针对综采工作面液压支架护帮板处于未收回异常状态导致采煤机滚筒与护帮板干涉问题，本文提出一种改进YOLOv5s的采煤机滚筒与液压支架护帮板干涉状态智能识别方法。运用课题组前期提出的基于边界约束和非线性上下文正则化的去雾去尘方法对视频图像进行清晰化处理，提高综采工作面监控视频图像质量；对YOLOv5s模型进行改进，通过将YOLOv5s主干网络中的普通卷积Conv替换为分类效果更佳的Ghost卷积，减少了模型的参数数量，提高了模型识别速度，同时引入坐标注意力机制，提高了模型对护帮板和滚筒特征提取能力，从而提高模型识别精确率。运用软非极大值抑制算法（Soft-NMS）的锚框筛选方法，减少因护帮板重叠而发生漏检问题。针对采煤机滚筒与液压支架护帮板干涉状态判定问题，本文提出液压支架护帮板与采煤机滚筒锚框重合度的判定方法。运用本文改进YOLOv5s模型与YOLOv5s、YOLOv3-tiny模型进行对比分析，结果表明：本文方法与原模型相比的识别精确率提高了约8.1%，GFLOPs降低1.86倍；mAP@.5达到97.2%、平均识别速度为检测时间为5.9ms。运用本文方法对煤矿实际综采工作面采煤机滚筒与液压支架护帮板视频图像进行干涉状态识别试验验证，结果表明：对采煤机滚筒与液压支架护帮板干涉状态识别准确率为96%。

0 引言
1干涉状态识别系统总体设计
1.1摄像头布置
1.2滚筒与护帮板干涉状态
1.3 数据集构建
1.4 干涉状态检测系统
2 干涉状态识别方法
2.1 改进YOLOv5s的干涉状态识别方法
2.3 改进的YOLOv5网络结构
2.3.1 Ghost卷积提升识别效率
2.3.2 引入CA提升识别准确率
2.3.3 Soft-NMS 锚框筛选方法降低漏检率
2.4 评价指标
3 实验结果及分析
3.1实验设备
3.2 消融实验结果
3.4 Soft-NMS锚框筛选方法实验验证
3.5 不同深度学习算法对比分析
3.6 改进YOLOv5s对现场不同环境影响识别验证
3.7 滚筒与护帮板干涉状态识别验证
4 结论

毛清华,胡鑫,王孟寒等.改进YOLOv5s的采煤机滚筒与支架护帮板干涉状态智能识别[J/OL].煤炭科学技术:1-13[2023-10-09].http://kns.cnki.net/kcms/detail/11.2402.TD.20231007.1650.003.html