现有带式输送机异物检测方法存在提取目标语义信息能力弱、检测精度差等问题，且仅对异物进行识别检测，不能准确计算异物数量。针对该问题，设计了一种基于改进YOLOv8n+DeepSORT的带式输送机异物检测及计数方法。对YOLOv8n模型进行改进，再使用改进YOLOv8n模型对带式输送机异物进行识别；将改进YOLOv8n模型的异物检测结果作为DeepSORT算法的输入，实现带式输送机异物跟踪和计数。YOLOv8n改进方法：使用C2f＿MLCA模块替换主干网络中的C2f模块，提高网络在颜色信息单一环境下的信息提取能力；使用分离和增强注意力模块（SEAM）改进Head部分，以提高异物被遮挡情况下的检测精度；采用Focaler-IoU优化损失函数，解决检测目标形状差异大的问题。MSF-YOLOv8n模型性能验证实验结果表明，MSF-YOLOv8n模型的mAP50达93.2%，相较于基础模型提高了2.1%；参数量仅为2.8×106，比基础模型少了0.19×106，更适合部署到巡检机器人等边缘设备中；检测精度比YOLOv5s，YOLOv7，YOLOv8s算法分别高2.2%，1.3%，0.3%；其帧率虽然比YOLOv8s和YOLOv8n低，但仍可满足视频实时性检测要求。异物检测及计数实验结果表明，DeepSORT算法的准确率达80%，可准确跟踪被遮挡的锚杆及形状差异较大的目标。

0 引言
1 改进YOLOv8n模型
1.1 模型结构
1.2 C2f＿MLCA模块设计
1.3 SEAM设计
1.4 损失函数优化
2 异物检测及计数方法流程
3 MSF-YOLOv8n模型性能验证实验
3.1 数据采集
3.2 消融实验
3.3 可视化分析
3.4 对比实验
4 异物检测及计数实验
4.1 异物检测实验结果与分析
4.2异物计数实验结果与分析
5 结论

陈腾杰,李永安,张之好,等.基于改进YOLOv8n+DeepSORT的带式输送机异物检测及计数方法[J/OL].工矿自动化,1-9[2024-08-29].https://doi.org/10.13272/j.issn.1671-251x.2024070043.