基于CSPNet-YOLOv7目标检测算法的煤矸图像识别模型

• Published in: 煤炭科学技术 Vol. 52; no. z1; pp. 238 - 248
• Main Authors: 韦小龙, 王方田, 何东升, 刘超, 徐大连
• Format: Journal Article
• Language: Chinese
• Published: 中国矿业大学矿业工程学院,江苏徐州 221116%中国矿业大学矿业工程学院,江苏徐州 221116 01.06.2024; 中国矿业大学煤炭精细勘探与智能开发全国重点实验室,江苏徐州 221116%中国矿业大学矿业工程学院,江苏徐州 221116; 徐州矿务集团有限公司张双楼煤矿,江苏徐州 221616; 永城煤电集团股份有限公司,河南永城 476600%中国矿业大学矿业工程学院,江苏徐州 221116
• Subjects: YOLOv7; 煤矸识别; 跨阶段部分网络; 可切换自动卷积; 递归特征金字塔; cross stage partial networks; 迁移学习; recursive feature pyramids; coal gangue recognition; switchable auto-convolution; migration learning
• ISSN: 0253-2336
• DOI: 10.12438/cst.2023-0546

TD849.5%TP391.41; 煤矸识别技术是矿井智能化建设的关键技术之一,针对工作面低照度高粉尘环境造成的煤矸识别模型精度不高以及小目标煤矸难以识别的问题,提出一种基于CSPNet-YOLOv7目标检测算法的煤矸图像识别模型.采用跨阶段部分网络(Cross Stage Partial Network,CSPNet)改进YOLOv7模型的主干特征提取网络,优化梯度信息减少网络参数,同时采用递归特征金字塔(Recursive Feature Pyr-amid,RFP)和可切换卷积(Switchable Auto Convolution,SAC)替换颈部特征提取网络中简单的上下采样和普通卷积模块,并采用 3次迁移训练进行不同宽度和深度的特征学习,增强网络的泛化能力.试验结果表明,CSPNet-YOLOv7模型的平均精度均值为 97.53%,准确率为 92.24%,召回率为97.91%,F1 得分为 0.95,模型的参数量为 30.85×106,浮点运算次数为 42.15×109,每秒传输帧数为24.37 f/s,与YOLOv7模型相比,平均精度均值提高了 7.46%,参数量和浮点运算次数分别降低了17.23%和 60.41%,相较于 FasterRCNN-Resnet50、YOLOv3、YOLOv4、MobileNet V2-YOLOv4、YOLOv4-VGG、YOLOv5s模型、CSPNet-YOLOv7模型对煤矸识别的平均精度均值最高,同时参数量和浮点运算次数较小,在识别精度和速度之间有着较好的平衡.最后,通过井下现场试验验证了CSPNet-YOLOv7模型,为煤矸精准识别提供了有效技术手段.