基于CSPNet-YOLOv7目标检测算法的煤矸图像识别模型

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...

Full description

Saved in:
Bibliographic Details
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
LanguageChinese
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
Online AccessGet full text
ISSN0253-2336
DOI10.12438/cst.2023-0546

Cover

Abstract 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.
AbstractList 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.
Abstract_FL The gangue recognition technology is one of the key technologies in the intelligent construction of mines.To address the prob-lem of low accuracy of the gangue recognition model caused by low illumination and high dust environment at the working face and the difficulty of recognizing small target gangue,a coal gangue image recognition model based on CSPNet-YOLOv7 target detection al-gorithm is proposed.Cross Stage Partial Network(CSPNet)is used to improve the backbone feature extraction network of YOLOv7 mod-el,optimize the gradient information to reduce the network parameters,while Recursive Feature Pyramid(RFP)and Switchable Auto Con-volution(SAC)to replace the simple up and down sampling and normal convolution modules in the neck feature extraction network,and to enhance the generalization ability of the network by using three migration training for feature learning of different widths and depths.The experimental results show that the CSPNet-YOLOv7 model has an average accuracy mean of 97.53%,an accuracy rate of 92.24%,a recall rate of 97.91%,an F1 score of 0.95,a model parametric number of 30.85×106,a floating point operation count of 42.15×109,and a frame rate of 24.37 f/s transmitted per second,Compared to the YOLOv7 model,the average mean accuracy is improved by 7.46%,and the number of parameters and floating point operations are reduced by 17.23%and 60.41%,respectively,compared to the FasterRCNN-Resnet50,YOLOv3,YOLOv4,MobileNet V2-YOLOv4,YOLOv4-VGG,YOLOv5s models.The CSPNet-YOLOv7 model has the highest average accuracy mean for coal gangue identification,while the number of parameters and floating point operations is small,which has a good balance between identification accuracy and speed.Finally,the CSPNet-YOLOv7 model is validated through downhole field tests,providing an effective technical means for accurate coal gangue identification.
Author 何东升
王方田
韦小龙
徐大连
刘超
AuthorAffiliation 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;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;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;徐州矿务集团有限公司张双楼煤矿,江苏徐州 221616
AuthorAffiliation_xml – name: 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;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;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;徐州矿务集团有限公司张双楼煤矿,江苏徐州 221616
Author_FL WANG Fangtian
LIU Chao
HE Dongsheng
WEI Xiaolong
XU Dalian
Author_FL_xml – sequence: 1
  fullname: WEI Xiaolong
– sequence: 2
  fullname: WANG Fangtian
– sequence: 3
  fullname: HE Dongsheng
– sequence: 4
  fullname: LIU Chao
– sequence: 5
  fullname: XU Dalian
Author_xml – sequence: 1
  fullname: 韦小龙
– sequence: 2
  fullname: 王方田
– sequence: 3
  fullname: 何东升
– sequence: 4
  fullname: 刘超
– sequence: 5
  fullname: 徐大连
BookMark eNrjYmDJy89LZWAQMzTQMzQyMbbQTy4u0TMyMDLWNTA1MWNh4DQwMjXWNTI2NuNg4C0uzkwyMDU0NjcxNDDjZHB4On_Xk119zsEBfqklupH-Pv5l5s9nr3u2oP3Z4oZnW7ufr5v-bPPU57NanrcueT5_x9PZ-542979Y3_a0Y_WzFQufzuvmYWBNS8wpTuWF0twMoW6uIc4euj7-7p7Ojj66xYYGRma6iSbmluZmBilJKUYGxuZmhmmJxsZpqYlJSWYWaWkmlmaGRikWSamWBmbmlpaJZmmm5snmxqmWiUlmhsYplibGhsbcDOoQc8sT89IS89Ljs_JLi_KANsbnlmRXZBUD_WtSBbLKGADEJV3n
ClassificationCodes TD849.5%TP391.41
ContentType Journal Article
Copyright Copyright © Wanfang Data Co. Ltd. All Rights Reserved.
Copyright_xml – notice: Copyright © Wanfang Data Co. Ltd. All Rights Reserved.
DBID 2B.
4A8
92I
93N
PSX
TCJ
DOI 10.12438/cst.2023-0546
DatabaseName Wanfang Data Journals - Hong Kong
WANFANG Data Centre
Wanfang Data Journals
万方数据期刊 - 香港版
China Online Journals (COJ)
China Online Journals (COJ)
DatabaseTitleList
DeliveryMethod fulltext_linktorsrc
Discipline Engineering
DocumentTitle_FL Coal gangue image recognition model based on CSPNet-YOLOv7 target detection algorithm
EndPage 248
ExternalDocumentID mtkxjs2024z1026
GrantInformation_xml – fundername: (国家自然科学基金); (中央高校基本科研业务费专项资金资助项目)
  funderid: (国家自然科学基金); (中央高校基本科研业务费专项资金资助项目)
GroupedDBID -02
2B.
4A8
5XA
5XC
92H
92I
93N
ABJNI
ACGFS
ALMA_UNASSIGNED_HOLDINGS
CCEZO
CDRFL
CW9
GROUPED_DOAJ
PSX
TCJ
TGT
U1G
U5L
ID FETCH-LOGICAL-s1026-a479760dbd203761fa33feabb68ff49612d8be906799a6f57c73e9ab613d94313
ISSN 0253-2336
IngestDate Thu May 29 04:07:34 EDT 2025
IsPeerReviewed false
IsScholarly true
Issue z1
Keywords 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
Language Chinese
LinkModel OpenURL
MergedId FETCHMERGED-LOGICAL-s1026-a479760dbd203761fa33feabb68ff49612d8be906799a6f57c73e9ab613d94313
PageCount 11
ParticipantIDs wanfang_journals_mtkxjs2024z1026
PublicationCentury 2000
PublicationDate 2024-06-01
PublicationDateYYYYMMDD 2024-06-01
PublicationDate_xml – month: 06
  year: 2024
  text: 2024-06-01
  day: 01
PublicationDecade 2020
PublicationTitle 煤炭科学技术
PublicationTitle_FL Coal Science and Technology
PublicationYear 2024
Publisher 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
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
Publisher_xml – name: 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
– name: 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
– name: 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
– name: 徐州矿务集团有限公司张双楼煤矿,江苏徐州 221616
SSID ssib051374106
ssj0037581
ssib001105251
ssib012291398
ssib036204842
Score 2.383999
Snippet 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...
SourceID wanfang
SourceType Aggregation Database
StartPage 238
Title 基于CSPNet-YOLOv7目标检测算法的煤矸图像识别模型
URI https://d.wanfangdata.com.cn/periodical/mtkxjs2024z1026
Volume 52
hasFullText 1
inHoldings 1
isFullTextHit
isPrint
link http://utb.summon.serialssolutions.com/2.0.0/link/0/eLvHCXMwzV1Li9RAEA7retGD-MQ3C9oniSb9SLpvJjs9LKK7gruwnpZkJlEUR3BmReYk-IQFPYnggqvoQRDWgwiyB3-NM-PPsKqSmcmuCz5OXpqaTKWqvqqku7rpVDvO6QyyaK5yz_UbUrjSBLlrPAXvVQ7BDvOQZ1Tx5tJsMLMgLyyqxYnJU5VdS8ud9Gyju-13Jf8SVbgGccWvZP8isiOhcAFoiC-0EGFo_yjGzCpm6iyOmJXYajt95fJs1nGvzl2cuxsyGzITs8gyG7DIYzDvR0Lg7gYgYsV0jDzAYOivWDCj6C6QJZHQikVEoBpN-mIWWyQ0yKkzq1lUZzqgK0DHpAIIn5gtqKjmv5tkas6iGhkA8okffkYBStBRaaSZBvnDp4JZg4ZEpC32SL9Bc4wZs4BcS8DgZoBkyHpwjzdmgV81QioRFKhA42tsPCaXaIxGfDGYo6qrI1yOd3HR81wKQjCFg2pDl9WHOiKCJxHqGOd2PDG4g2IATkQUI2aAbljE4Z2gUPl4ryUedIMiN3ilBGPPcJhz44qJ-n-NqwxCXAmXi6JIzXDEVLzSM3T96vhXlOopUyleFFH9ZZTmkoryN9q4mZnj_lG5pRw6JVi3Ojfv3WhjVLuQBgc7nJ08DIu9GOW6CeX8Ph7FOBqkfM6x0u1oUBF44IKWoxxe-QKSaNxaUKRrAibMdKzmEGhZ2RVtPLfJQvqsr5UnrWuVDHR-r7OnnDpORUU_sM-Z6F7f7-yuFBQ94JzvrW1833i2qRcYrK733zzpv7vf_7IyWH_Z__xi8Orh4NH7wdrX3uq33oPnPz497j392P_wtvd65aCzULfz0zNueUaK20afuIkMYULhNdMmByiBnydC5FmSpoHOc-h6fd7UaWZwudgkQa7CRigyk6SQxTcNTB7EIWeydbuVHXamwlTIHBr0kQyEl_iZMkGW540AHolEH3GmSvxLZR_YXtoSoqO_Zznm7Bq_p8edyc6d5ewE5PWd9CTF9ScQVbB1
linkProvider Directory of Open Access Journals
openUrl ctx_ver=Z39.88-2004&ctx_enc=info%3Aofi%2Fenc%3AUTF-8&rfr_id=info%3Asid%2Fsummon.serialssolutions.com&rft_val_fmt=info%3Aofi%2Ffmt%3Akev%3Amtx%3Ajournal&rft.genre=article&rft.atitle=%E5%9F%BA%E4%BA%8ECSPNet-YOLOv7%E7%9B%AE%E6%A0%87%E6%A3%80%E6%B5%8B%E7%AE%97%E6%B3%95%E7%9A%84%E7%85%A4%E7%9F%B8%E5%9B%BE%E5%83%8F%E8%AF%86%E5%88%AB%E6%A8%A1%E5%9E%8B&rft.jtitle=%E7%85%A4%E7%82%AD%E7%A7%91%E5%AD%A6%E6%8A%80%E6%9C%AF&rft.au=%E9%9F%A6%E5%B0%8F%E9%BE%99&rft.au=%E7%8E%8B%E6%96%B9%E7%94%B0&rft.au=%E4%BD%95%E4%B8%9C%E5%8D%87&rft.au=%E5%88%98%E8%B6%85&rft.date=2024-06-01&rft.pub=%E4%B8%AD%E5%9B%BD%E7%9F%BF%E4%B8%9A%E5%A4%A7%E5%AD%A6%E7%9F%BF%E4%B8%9A%E5%B7%A5%E7%A8%8B%E5%AD%A6%E9%99%A2%2C%E6%B1%9F%E8%8B%8F%E5%BE%90%E5%B7%9E+221116%25%E4%B8%AD%E5%9B%BD%E7%9F%BF%E4%B8%9A%E5%A4%A7%E5%AD%A6%E7%9F%BF%E4%B8%9A%E5%B7%A5%E7%A8%8B%E5%AD%A6%E9%99%A2%2C%E6%B1%9F%E8%8B%8F%E5%BE%90%E5%B7%9E+221116&rft.issn=0253-2336&rft.volume=52&rft.issue=z1&rft.spage=238&rft.epage=248&rft_id=info:doi/10.12438%2Fcst.2023-0546&rft.externalDocID=mtkxjs2024z1026
thumbnail_s http://utb.summon.serialssolutions.com/2.0.0/image/custom?url=http%3A%2F%2Fwww.wanfangdata.com.cn%2Fimages%2FPeriodicalImages%2Fmtkxjs%2Fmtkxjs.jpg