基于SD-YOLOv5s-4L的煤矿井下无人驾驶电机车多目标检测

• Published in: 工矿自动化 Vol. 49; no. 11; pp. 121 - 128
• Main Authors: 赵伟, 王爽, 赵东洋
• Format: Journal Article
• Language: Chinese
• Published: 安徽理工大学 深部煤矿采动响应与灾害防控国家重点实验室,安徽 淮南 232001 2023; 安徽理工大学 机械工程学院,安徽 淮南 232001%安徽理工大学 深部煤矿采动响应与灾害防控国家重点实验室,安徽 淮南 232001; 矿山智能技术与装备省部共建协同创新中心,安徽 淮南 232001; 安徽理工大学 机械工程学院,安徽 淮南 232001
• Subjects: small object detection; electric locomotive; 多目标检测; 电机车; 解耦头; YOLOv5s; 井下无人驾驶; underground unmanned driving; multi object detection; SIoU; 小目标检测; decoupling head
• ISSN: 1671-251X
• DOI: 10.13272/j.issn.1671-251x.2023070100

TD64; 为解决煤矿井下无人驾驶电机车由于光照不均、高噪声等复杂环境因素导致的多目标检测精度低及小目标识别困难问题,提出一种基于 SD-YOLOv5s-4L的煤矿井下无人驾驶电机车多目标检测模型.在YOLOv5s基础上进行以下改进,构建SD-YOLOv5s-4L网络模型:引入SIoU损失函数来解决真实框与预测框方向不匹配的问题,使得模型可以更好地学习目标的位置信息;在YOLOv5s头部引入解耦头,增强网络模型的特征融合与定位准确性,使得模型可以快速捕捉目标的多尺度特征;引入小目标检测层,将原三尺度检测层增至 4层,以增强模型对小目标的特征提取能力和检测精度.在矿井电机车多目标检测数据集上进行实验,结果表明:SD-YOLOv5s-4L网络模型对各类目标的平均精度均值(mAP)为 97.9%,对小目标的平均检测精度(AP)为98.9%,较 YOLOv5s网络模型分别提升了 5.2%与 9.8%;与 YOLOv7,YOLOv8等其他网络模型相比,SD-YOLOv5s-4L网络模型综合检测性能最佳,可为实现矿井电机车无人驾驶提供技术支撑.