秦宇龙：基于改进YOLOv5的带式输送机大块煤检测

《工矿自动化》杂志

一

研究背景

     近年来，基于深度学习的带式输送机煤块检测方法得到大量研究，其中YOLO系列模型在煤块检测场景应用广泛。井下环境复杂，存在高粉尘、低光照的特点，且大块煤和普通煤块在外形和颜色上的差异较小，煤块间存在遮挡和堆叠的情况，现有方法对大块煤与普通煤块的区分不够精确，容易出现漏检或误检。本文在YOLOv5模型中引入并行空洞卷积模块和联合注意力模块，提出了一种改进YOLOv5模型，并与PLC联动示警，实现对带式输送机上大块煤的精准检测。

二

带式输送机大块煤检测方法

1、 方法原理

     带式输送机大块煤检测方法原理如下图所示。首先，利用5G矿用摄像仪采集煤矿带式输送机的输煤视频，并进行抽帧和数据预处理，获得样本图像；其次，对样本图像进行标注（仅标注大块煤），构建大块煤检测的训练集、验证集、测试集；然后，对改进YOLOv5模型进行训练，保存训练结果最优的权重文件；最后，利用训练好的改进YOLOv5模型对摄像仪采集的实时输煤视频进行检测，存储大块煤的位置和数量信息并上传数据库，实时联动PLC示警。

2、 改进YOLOv5模型

     为提取更多底层的多尺度特征辅助判断，对YOLOv5模型进行改进，如下图所示。将骨干网络中第3个和第5个普通卷积模块CBS（由卷积、归一化函数和激活函数组成）替换为并行空洞卷积模块DCBS3（由3个并行的空洞卷积、归一化函数和激活函数组成），并在颈部特征融合过程中加入2个联合注意力模块DCTR（由空洞卷积和注意力模块组成）。

     并行空洞卷积模块结构如下图所示（k为卷积核大小；s为卷积步长；d为空洞卷积（ConvD）的膨胀率）。通过拼接3个不同膨胀率的空洞卷积特征，得到图像的多尺度信息，扩大感受野，有效区分大块煤和普通煤块，提高模型精度。

     对原始的C3模块进行改进，加入空洞卷积和注意力机制构建联合注意力模块，结构如下图所示。输入特征图依次通过空洞卷积和残差模块（Bottleneck）得到空洞卷积分支输出，并行通过注意力模块（Transformer）得到注意力分支输出，2个分支的输出拼接后通过卷积得到输出特征图。

3、PLC联动示警

     通过多次实验发现，当带式输送机上出现超过3块大块煤时几乎无法避免堵塞，因此根据带式输送机上大块煤数量制定合理的PLC联动示警策略，流程如下图所示。检测到大块煤后，根据大块煤数量分为0块、1块、2块、大于2块4种情况，由本地计算机进行逻辑判断并向PLC发送信号指令；之后，PLC对输出端口完成相应的置位和复位操作，连接在PLC输出端口的继电器指示灯则相应点亮（根据大块煤数量亮起不同数量的继电器指示灯），达到3块大块煤时蜂鸣器报警。

三

实验验证

1、 改进YOLOv5模型识别结果

     在原始YOLOv5模型基础上增加不同模块，利用模拟平台数据集进行消融实验，结果见下表。可看出与原始YOLOv5模型相比，同时加入并行空洞卷积模块和联合注意力模块后，精确率、召回率、平均精度均有所提升。

     为进一步验证本文改进YOLOv5模型性能，在模拟平台数据集上与经典模型Faster R−CNN和其他改进YOLOv5模型进行对比，结果见下表。可看出与YOLOv5模型相比，本文改进YOLOv5模型由于在颈部加入注意力机制，增大了计算量，导致检测速度有所下降，但检测精度有明显提升。

2、PLC联动示警结果

     本地计算机上部署本文改进YOLOv5模型，对摄像仪采集的视频进行实时检测，获得带式输送机上大块煤数量，并向PLC发送信号指令，由PLC控制继电器执行相应操作，结果如下图所示。检测到只有1块大块煤时，亮起1个指示灯，进行提示；检测到2块大块煤时，亮起2个指示灯，进行警告；检测到3块及以上大块煤时，3个指示灯均亮起，进行报警。

3、 实际场景检测结果

     为验证改进YOLOv5模型的泛化性，在煤矿井下数据集上进行实验，不同模型检测精度对比结果见下表，可看出本文改进YOLOv5模型检测精度最高。

     实际场景检测结果如下图所示。可看出原始YOLOv5模型和YOLOv5+GnBlock模型出现了漏检，YOLOv5+SCConv模型出现了误检，而本文改进YOLOv5模型有效避免了漏检和误检现象。

作者简介

引用格式

秦宇龙，程继明，任一个，等. 基于改进YOLOv5的带式输送机大块煤检测[J]. 工矿自动化，2024，50（2）：57-62, 71.

QIN Yulong, CHENG Jiming, REN Yige, et al. Large coal detection for belt conveyors based on improved YOLOv5[J]. Journal of Mine Automation，2024，50（2）：57-62, 71.