何凯：基于CED-YOLOv5s模型的煤矸识别方法研究

《工矿自动化》杂志

一

研究背景

     基于可见光成像的煤矸识别方法在获取煤矸图像时易受到光源、噪声、震动和物料表面等不确定因素影响。而在实际煤矿井下分选场景中，普遍存在高噪声、低照度、运动模糊等干扰因素，影响获取的煤矸图像质量，导致现有的煤矸可见光图像识别方法对图像中煤矸特征的提取能力急剧下降。此外，在煤矸输送过程中易出现煤矸目标聚集与粘连问题，进一步影响算法对煤矸目标分类与定位的准确性。针对以上问题，本文在YOLOv5s模型的基础上进行改进，提出一种基于CED-YOLOv5s模型的煤矸石识别方法。

二

研究内容

     CED-YOLOv5模型通过引入坐标注意力（CA）模块来提高煤矿复杂背景中对目标关键特征的提取能力，采用EIoU边界损失函数和轻量化解耦头(Decoupled_Detect)来提高目标聚集、背景干扰情况下的分类定位能力。

     1）CA机制是一种高效的注意力机制，通过将坐标信息嵌入信道关系和长程依赖关系中对特征图进行编码。相较于传统注意力机制，CA机制能够充分利用通道注意力信息和空间注意力信息，使模型更加关注重要特征，抑制无用信息。

     2）CIoU函数依赖于边界框回归指标的聚合，无法准确描述真实框和预测框宽高之间的差异，容易造成预测框回归不准确，降低网络模型的收敛性和训练效率。在井下实际分选场景中，煤矸石易发生聚集与粘连现象，使得YOLOv5s模型对煤矸目标的定位能力急剧下降。为解决该问题，本文采用EIoU函数代替CIoU函数，以增强目标的位置和边界信息，提升模型对煤矸石的定位精度。

     3）在YOLOv5s的检测头部引入轻量化解耦头，解耦出单独的特征通道，分别用于分类和回归任务，解决了原模型中耦合头部分类任务与回归任务的相互干扰问题，进一步提升了模型的并行运算效率与检测精度。

三

实验结果

     消融实验结果表明，各改进模块对模型检测精度的提升均有贡献，CED-YOLOv5s模型的平均检测精度在YOLOv5s模型的基础上提升了3.1%。

     对比实验结果表明，与其他5种YOLO系列检测模型相比，CED-YOLOv5s模型对不同工况下的检测任务适应性最强，综合检测性能最佳。

作者简介

引用格式

何凯，程刚，王希，等. 基于CED−YOLOv5s模型的煤矸识别方法研究[J]. 工矿自动化，2024，50（2）：49-56, 82.

HE Kai, CHENG Gang, WANG Xi, et al. Research on coal gangue recognition method based on CED-YOLOv5s model[J]. Journal of Mine Automation，2024，50（2）：49-56, 82.