智慧矿山系统工程及关键技术研究与实践

针对现有基于深度学习的综放工作面混矸率检测方法在井下低照度、高粉尘、煤矸堆叠等复杂条件下存在煤矸识别精度低、分割效果差、模型参数量和运算量大、未实现混矸率的实时检测等问题,提出了一种基于GSL−YOLO模型的混矸率检测方法。GSL−YOLO模型在YOLOv8−seg的基础上进行以下改进：在主干网络中引入全局注意力机制（GAM）,通过减少信息弥散和放大全局交互表示提高模型特征提取能力;选用具有高效局部聚合网络的空间金字塔池化（SPPELAN）模块,提升模型处理不同尺寸目标时的检测性能;采用轻量级非对称多级压缩检测头（LADH）,降低模型的训练难度,同时提高推理速度。提出了一种基于类别分割掩码的混矸率计算方法,该方法基于煤流图像处理结果中的分割掩码信息,计算其中矸石的像素面积与总像素面积的比值,作为瞬时混矸率。实验结果表明：① GSL−YOLO模型的mAP@0.5∶0.95达96.1%,比YOLOv8−seg模型提高了0.8%。
② GSL−YOLO模型的参数量为2.9×10⁶个,浮点运算次数为11.4×10⁹,模型权重为6.0 MiB,比YOLOv8−seg模型分别降低了12.1%,5.8%,11.8%,实现了模型的轻量化。③ GSL−YOLO模型在测试集上的帧率为12帧/s,基本满足实时检测要求。④ 与YOLO系列模型相比,GSL−YOLO模型分割效果最好,检测精度最高,参数量和运算量较少,综合性能最佳。⑤ 基于截取的综放工作面后部刮板输送机上煤流视频中的3帧图像,计算了瞬时混矸率,结果表明,提出的混矸率计算方法基本实现了综放工作面混矸率的实时计算。