[发明专利]一种基于YOLO算法的煤矸实时检测方法

说明书

本发明提供一种基于YOLO算法的煤矸实时检测方法，涉及计算机视觉领域。该基于YOLO算法的煤矸实时检测方法包括获取煤矸检测数据集，扩充数据集；采用步骤S1制作的数据集，对原始YOLOv4网络进行训练，得到原始网络训练的权重与各卷积层内卷积核的参数；基于煤矸特征的复杂程度，构建改进型YOLOv4网络结构，得到适用于煤矸目标检测的改进型YOLO算法；依据步骤2原始网络训练的权重进行迁移学习，采用步骤S1制作的数据集对上述改进型YOLOv4算法进行训练等步骤。该基于YOLO算法的煤矸实时检测方法在提高平均精度的同时减少模型的复杂度、缩短检测时间，模型参数数量显著降低，运行速度更加快捷，提高了用于实时检测运动煤矸的能力。

技术领域

本发明涉及计算机视觉技术领域，具体为一种基于YOLO算法的煤矸实时检测方法。

背景技术

随着深度学习技术在目标实时检测领域地不断发展，利用卷积神经网络进行目标实时检测已经成为现实。目标实时检测，即通过给定视频或场景中找到目标的所属类别、及目标的具体位置，目标检测一般要解决两个问题：目标的分类、目标的位置。通过目标检测反馈目标的类别信息、位置信息，通过执行机构可实现多目标抓取和分离。相较于传统方法的目标检测，基于深度学习的目标检测方法会提高检测的效率和精度，并且已在相关工业领域应用。

煤矸分选是煤矿生产过程中的必须工序，同时也是提高煤炭使用价值、合理利用煤炭资源最经济有效的技术途径，分选矸石可减少入洗成本，提升煤炭质量，提高企业效益。研究煤炭运输过程中矸石及其他非煤杂物智能分拣机器人成为选煤生产的重要课题，煤矸检测系统作为选矸机器人的一部分，其目标检测的准确率、处理速度以及对周围恶劣环境的适应能力对机器人的工作性能有较大影响。可靠的煤矸检测技术可以让机器人能够长时间地稳定工作，提高生产效益。因此提出一种基于YOLO算法的煤矸实时检测方法，可应用于煤矸分选现场用于实时检测煤矸。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种基于YOLO算法的煤矸实时检测方法，解决了煤矸检测系统作为选矸机器人的一部分，其目标检测的准确率、处理速度以及对周围恶劣环境的适应能力对机器人的工作性能有较大影响的问题。

(二)技术方案

为实现以上目的，本发明通过以下技术方案予以实现：一种基于YOLO算法的煤矸实时检测方法，包括以下步骤：

步骤S1：获取煤矸检测数据集，并对煤矸检测数据集通过数据增强方法扩充得到用于训练模型的数据集；

步骤S2：采用步骤S1制作的数据集，对原始YOLOv4网络进行训练，得到原始网络训练的权重与各卷积层内卷积核的参数；

步骤S3：基于煤矸特征的复杂程度，构建改进型YOLOv4网络结构，得到适用于煤矸目标检测的改进型YOLO算法；

步骤S4：依据步骤2原始网络训练的权重进行迁移学习，采用步骤S1制作的数据集对上述改进型YOLOv4算法进行训练，通过筛选得到训练后的训练权重，筛选后得到的最佳训练权重在于训练模型过程中，设置迭代次数比如10000次，可以设置每训练1000次保存一个模型，共计10个模型，通过分析比对10个模型的平均准确率和检测速率来选出最佳的训练模型即训练权重，将训练权重加载到煤矸目标检测网络流程中；

步骤S5：将未检测的运动皮带上的煤矸图像输入到基于改进型YOLOv4算法的煤矸目标检测网络流程中，输出煤矸目标检测结果。

优选的，所述改进型YOLO算法网络结构主要包骨干网络backbone、颈部网络neck和头部head，所述骨干网络backbone为CSPDarknet27，用于提取图像特征并生成特征图，骨干网络提取的特征图进一步输入到颈部网络neck中用于进一步整合特征，所述头部head基于整合特征进行分类目标检测。