[发明专利]基于改进YOLOv5算法的煤炭异物检测系统及方法

说明书

本发明提供基于改进YOLOv5算法的煤炭异物检测系统及方法，系统包括：使用MobileNet V3网络结构替换原有的骨干网络结构；使用Mish()激活函数替换卷积层中的SiLU()激活函数；使用ECA注意力机制替换MobileNet V3网络结构中的SE注意力机制；使用异构卷积替换颈部网络结构模块原有的标准卷积；将待检测图像输入训练好的模型后得到目标的位置信息和类别信息。本发明解决了检测精度低以及检测效果差的技术问题。

技术领域

本发明涉及煤矿工控领域，具体涉及煤炭异物检测领域。

背景技术

煤炭是我国主体能源，是保障我国能源安全的基石。受开采条件的限制，煤炭在开采过程中会混有少量异物，对煤的性质影响很大，严重影响了煤炭加工的生产效率，制约了煤炭质量的提高。因此，通过利用基于深度学习的目标检测算法，实现煤炭异物检测，对减少大气污染、提高煤炭资源的综合利用率，保证煤矿产业正常生产运作，保障员工生命安全等方面具有重要的社会意义和经济价值。

目前，目标检测作为计算机视觉四大基本任务(分类、检测、分割和定位)之一，在过去的几十年里得到了广泛的研究。通常，目标检测和识别包括两个步骤：首先，定位每个目标物体的潜在位置，然后将对象划分为不同的类别。在深度学习算法出现之前，对象检测方法依赖于人工设计的特征，并根据人类理解对象的方式设计分类器。近年来，随着深度学习的发展，特别是深度卷积神经网络(CNN)的成功，目标检测在自动驾驶、视觉搜索、虚拟现实(VR)和增强现实(AR)等领域有着广泛的应用。尽管在许多应用中已经实现了对图像中的中、大尺寸目标的准确检测，但对煤流图像中小目标的检测仍存在着一些难以解决的问题。小目标由于特征难以区分、分辨率低、背景复杂等原因难以检测。公布号为CN113658135A的现有发明专利文献《一种基于模糊PID自适应调光皮带异物检测方法与系统》LED三色照度模块、模糊PID调节光照模块、图像灰度处理模块、图像采集模块、异物检测硬件模块、异物深度学习检测模型模块、分割及分拣处理模块。考虑到采集图像时，光源对图像清晰度的影响，以及井下复杂的环境，通过模糊PID调节光源照度，调节图像清晰度，确保输入高清晰度的图像，采集的图像输入基于yolo的深度学习检测模型，并对识别后的异物图像进行分割和识别。由该现有技术中的具体实施例可知，该现有技术采用yolov3目标检测模型检测皮带上的异物，并采用PID调节图像质量，但该现有方案仅使用异物区域阈值等阈值判断逻辑处理异物检测图像，其并未对目标检测模型的头部、颈部以及骨干网络结构的卷积过程等特征进行优化，且该现有技术在使用目标检测模型处理得到异物检测信息后，还需要使用PID等算法提高图像质量，增加了算法涉及的参数量以及整体复杂度，制约了该现有技术的鲁棒性，同时，该现有技术仅在产生检测结果后进行照度及清晰度的优化，易导致失真且无法彻底解决特征难以区分、分辨率低、背景复杂导致的检测精度问题。公布号为CN113306991A的现有专利申请文献《基于立体视觉的煤炭运输机监测管理系统》包括煤炭运输机，设置于煤炭运输机上方的一个或者多个线激光双目立体相机；该线激光双目立体相机的视觉处理器包括：立体视觉处理模块，用于利用双目视觉处理算法处理激光线图像以得到输送带的正面三维立体信息以及输送带上煤流的三维立体信息；煤流监测模块，用于根据输送带上煤流的三维立体信息和基准面立体信息获取煤流监测信息；异物检测模块，用于根据输送带上煤流的三维立体信息和设定的面积阈值检测出大块物体。该现有技术采用三维立体视觉检测，通过异物检测模块获取煤流中的大块物体。该现有技术由于受到采集信号种类的限制，需要配备多目相机等设备，提高了技术使用成本。且由该现有方案的具体实现内容可知，该方案需要立体分割点云数据，并二值化处理得到掩码图像，通过再分割掩码图像，获取潜在的异物区域，该技术适用于检测大块物体，但针对小尺寸异物检测时，无法保证检测精度。

综上，现有技术存在检测精度低以及检测效果差的技术问题。

发明内容

本发明所要解决的技术问题在于如何解决现有技术中检测精度低以及检测效果差的技术问题。

本发明是采用以下技术方案解决上述技术问题的：基于改进YOLOv5算法的煤炭异物检测系统包括：