基于改进YOLOv8n的煤矿井下钻杆计数方法

作     者：姜媛媛 刘宋波 JIANG Yuanyuan;LIU Songbo

作者机构：安徽理工大学电气与信息工程学院安徽淮南232001 安徽理工大学环境友好材料与职业健康研究院(芜湖)安徽芜湖241003 

基　　金：安徽省重点研究与开发计划项目(202104g01020012) 安徽理工大学环境友好材料与职业健康研究院研发专项基金资助项目(ALW2020YF18) 

出 版 物：《工矿自动化》 (Journal Of Mine Automation)

年 卷 期：2024年第50卷第8期

页      码：112-119页

摘      要：为提高煤矿井下钻杆计数的效率和精度,提出了一种基于改进YOLOv8n模型的煤矿井下钻杆计数方法。建立了YOLOv8n−TBiD模型,该模型可准确检测矿井钻机工作视频中的钻杆并进行有效分割:为有效捕获钻杆的边界信息,提高模型对钻杆形状识别的精度,使用加权双向特征金字塔网络(BiFPN)替换路径聚合网络(PANet);针对钻杆易与昏暗的矿井环境混淆的问题,在Backbone网络的SPPF模块后添加三分支注意力(Triplet Attention),以增强模型抑制背景干扰的能力;针对钻杆在图像中占比小、背景信息繁杂的问题,采用Dice损失函数替换CIoU损失函数来优化模型对目标钻杆的分割处理。利用YOLOv8n−TBiD模型分割出的钻杆及其掩码信息,根据打钻过程中钻杆掩码面积变小而装新钻杆时钻杆掩码面积突然增大的规律,设计了一种钻杆计数算法。选取综采工作面实际采集的钻机工作视频对基于YOLOv8n−TBiD模型的钻杆计数方法进行了实验验证,结果表明:①YOLOv8n−TBiD模型检测钻杆的平均精度均值达94.9%,与对比模型GCI−YOLOv4,ECO−HC,P−MobileNetV2,YOLOv5,YOLOX相比,检测准确率分别提升了4.3%,7.5%,2.1%,6.3%,5.8%,检测速度较原始YOLOv8n模型提升了17.8%。②所提钻杆计数算法在不同煤矿井下环境的视频数据集上实现了99.3%的钻杆计数精度。

主 题 词：矿井钻机 钻杆计数 YOLOv8n−TBiD BiFPN Triplet Attention Dice损失函数 钻杆掩码 图像分割 

学科分类：081901[081901] 0819[工学-海洋工程类] 08[工学] 

D　O　I：10.13272/j.issn.1671-251x.2024040073

馆 藏 号：203143173...