朱富文 侯志會(huì) 李明振

摘要：為通過(guò)變頻調(diào)速提高帶式輸送機(jī)運(yùn)行效率，需要對(duì)帶式輸送機(jī)煤流進(jìn)行檢測(cè)?，F(xiàn)有基于深度學(xué)習(xí)的帶式輸送機(jī)煤流檢測(cè)方法難以在模型輕量化和分類(lèi)準(zhǔn)確度之間達(dá)到平衡，且很少考慮在特征提取過(guò)程中通道權(quán)重分布不平衡對(duì)檢測(cè)準(zhǔn)確度的影響。針對(duì)上述問(wèn)題，提出了一種輕量化的多尺度跨通道注意力煤流檢測(cè)網(wǎng)絡(luò)，該網(wǎng)絡(luò)由特征提取網(wǎng)絡(luò)和分類(lèi)網(wǎng)絡(luò)組成。將輕量化的殘差網(wǎng)絡(luò) ResNet18作為特征提取網(wǎng)絡(luò)，并在此基礎(chǔ)上引入煤流通道注意力（CFCA）子網(wǎng)絡(luò)，CFCA 子網(wǎng)絡(luò)采用多個(gè)卷積核大小不同的一維卷積，并對(duì)一維卷積的輸出進(jìn)行堆疊，以捕獲特征圖中不同尺度的跨通道交互關(guān)系，實(shí)現(xiàn)對(duì)特征圖權(quán)重的重新分配，從而提高特征提取網(wǎng)絡(luò)的語(yǔ)義表達(dá)能力。分類(lèi)網(wǎng)絡(luò)由3個(gè)全連接層構(gòu)成，其將向量化的特征提取網(wǎng)絡(luò)的輸出作為輸入，并對(duì)其進(jìn)行非線(xiàn)性映射，最終得到“煤少”、“煤適中”、“煤多”3類(lèi)結(jié)果的概率分布，通過(guò)將煤流檢測(cè)問(wèn)題轉(zhuǎn)換為圖像分類(lèi)問(wèn)題，避免瞬時(shí)煤流量波動(dòng)過(guò)大導(dǎo)致帶式輸送機(jī)頻繁變頻調(diào)速的問(wèn)題，提高帶式輸送機(jī)運(yùn)行穩(wěn)定性。實(shí)驗(yàn)結(jié)果表明， ResNet18+CFCA 網(wǎng)絡(luò)在幾乎不增加網(wǎng)絡(luò)參數(shù)量和計(jì)算復(fù)雜度的情況下，比 ResNet18網(wǎng)絡(luò)在分類(lèi)準(zhǔn)確率上提升了1.6%，可更加有效地區(qū)分圖像中的前景信息，準(zhǔn)確提取煤流特征。

關(guān)鍵詞：帶式輸送機(jī)；煤流檢測(cè)；圖像分類(lèi)；輕量化；多尺度跨通道注意力；殘差網(wǎng)絡(luò)中圖分類(lèi)號(hào)： TD712??? 文獻(xiàn)標(biāo)志碼： A

Lightweight multi-scale cross channel attention coal flow detection network

ZHU Fuwen1， HOU Zhihui2， LI Mingzhen3

（1. Electrical Department， Jiaozuo Coal Industry（Group） Co.， Ltd.， Jiaozuo 454002， China；

2. Zhaogu No.1 Coal Mine， Jiaozuo Coal Industry（Group） Co.， Ltd.， Huixian 453634， China；

3. Jiaozuo Huafei Electrionic and Electric Co.， Ltd.， Jiaozuo 454000， China）

Abstract： In order to improve the operating efficiency of belt conveyors through variable frequency speed regulation， it is necessary to detect the coal flow of belt conveyor. The existing deep learning-based coal flow detection methods for belt conveyors are difficult to achieve a balance between model lightweight and classification accuracy. There are few researches on the impact of imbalanced channel weight distribution on detection accuracy in the feature extraction process. In order to solve the above problems， a lightweight multi- scale cross channel attention coal flow detection network is proposed. The network consists of a feature extraction network and a classification network. The lightweight residual network ResNet18 is used as the feature extraction network， and on this basis， the coal flow channel attention （CFCA） subnetwork is introduced. The CFCA subnetwork uses multiple one-dimensional convolutions with different kernel sizes， and stacks the output of one-dimensional convolution to capture cross channel interaction relationships at different scales in the feature map. It achieves the reassignment of feature map weights， thereby improving semantic expression capability of the feature extraction network. The classification network consists of three fully connected layers， which take the output of the vectorized feature extraction network as input and perform nonlinear mapping on it. It ultimately obtains the probability distribution of three types of results："little coal"， "moderate coal"， and "much coal". By transforming the coal flow detection problem into an image classification problem， the problem of frequent frequency conversion and speed regulation of belt conveyors caused by excessive fluctuations in instantaneous coal flow is avoided. It improves stability of belt conveyor operation. The experimental results show that the ResNet18+CFCA network improves classification accuracy by 1.6% compared to the ResNet18 network， with almost no increase in network parameters and computational complexity. It can distinguish foreground information in images more effectively and accurately extract coal flow features.

Key words： belt conveyor; coal flow detection; image classification; lightweight; multi scale cross channel attention; residual network

0 引言

帶式輸送機(jī)因其運(yùn)輸距離遠(yuǎn)、運(yùn)載能力強(qiáng)、結(jié)構(gòu)簡(jiǎn)單、易于維護(hù)等特點(diǎn)，廣泛應(yīng)用于煤炭運(yùn)輸過(guò)程中[1-3]。帶式輸送機(jī)是煤礦最主要的耗能設(shè)備之一，其工作負(fù)荷占整個(gè)礦井工作負(fù)荷的30%左右。但由于煤礦開(kāi)采過(guò)程的不均衡性，帶式輸送機(jī)經(jīng)常處于“大馬拉小車(chē)”的運(yùn)行狀態(tài)，造成大量電能浪費(fèi)和設(shè)備損耗[4-6]。為提高帶式輸送機(jī)運(yùn)行效率，煤礦企業(yè)已陸續(xù)開(kāi)展對(duì)帶式輸送機(jī)的改造升級(jí)[7]。其中，應(yīng)用最廣泛的方案是將帶式輸送機(jī)運(yùn)行狀態(tài)從工頻定速升級(jí)為變頻調(diào)速[8]。但變頻調(diào)速只是賦予了帶式輸送機(jī)根據(jù)載荷進(jìn)行速度調(diào)節(jié)的一種能力，而釋放這種能力的關(guān)鍵是準(zhǔn)確感知帶式輸送機(jī)煤流量。

帶式輸送機(jī)煤流檢測(cè)方法整體上可分為接觸式和非接觸式2種。接觸式檢測(cè)方法中應(yīng)用較廣泛的是電子膠帶秤[9]，但受稱(chēng)重拖輥非準(zhǔn)直度、膠帶張力及運(yùn)行阻力等因素影響，在長(zhǎng)期使用過(guò)程中傳感器損耗嚴(yán)重，導(dǎo)致實(shí)時(shí)性變差，檢測(cè)結(jié)果準(zhǔn)確性較差。因此非接觸式檢測(cè)方法逐漸成為研究熱點(diǎn)。文獻(xiàn)[10]使用單線(xiàn)激光雷達(dá)獲取煤流截面的二維輪廓，進(jìn)而估計(jì)出煤流的截面積，從而實(shí)現(xiàn)煤流檢測(cè)。文獻(xiàn)[11]提出了一種基于雙激光雷達(dá)的帶式輸送機(jī)煤流量檢測(cè)系統(tǒng)，使用2個(gè)激光雷達(dá)測(cè)量煤流輪廓，提高了煤流量檢測(cè)的準(zhǔn)確性。文獻(xiàn)[12]使用激光的 Ohta 顏色特征構(gòu)建煤流輪廓線(xiàn)，計(jì)算煤流梯形截面積，從而獲得煤流量。上述文獻(xiàn)都是用激光進(jìn)行點(diǎn)或線(xiàn)的掃描，容易受外界環(huán)境影響，產(chǎn)生較大干擾；同時(shí)激光儀價(jià)格昂貴，限制了其推廣。利用相機(jī)獲取煤流信息的方法因成本低、抗干擾能力強(qiáng)、獲取信息量豐富，逐漸受到人們關(guān)注。文獻(xiàn)[13]使用激光三角法與雙目視覺(jué)結(jié)合的線(xiàn)激光雙目立體檢測(cè)方法，對(duì)帶式輸送機(jī)上的煤流動(dòng)態(tài)體積進(jìn)行測(cè)量，并計(jì)算得出煤流量。文獻(xiàn)[14]使用單目相機(jī)結(jié)合激光線(xiàn)條紋的圖像采集方案，用以實(shí)現(xiàn)煤流檢測(cè)。文獻(xiàn)[15]使用線(xiàn)激光來(lái)輔助相機(jī)進(jìn)行帶式輸送機(jī)上煤流的三維信息采集和重建工作，可提高煤流檢測(cè)精度。但這些方法需要人工設(shè)計(jì)圖像特征，而人工設(shè)計(jì)圖像特征的通用性并不佳。

近年來(lái)，隨著深度學(xué)習(xí)迅猛發(fā)展，基于深度學(xué)習(xí)的帶式輸送機(jī)煤流檢測(cè)方法因其能利用卷積神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)圖像特征，在煤流檢測(cè)領(lǐng)域被逐步推廣。文獻(xiàn)[16]借助圖像分類(lèi)網(wǎng)絡(luò)中的視覺(jué)幾何組網(wǎng)絡(luò)（Visual Geometry Group Net，VGGNet），實(shí)現(xiàn)對(duì)煤流的離散性檢測(cè)。文獻(xiàn)[17]提出了一種基于編碼器?解碼器融合架構(gòu)的網(wǎng)絡(luò)模型，先提取不同層次的煤流特征信息，再進(jìn)行特征融合，實(shí)現(xiàn)了對(duì)帶式輸送機(jī)的煤流檢測(cè)。

然而，上述方法難以在模型輕量化和分類(lèi)準(zhǔn)確度之間達(dá)到平衡，且很少考慮在特征提取過(guò)程中通道權(quán)重分布不平衡對(duì)檢測(cè)準(zhǔn)確度的影響。因此，本文提出了一種輕量化的多尺度跨通道注意力煤流檢測(cè)網(wǎng)絡(luò)。選取殘差網(wǎng)絡(luò)（Residual Network，ResNet）[18]中輕量級(jí)的 ResNet18作為特征提取網(wǎng)絡(luò)，并在 ResNet18中嵌入煤流通道注意力（Coal Flow Channel Attention，CFCA）子網(wǎng)絡(luò)，可有效捕獲特征圖中不同尺度的跨通道交互關(guān)系，實(shí)現(xiàn)對(duì)特征圖中通道權(quán)重的重新分配，從而提高特征提取網(wǎng)絡(luò)的語(yǔ)義表達(dá)能力。另外，采用離散化處理將煤流分為“煤少”、“煤適中”、“煤多”3個(gè)等級(jí)，從而將煤流檢測(cè)問(wèn)題轉(zhuǎn)換為圖像分類(lèi)問(wèn)題，避免因瞬時(shí)煤流量波動(dòng)較大、帶式輸送機(jī)頻繁變頻調(diào)速導(dǎo)致運(yùn)行狀態(tài)不穩(wěn)定的問(wèn)題。

1 基本理論

1.1 ResNet

ResNet是深度學(xué)習(xí)領(lǐng)域廣泛采用的一種卷積神經(jīng)網(wǎng)絡(luò)，根據(jù)卷積層數(shù)目的不同，ResNet可分為 ResNet18， ResNet34， ResNet50， ResNet101和 ResNet152。為了提高網(wǎng)絡(luò)運(yùn)行效率，本文采用輕量化的 ResNet18作為特征提取網(wǎng)絡(luò)，其結(jié)構(gòu)如圖1所示。

ResNet18工作流程：首先，輸入圖像依次通過(guò)一個(gè)7×7卷積層、最大池化層、卷積層1（Conv1）、卷積層2（Conv2）、卷積層3（Conv3）、卷積層4（Conv4），以進(jìn)行相應(yīng)的特征提取，其中 Conv1和 Conv4均由2個(gè) Basic Block Ⅰ組成；Conv2和 Conv3 均由1個(gè) Basic Block Ⅰ和1個(gè) Basic Block Ⅱ組成；然后，將 Conv4輸出的特征圖通過(guò)全局平均池化后送入全連接層；最后，將全連接層的輸出送入softmax層，進(jìn)行分類(lèi)概率輸出。

1.2 通道注意力機(jī)制

在深度學(xué)習(xí)中，通道注意力機(jī)制作為視覺(jué)注意力機(jī)制中的一種，其引入的參數(shù)量和計(jì)算復(fù)雜度都相對(duì)較小，可忽略不計(jì)，同等條件下有更高的運(yùn)行效率，因此被廣泛應(yīng)用。通道注意力機(jī)制更多地采用全連接操作來(lái)提取全局之間的通道相互關(guān)系，并以此作為權(quán)重分配的依據(jù)。常用的通道注意力機(jī)制包括壓縮與激勵(lì)網(wǎng)絡(luò)（Squeeze-and-Excitation Networks，SENet）[19]和高效通道注意力網(wǎng)絡(luò)（Efficient Channel Attention Network，ECANet）[20]。ECANet相較于SENet，擁有更高效的跨通道交互能力，且網(wǎng)絡(luò)復(fù)雜度更小，更加輕量級(jí)。ECANet通過(guò)一維卷積即可實(shí)現(xiàn)通道權(quán)重的分配，但ECANet采用的是固定大小的卷積核，對(duì)通道權(quán)重的分配并不均衡。

本文基于ECANet的思想，提出 CFCA 子網(wǎng)絡(luò)，采用多個(gè)卷積核大小不同的一維卷積來(lái)獲取特征圖中不同尺度的跨通道交互關(guān)系，以增強(qiáng)網(wǎng)絡(luò)的特征提取能力。

2 輕量化的多尺度跨通道注意力煤流檢測(cè)網(wǎng)絡(luò)

輕量化的多尺度跨通道注意力煤流檢測(cè)網(wǎng)絡(luò)主要由特征提取網(wǎng)絡(luò)和分類(lèi)網(wǎng)絡(luò)組成，如圖2所示。

特征提取網(wǎng)絡(luò)采用 ResNet18網(wǎng)絡(luò)的 Conv1— Conv4部分，用于實(shí)現(xiàn)對(duì)輸入煤流圖像的特征提取，以獲取其高級(jí)語(yǔ)義信息。此外，將 CFCA 子網(wǎng)絡(luò)嵌入在特征提取網(wǎng)絡(luò)中，沿著通道維度對(duì)特征圖的權(quán)重進(jìn)行重新分配，以提高特征提取網(wǎng)絡(luò)的語(yǔ)義表達(dá)能力。分類(lèi)網(wǎng)絡(luò)由3個(gè)全連接層構(gòu)成，其將向量化的特征提取網(wǎng)絡(luò)的輸出作為輸入，并對(duì)其進(jìn)行非線(xiàn)性映射，最終得到“煤少”、“煤適中”、“煤多”3類(lèi)結(jié)果的概率分布。

2.1 CFCA 子網(wǎng)絡(luò)

CFCA 子網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

對(duì)于任意的輸入特征圖X 2 RHxWxC（H，W，C分別為 X 在高、寬和通道維度上的取值），CFCA 子網(wǎng)絡(luò)沿著通道維度C對(duì)其進(jìn)行全局平均池化，結(jié)果為

式中：X12 R1x1xC；GGAP （·）為全局平均池化操作。

CFCA 子網(wǎng)絡(luò)對(duì)X1進(jìn)行不同卷積核大小下的一維卷積運(yùn)算，并對(duì)運(yùn)算結(jié)果求和，得

X2=ΣCco（K）nv （X1）???? （2）

式中：X22 R1x1xC；Cco（K）nv （·）為不同卷積核大小K下的一維卷積運(yùn)算。

之后 CFCA 子網(wǎng)絡(luò)對(duì)X2使用 sigmoid 函數(shù)激活，得到的新的特征圖通道權(quán)重分布為

P1=σ（X2）?????? （3）

式中： P12 R1x1xC；σ（·）為 sigmoid 函數(shù)。

經(jīng) CFCA 子網(wǎng)絡(luò)通道權(quán)重分配后的特征提取網(wǎng)絡(luò)輸出為

Xout = X P1?????????? （4）

式中：Xout 2 RHxWxC；為通道權(quán)重與特征對(duì)應(yīng)通道加權(quán)乘積運(yùn)算符。

不同于SENet和ECANet，CFCA 子網(wǎng)絡(luò)借鑒了特征金字塔網(wǎng)絡(luò)[21]的思想，采用多個(gè)卷積核大小不同的一維卷積，用于捕獲特征圖中通道間多尺度的相互依賴(lài)關(guān)系。另外，通過(guò)對(duì)一維卷積的輸出進(jìn)行堆疊，實(shí)現(xiàn)對(duì)特征圖通道權(quán)重的重新分配，可有效提升特征圖中煤流區(qū)域的響應(yīng)值，并抑制無(wú)關(guān)的背景信息，從而提高網(wǎng)絡(luò)的抗干擾能力。

2.2 損失函數(shù)

本文使用的總損失函數(shù)為多分類(lèi)交叉熵?fù)p失函數(shù)，其表達(dá)式為

L = [yc（j）lny（?）c（j）+（1一yc（j）） ln（1一 y（?）c（j））]（5）

式中：yc（j）為第j（j=1，2，··· ， N，N 為訓(xùn)練的樣本總數(shù)）個(gè)樣本對(duì)應(yīng)第 c（c=1，2，··· ， M，M 為類(lèi)別總數(shù)，本文中M=3）個(gè)類(lèi)別的真實(shí)值；y（?）c（j）為經(jīng)過(guò)softmax函數(shù)輸出得到的第j 個(gè)樣本對(duì)應(yīng)第 c 個(gè)類(lèi)別的預(yù)測(cè)值。

3 實(shí)驗(yàn)結(jié)果及分析

3.1 實(shí)驗(yàn)環(huán)境

硬件平臺(tái)中 CPU 為 Intel Core i7?12700，內(nèi)存為32 GiB，GPU 為 RTX 3080，顯存為12 GiB，操作系統(tǒng)為 Ubuntu 18.04.6 LTS，深度學(xué)習(xí)框架采用PyTorch 1.13。本文采用的數(shù)據(jù)集從焦作煤業(yè)（集團(tuán)）有限責(zé)任公司九里山礦獲取，其中訓(xùn)練數(shù)據(jù)集包括18119張圖像，測(cè)試數(shù)據(jù)集包括7891張圖像。

在網(wǎng)絡(luò)訓(xùn)練過(guò)程中，設(shè)置每批次輸入圖像的張數(shù)（batch size）為16，迭代次數(shù)（epoch）為200。

3.2 網(wǎng)絡(luò)參數(shù)選取

為研究使用不同卷積核大小的一維卷積對(duì) CFCA 子網(wǎng)絡(luò)效果的影響，將 CFCA 子網(wǎng)絡(luò)嵌入在 ResNet18網(wǎng)絡(luò)的 Conv4之后，且 CFCA 子網(wǎng)絡(luò)所采用的一維卷積核大小分別為3，5，7，9，結(jié)果見(jiàn)表1。當(dāng) K=3時(shí)，表示 CFCA 子網(wǎng)絡(luò)僅采用1個(gè)卷積核大小為3的一維卷積；當(dāng) K=3，5時(shí)，表示 CFCA 子網(wǎng)絡(luò)采用2個(gè)卷積核大小分別為3，5的一維卷積；當(dāng) K=3，5，7時(shí)，表示 CFCA 子網(wǎng)絡(luò)采用3個(gè)卷積核大小分別為3，5，7的一維卷積；當(dāng) K=3，5，7，9時(shí)，表示 CFCA 子網(wǎng)絡(luò)采用4個(gè)卷積核大小分別為3，5，7，9的一維卷積。

由表1可知，當(dāng) CFCA 子網(wǎng)絡(luò)采用3個(gè)卷積核大小分別為3，5，7的一維卷積時(shí)，網(wǎng)絡(luò)的分類(lèi)準(zhǔn)確率最高。

為獲取 CFCA 子網(wǎng)絡(luò)嵌入到 ResNet18網(wǎng)絡(luò)的最佳位置，進(jìn)行了消融實(shí)驗(yàn)，結(jié)果見(jiàn)表2。

從表2可看出，將 CFCA 子網(wǎng)絡(luò)嵌入在 ResNet18網(wǎng)絡(luò)的 Conv3和 Conv4之間及 Conv4之后的效果最好。這是由于在網(wǎng)絡(luò)的淺層，獲取的多為結(jié)構(gòu)化特征（如角點(diǎn)、邊緣等），此時(shí)對(duì)特征圖各個(gè)通道進(jìn)行權(quán)重的重新分配，只是對(duì)角點(diǎn)和邊緣等特征進(jìn)行了重新組合，對(duì)分類(lèi)準(zhǔn)確率的提升有限；但在網(wǎng)絡(luò)的深層，捕獲的多為目標(biāo)的語(yǔ)義化信息，此時(shí)對(duì)特征圖的各個(gè)通道進(jìn)行權(quán)重分配，可實(shí)現(xiàn)對(duì)特征圖中前景目標(biāo)的增強(qiáng)和背景區(qū)域的抑制，從而提高分類(lèi)準(zhǔn)確率。

3.3 對(duì)比實(shí)驗(yàn)

為驗(yàn)證 CFCA 子網(wǎng)絡(luò)的有效性，將其與SENet、ECANet通道注意力網(wǎng)絡(luò)進(jìn)行對(duì)比，三者在 ResNet18 網(wǎng)絡(luò)中的位置及實(shí)驗(yàn)參數(shù)均一致，結(jié)果見(jiàn)表3。

由表3可知，相對(duì)于 ResNet18網(wǎng)絡(luò)，ResNet18+ CFCA 子網(wǎng)絡(luò)在增加的參數(shù)量和計(jì)算復(fù)雜度可忽略不計(jì)的條件下，對(duì)煤流檢測(cè)的準(zhǔn)確率提升了1.6%。這是由于 CFCA 子網(wǎng)絡(luò)可在不同的局部范圍內(nèi)建模通道特征的依賴(lài)關(guān)系，并在此基礎(chǔ)上進(jìn)行通道權(quán)重的分配，有助于網(wǎng)絡(luò)抑制煤流的背景信息，并突出煤流信息，從而提高分類(lèi)準(zhǔn)確率。

不同網(wǎng)絡(luò)訓(xùn)練時(shí)的損失函數(shù)曲線(xiàn)如圖4所示（由于ECANet是 CFCA 子網(wǎng)絡(luò)中 K=3時(shí)的特例，所以圖4中并未涉及 ResNet18+ECANet 的損失函數(shù)曲線(xiàn)）?？煽闯?ResNet18+CFCA 網(wǎng)絡(luò)的損失函數(shù)收斂速度與 ResNet18基本保持一致，表明在增加 CFCA 子網(wǎng)絡(luò)的情況下，ResNet18+CFCA 網(wǎng)絡(luò)仍能保持快速收斂。

對(duì)特征提取網(wǎng)絡(luò)的最后一個(gè)卷積層輸出的特征圖進(jìn)行可視化輸出，ResNet18+CFCA 和原始的 ResNet18對(duì)比結(jié)果如圖5所示（圖中顏色較亮的地方對(duì)應(yīng)更大的響應(yīng)值）?？煽闯?ResNet18+CFCA 網(wǎng)絡(luò)可以更加有效地區(qū)分圖像中的前景信息，同時(shí)抑制背景因素對(duì)前景信息的影響，從而更加準(zhǔn)確地提取煤流特征。

4 結(jié)論

1）輕量化的多尺度跨通道注意力煤流檢測(cè)網(wǎng)絡(luò)由特征提取網(wǎng)絡(luò)和分類(lèi)網(wǎng)絡(luò)組成。在特征提取網(wǎng)絡(luò) ResNet18的基礎(chǔ)上嵌入 CFCA 子網(wǎng)絡(luò)，可從圖像中提取出更多的前景信息，從而更加準(zhǔn)確地提取煤流特征。在分類(lèi)網(wǎng)絡(luò)中，通過(guò)3個(gè)全連接層對(duì)特征提取網(wǎng)絡(luò)的輸出進(jìn)行非線(xiàn)性映射，最終得到“煤少”、“煤適中”、“煤多”3類(lèi)結(jié)果的概率分布。

2）CFCA 子網(wǎng)絡(luò)使用不同卷積核大小的一維卷積，能夠有效捕獲特征圖中多尺度的通道間相互依賴(lài)關(guān)系，提升了網(wǎng)絡(luò)的抗干擾能力。

3）實(shí)驗(yàn)結(jié)果表明，輕量化的多尺度跨通道注意力煤流檢測(cè)網(wǎng)絡(luò)在幾乎不增加網(wǎng)絡(luò)參數(shù)量和計(jì)算復(fù)雜度的情況下，具有更好的煤流檢測(cè)效果，能夠滿(mǎn)足工業(yè)部署的需求。

參考文獻(xiàn)（References）：

[1] 王海軍，王洪磊.帶式輸送機(jī)智能化關(guān)鍵技術(shù)現(xiàn)狀與展望[J].煤炭科學(xué)技術(shù)，2022，50（12）：225-239.

WANG Haijun，WANG Honglei. Status and prospect of intelligent key technologies of belt conveyor[J]. Coal Science and Technology，2022，50（12）：225-239.

[2] 張志軍.基于變頻技術(shù)的煤礦帶式輸送機(jī)節(jié)能控制系統(tǒng)研究[J].能源與環(huán)保，2023，45（7）：210-215.

ZHANG Zhijun. Research on energy-saving control system of coal mine belt conveyor based on frequency conversion? technology[J]. China? Energy? and Environmental Protection，2023，45（7）：210-215.

[3] 李阿紅.基于圖像處理的礦用帶式輸送機(jī)系統(tǒng)設(shè)計(jì)及其能效分析[J].能源與環(huán)保，2023，45（7）：228-232，238.

LI Ahong. Design and energy efficiency analysis of mining belt conveyor system based? on image processing[J]. China Energy and Environmental Protection，2023，45（7）：228-232，238.

[4] 王志廣，王朋飛.變頻控制系統(tǒng)在礦用帶式輸送機(jī)中的應(yīng)用[J].能源與環(huán)保，2021，43（9）：255-259，265.

WANG Zhiguang， WANG Pengfei. Application of frequency conversion control system in belt conveyorused in mine[J]. China Energy and Environmental Protection，2021，43（9）：255-259，265.

[5] 李亞飛.變頻節(jié)能控制系統(tǒng)在帶式輸送機(jī)中的應(yīng)用研究[J].石化技術(shù)，2023，30（6）：297-298.

LI Yafei. Research on the application of frequency conversion and energy saving control system in belt conveyor[J]. Petrochemical? Industry? Technology，2023，30（6）：297-298.

[6] 于林海. 帶式輸送機(jī)能耗優(yōu)化控制系統(tǒng)設(shè)計(jì)與應(yīng)用[J].石化技術(shù)，2023，30（5）：249-250.

YU Linhai. Design and application of optimised control system for energy consumption of belt conveyor[J]. Petrochemical Industry Technology，2023，30（5）：249-250.

[7] 王文龍. 煤礦帶式輸送機(jī)智能化控制系統(tǒng)技術(shù)應(yīng)用[J].機(jī)械管理開(kāi)發(fā)，2023，38（5）：217-218，223.

WANG Wenlong. Intelligent control system technology application for coal mine belt conveyor[J]. Mechanical Management and Development，2023，38（5）：217-218，223.

[8] 王桂忠，葉隆浩.基于煤流量識(shí)別的帶式輸送機(jī)節(jié)能控制系統(tǒng)設(shè)計(jì)與研究[J].煤礦機(jī)械，2023，44（1）：14-17.

WANG Guizhong，YE Longhao. Design and research of belt conveyor energy-saving control system based on coal flow recognition[J]. Coal Mine Machinery，2023，44（1）：14-17.

[9] 張少賓，蔣衛(wèi)良，芮豐.礦用帶式輸送機(jī)輸送量測(cè)量方法現(xiàn)狀及發(fā)展趨勢(shì)[J].工礦自動(dòng)化，2019，45（5）：100-103.

ZHANG Shaobin，JIANG Weiliang，RUI Feng. Current status and development trend of measuring methods of conveying capacity of mine-used belt conveyor[J]. Industry and Mine Automation，2019，45（5）：100-103.

[10] 姜玉峰，張立亞，李標(biāo)，等.基于單線(xiàn)激光雷達(dá)的帶式輸送機(jī)煤流量檢測(cè)研究[J].煤礦機(jī)械，2022，43（8）：151-153.

JIANG Yufeng，ZHANG Liya，LI Biao，et al. Study on coal flow detection of belt conveyor based on single-line LiDAR[J]. Coal Mine Machinery，2022，43（8）：151-153.

[11] 于海里，孫立超，左勝，等.基于雙激光雷達(dá)的帶式輸送機(jī)煤流量檢測(cè)系統(tǒng)[J].工礦自動(dòng)化，2023，49（7）：27-34，59.

YU Haili，SUN Lichao，ZUO Sheng，et al. Coal flow detection system for belt conveyor based on dual lidar[J]. Journal of Mine Automation，2023，49（7）：27-34，59.

[12] 關(guān)丙火.基于激光掃描的帶式輸送機(jī)瞬時(shí)煤量檢測(cè)方法[J].工礦自動(dòng)化，2018，44（4）：20-24.

GUAN Binghuo. Detection method of instantaneous coal quantity of belt conveyor based on laser scanning[J]. Industry and Mine Automation，2018，44（4）：20-24.

[13] 崔振國(guó).基于機(jī)器視覺(jué)的帶式輸送機(jī)煤量監(jiān)測(cè)系統(tǒng)研究[D].徐州：中國(guó)礦業(yè)大學(xué)，2021.

CUI Zhenguo. Study on coal quantity monitoring system of belt conveyor based on machine vision[D]. Xuzhou： China University of Mining and Technology，2021.

[14] 李學(xué)暉.基于機(jī)器視覺(jué)和深度學(xué)習(xí)的帶式輸送機(jī)煤量識(shí)別方法研究[D].邯鄲：河北工程大學(xué)，2022.

LI Xuehui. Research on coal quantity identification method of belt conveyor based on machine vision and deep learning[D]. Handan： Hebei University of Engineering，2022.

[15] 袁敦鵬.基于三維點(diǎn)云的帶式輸送機(jī)跑偏及堆煤監(jiān)測(cè)技術(shù)研究[D].徐州：中國(guó)礦業(yè)大學(xué)，2022.

YUAN Dunpeng. Study on the belt conveyor deviation and coal stacking monitoring based on three-dimensional point cloud[D]. Xuzhou：China University of Mining and Technology，2022.

[16] 王桂梅，李學(xué)暉，楊立潔，等.基于深度學(xué)習(xí)的永磁直驅(qū)帶式輸送機(jī)煤量檢測(cè)方法研究[J].煤炭技術(shù)，2022，41（1）：188-190.

WANG Guimei， LI Xuehui， YANG Lijie， et al. Research on coal quantity detection method of permanent magnet direct drive belt conveyor based on deep learning[J]. Coal Technology，2022，41（1）：188-190.

[17] 成彥穎.煤礦井下傳送帶智能輸煤檢測(cè)的研究[D].太原：太原科技大學(xué)，2021.

CHENG Yanying. Research on intelligent coal conveying detection of underground conveyor belt in coal mine[D]. Taiyuan：Taiyuan University of Science and Technology，2021.

[18] XI Tianyu，WANG Jiangning，HAN Yan，et al. Multiple butterfly recognition based on deep residual learning and image analysis[J]. Entomological Research，2022，52（1）：44-53.

[19] HU Jie，SHEN Li，SUN Gang. Squeeze-and-excitation networks[C]. IEEE/CVF Conference on Computer Vision and Pattern Recognition，Salt Lake City，2018. DOI：10.1109/CVPR.2018.00745.

[20] WANG Qilong，WU Banggu，ZHU Pengfei，et al. ECA- Net：efficient channel attention for deep convolutional neural networks[C]. IEEE/CVF? Conference? on Computer Vision and Pattern Recognition，Seattle，2020. DOI：10.1109/CVPR42600.2020.01155.

[21] WANG Chengyang，ZHONG Caiming. Adaptive feature pyramid networks for object detection[J]. IEEE Access，2021，9：107024-107032.