于濤

摘要：為了提高帶式輸送機(jī)大塊煤識(shí)別的準(zhǔn)確率，避免大塊煤堆積對(duì)皮帶造成的磨損，延長輸送機(jī)的使用壽命，提出了基于透視變換和SNc-YOLOv5的大塊煤識(shí)別方法，該方法首先利用透視變換技術(shù)對(duì)原始圖像進(jìn)行處理，有效地將圖像中的非輸送機(jī)區(qū)域?yàn)V除，并對(duì)輸送機(jī)區(qū)域進(jìn)行坐標(biāo)矯正；然后，采用SNc-YOLOv5模型對(duì)經(jīng)過標(biāo)準(zhǔn)化處理的圖像進(jìn)行深度學(xué)習(xí)建模，得到大塊煤識(shí)別模型；最后，通過試驗(yàn)分析和現(xiàn)場(chǎng)應(yīng)用對(duì)該方法進(jìn)行有效性驗(yàn)證。結(jié)果表明：該方法在1號(hào)煤礦數(shù)據(jù)集的試驗(yàn)分析精確率為94.8%，召回率為83.2%，在2號(hào)煤礦數(shù)據(jù)集的試驗(yàn)分析精確率為92.8%，召回率為85.3%，現(xiàn)場(chǎng)應(yīng)用置信度達(dá)到0.9，與其他方法進(jìn)行比較，精確率和召回率指標(biāo)均優(yōu)于其他方法；該方法在圖像預(yù)處理階段提取帶式輸送機(jī)區(qū)域?qū)D像進(jìn)行標(biāo)準(zhǔn)化，僅對(duì)感興趣區(qū)域進(jìn)行處理，提高了大塊煤識(shí)別的準(zhǔn)確率。該算法部署到某煤礦現(xiàn)場(chǎng)，能夠?qū)崿F(xiàn)實(shí)時(shí)監(jiān)測(cè)，為帶式輸送機(jī)的安全運(yùn)行和延長使用壽命提供了有力保障。

關(guān)鍵詞：大塊煤識(shí)別；帶式輸送機(jī)；透視變換；圖像標(biāo)準(zhǔn)化

中圖分類號(hào)：TD 712文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1672-9315（2024）01-0054-10

DOI：10.13800/j.cnki.xakjdxxb.2024.0106開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

Application of large block coal recognition method based on perspective transformation and SNc-YOLOv5

YU? Tao

（National Energy Group Xinjiang Energy Co.，Ltd.，Xinjiang Urumqi 830011，China）

Abstract：To enhance the precision of identifying large coal chunks in belt conveyors，mitigate belt wear from coal accumulation and? ?increase the longevity of belt conveyors，a novel method rooted in perspective transformation and SNc-YOLOv5 was proposed.Firstly，the perspective transformation was utilized to refine the original image，successfully omitting areas unrelated to the conveyor and adjusting the conveyors coordinates.Then，the SNc-YOLOv5 model was undertaken to establish deep learning model on these standardized images，yielding a model adept at recognizing large block coal.The efficacy of this approach was confirmed through both test analysis and on-site application.The results show that? the precision rate on the dataset of? Mine 1 is 94.8%，with a recall rate of 83.2%，while on Mine 2s dataset，the precision rate is 92.8%，with a recall rate of 85.3%.In field applications，the confidence level reaches 0.9，compared? with alternative techniques，this method outperforms in terms of both accuracy and recall.By focusing on the conveyor region during image preprocessing，the method not only standardizes the image but also elevates the precision of large block coal? identification，which thus continuous real-time surveillance，fortifying the safety and longevity of belt conveyors.

Key words：large block coal? identification；belt conveyor；perspective transformation；normalisation

0引言

中國作為全球最大的產(chǎn)煤國和煤炭消費(fèi)國，煤礦的安全開采與運(yùn)輸顯得十分重要。國家8部委發(fā)布的《煤礦智能化建設(shè)指南2021版》[1-2]，提出科學(xué)、規(guī)范、有序地推進(jìn)礦井智能化建設(shè)，加快建成一批不同類型、不同模式的智能化礦井，其中帶式輸送機(jī)智能化檢測(cè)是智能化礦井的重要組成部分[3]。礦井下開采環(huán)境復(fù)雜，煤礦開采過程中往往會(huì)出現(xiàn)未被充分破碎的大塊煤，大塊煤是指粒度>50 mm的煤塊[4]。若大塊煤在運(yùn)輸過程中未被及時(shí)分揀出來，容易導(dǎo)致帶式輸送機(jī)的輸送帶出現(xiàn)易位、撕裂等問題，影響安全生產(chǎn)[5-6]。因此，在帶式輸送機(jī)運(yùn)輸煤流的過程中，對(duì)大塊煤進(jìn)行實(shí)時(shí)檢測(cè)并報(bào)警具有重要意義。通過推動(dòng)帶式輸送機(jī)的智能化檢測(cè)，輸送帶能夠更加高效、安全地進(jìn)行煤炭運(yùn)輸，提高輸送機(jī)的使用壽命。

近年來，在煤礦開采智能化的趨勢(shì)下，煤礦井下已逐步實(shí)現(xiàn)監(jiān)控?cái)z像覆蓋，以供工作人員實(shí)時(shí)監(jiān)控[7]。隨著機(jī)器視覺和目標(biāo)檢測(cè)模型的發(fā)展，許多學(xué)者對(duì)大塊煤識(shí)別進(jìn)行了研究，張維等指出攝像機(jī)角度和相對(duì)位置會(huì)導(dǎo)致相鄰幀同一塊煤塊尺寸不一致的透視問題[8]；PU等基于VGG16網(wǎng)絡(luò)和遷移學(xué)習(xí)的思想，建立了異物識(shí)別模型，并表現(xiàn)出了較好的準(zhǔn)確性；但模型的適用范圍可能受到物體大小、光照等因素的限制，無法適用于其他物體的圖像識(shí)別[9]；程健等考慮到輸送機(jī)背景對(duì)煤識(shí)別目標(biāo)的干擾，利用改進(jìn)的高斯混合模型去除背景的影響，但該方法易受粉塵、煤灰等干擾，誤報(bào)較多[10]；吳守鵬等提出的雙向特征金字塔網(wǎng)絡(luò)對(duì)大塊煤識(shí)別問題進(jìn)行優(yōu)化，通過構(gòu)建雙向特征金字塔網(wǎng)絡(luò)來提取更具有代表性的特征，并且在網(wǎng)絡(luò)結(jié)構(gòu)上進(jìn)行了一些改進(jìn)，從而使得該方法表現(xiàn)出了較高的準(zhǔn)確率，但該文獻(xiàn)所用數(shù)據(jù)集圖像數(shù)量較少，模型泛化性較差[11]；WANG等在SSD檢測(cè)算法的基礎(chǔ)上，通過改進(jìn)損失函數(shù)和優(yōu)化錨框比例等方式，實(shí)現(xiàn)了對(duì)礦井輸送帶上煤的識(shí)別，但算法復(fù)雜程度較高，計(jì)算量較大[12]；郝帥等提出一種融合卷積塊注意力模型的YOLOv5目標(biāo)檢測(cè)算法，對(duì)所選樣本的準(zhǔn)確率達(dá)到了94.7%，但對(duì)數(shù)據(jù)集的預(yù)處理效果不理想，環(huán)境干擾較為嚴(yán)重[13]；SONG等提出了一種基于改進(jìn)的YOLOv5模型的大塊煤檢測(cè)方法，該方法使用了Mosaic數(shù)據(jù)增強(qiáng)方法、SENet注意力模塊和BiFPN加權(quán)特征金字塔融合方法，以提高檢測(cè)精度和收斂速度，但該模型對(duì)于煤的形態(tài)和顏色變化較大的情況下，會(huì)出現(xiàn)誤檢或漏檢情況[14]。

現(xiàn)有研究在礦井下煤的識(shí)別已經(jīng)有較高的準(zhǔn)確性，但進(jìn)行驗(yàn)證的數(shù)據(jù)集數(shù)量較少，針對(duì)礦井下攝像頭與輸送帶的角度和相對(duì)位置引起的相鄰幀的圖像上同一塊大塊煤尺寸一致問題相關(guān)研究較少。為了解決這些問題，提出了基于坐標(biāo)校正和SNc-YOLOv5的煤礦帶式輸送機(jī)大塊煤識(shí)別方法。該方法首先采用透視變換對(duì)圖像進(jìn)行坐標(biāo)校正，對(duì)數(shù)據(jù)集圖像進(jìn)行標(biāo)準(zhǔn)化處理，排除復(fù)雜背景和攝像頭角度的干擾，然后對(duì)YOLOv5模型的Neck網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行改進(jìn)，采用改進(jìn)后的SNc-YOLOv5模型進(jìn)行大塊煤識(shí)別。為了驗(yàn)證該方法的有效性，采用內(nèi)蒙某煤礦的帶式輸送機(jī)工作的監(jiān)控視頻進(jìn)行試驗(yàn)驗(yàn)證，并將該算法應(yīng)用到現(xiàn)場(chǎng)進(jìn)行實(shí)時(shí)驗(yàn)證。

1理論基礎(chǔ)

1.1透視變換

透視變換是一種將二維圖像投影到三維視平面上，再轉(zhuǎn)換到二維坐標(biāo)下的變換方式[15]。通過透視中心、像點(diǎn)和目標(biāo)點(diǎn)三點(diǎn)共線的條件，按照透視旋轉(zhuǎn)定律，使透視面繞透視軸旋轉(zhuǎn)某一角度，從而破壞原有的投影光線束，并保持承影面上投影幾何圖形不變。透視變換的原理如圖1所示。

像素空間點(diǎn)（，）經(jīng)過透視變換映射到世界坐標(biāo)系（X，Y，Z）下，如圖2所示，將攝像頭范圍內(nèi)的輸送機(jī)質(zhì)心與地面垂直接觸點(diǎn)看作世界坐標(biāo)系的原點(diǎn)O，其中X為攝像頭的視角方向，Z軸為攝像頭透視方向，h為攝像頭位置到世界坐標(biāo)系原點(diǎn)O的垂直距離，P為攝像頭光學(xué)中心，（，）為用以定位到圖像中某個(gè)確定的像素點(diǎn)，m、n分別為圖像的寬度和高度。

像素空間表示（，）與圖像空間表示（，）實(shí)際上是同一個(gè)位置，將像素坐標(biāo)映射到世界坐標(biāo)系時(shí)需要轉(zhuǎn)換單位，兩者之間通過式（1）和（2）可進(jìn)行轉(zhuǎn)換。

u（c）=n2+kc（1）

v（r）=m2-kc（2）

式中m，n分別為圖像的寬度和高度；c，r分別為該像素點(diǎn)在現(xiàn)實(shí)圖像中的x軸、y軸大??；k為像素和距離單位之間的比例關(guān)系，即每米占多少個(gè)像素點(diǎn)。

1.2YOLOv5算法

YOLOv5是一階段目標(biāo)檢測(cè)算法，其算法模型示意如圖3所示。其顯著特征包括高精度、輕量級(jí)，同時(shí)支持多種設(shè)備和各種檢測(cè)任務(wù)[16]。YOLOv5的架構(gòu)涵蓋了Backbone網(wǎng)絡(luò)、Neck網(wǎng)絡(luò)、Head網(wǎng)絡(luò)以及損失函數(shù)，這些組件協(xié)同工作，使得算法能夠高效地對(duì)輸入圖像進(jìn)行檢測(cè)，輸出關(guān)于物體位置和類別的詳細(xì)信息。輸入端采用了Mosaic數(shù)據(jù)增強(qiáng)方式，通過隨機(jī)排布、隨機(jī)縮放和隨機(jī)裁剪等操作，將多個(gè)輸入圖片拼接在一起，以增加數(shù)據(jù)的多樣性和提升算法的魯棒性，同時(shí)還能增加數(shù)據(jù)集中小目標(biāo)的數(shù)量[17-18]。Backbone部分采用CSPDarknet53作為主干網(wǎng)絡(luò)，由卷積模塊（Conv）、瓶頸層（C3）和空間金字塔池化（SPP）等模塊構(gòu)成，用于提取圖像的特征并獲取多尺度信息。Neck部分采用了“FPN+PAN”的結(jié)構(gòu)，結(jié)合了特征金字塔和路徑聚合網(wǎng)絡(luò)，利用CSP2結(jié)構(gòu)增強(qiáng)特征的融合能力和表達(dá)能力。最后，Prediction部分使用CIOU Loss作為Bounding box的損失函數(shù)，綜合考慮目標(biāo)框的位置、大小和形狀等因素，優(yōu)化模型參數(shù)，提高目標(biāo)位置和類別的預(yù)測(cè)精度[19]。YOLOv5的網(wǎng)絡(luò)結(jié)構(gòu)通過Mosaic數(shù)據(jù)增強(qiáng)、CSPDarknet53主干網(wǎng)絡(luò)、“FPN+PAN”結(jié)構(gòu)的Neck以及CIOU Loss損失函數(shù)的預(yù)測(cè)端，實(shí)現(xiàn)了高效準(zhǔn)確的目標(biāo)檢測(cè)能力[20]。

通過調(diào)整網(wǎng)絡(luò)的深度倍數(shù)（depth_mutiple）和寬度倍數(shù)（width_mutiple）來實(shí)現(xiàn)模型參數(shù)和大小的依次增加，YOLOv5根據(jù)網(wǎng)絡(luò)結(jié)構(gòu)的深度與寬度，分為4個(gè)不同版本：YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x[21]，4種模型結(jié)構(gòu)的深度和寬度參數(shù)見表1，模型差異對(duì)比見表2。

2文中提出的方法

帶式輸送機(jī)運(yùn)輸視頻背景復(fù)雜，攝像頭角度以及同一塊煤塊在視頻中近大遠(yuǎn)小等問題會(huì)導(dǎo)致大塊煤識(shí)別準(zhǔn)確率低。為了解決這一問題，文中采用透視變換方法對(duì)圖像進(jìn)行標(biāo)準(zhǔn)化處理，將圖像矩陣與透視矩陣相乘，消除復(fù)雜背景、攝像頭角度以及煤塊在視頻中近大遠(yuǎn)小問題的影響，采用SNc-YOLOv5模型對(duì)標(biāo)準(zhǔn)化的圖像進(jìn)行模型訓(xùn)練，得到大塊煤識(shí)別模型。文中提出方法的流程如圖4所示。

2.1圖像標(biāo)準(zhǔn)化

在大塊煤標(biāo)注中，將粒度>50 mm的煤塊進(jìn)行標(biāo)注。采用DarkLable標(biāo)注工具進(jìn)行人工標(biāo)注，得到大塊煤圖像數(shù)據(jù)集。將圖像進(jìn)行標(biāo)準(zhǔn)化，其透視變換通用公式為

[x′y′z′]=T·[uvw]（3）

式中（u，v）為原始的圖像像素坐標(biāo)；w取值為1；T為透視變換矩陣，一般情況下，將其分為3部分。

T=a00a01a02

a10a11a12

a20a21a22=T1T2

T3a22（4）

式中T1=a00a01

a10a11為線性變換矩陣；T2=a02

a12為對(duì)圖像進(jìn)行平移；T3=[a20a21]對(duì)圖像進(jìn)行透視變換；a22一般取1。

若原始平面和新平面不是平行的，透視變換后的圖像會(huì)有2個(gè)角的殘缺，因此式（4）可變換為式（5）和式（6）

x=x′z′=a00u+a10v+a20a01u+a12v+a22（5）

y=y′z′=a00u+a10v+a20a01u+a12v+a22（6）

式（4）中除a22外有8個(gè)未知量，以圖像中帶式輸送機(jī)端點(diǎn)的4個(gè)像素點(diǎn)為參考點(diǎn)，并設(shè)4個(gè)點(diǎn)分別為A（xa，ya）、B（xb，yb）、C（xc，yc）、D（xd，yd），定義新平面上與之對(duì)應(yīng)點(diǎn)的坐標(biāo)A′（x′a，y′a）、B′（x′b，y′b）、C′（x′c，y′c）、D′（x′d，y′d），代入可以求解透視矩陣。

a00=xb-xa+a01xb

a10=xd-xa+a01xc

a20=xa

a01=yb-ya+a02yb

a11=yd-ya+a12yc

a21=ya

a02=Δx3Δx2

Δy3Δy3Δx1Δx2

Δy1Δy2

a12=Δx1Δx3

Δy1Δy3Δx1Δx2

Δy1Δy2（7）

將圖像與求解的透視變換矩陣相乘，可以對(duì)圖像進(jìn)行標(biāo)準(zhǔn)化處理。

2.2SNc-YOLOv5模型結(jié)構(gòu)

通過SNc（Slim-Neck by GSConv）模型[22]改進(jìn)了YOLOv5的Neck網(wǎng)絡(luò)，保持了識(shí)別精度的同時(shí)降低了模型的復(fù)雜度，SNc結(jié)構(gòu)分為3種模型：GSConv、GSbottleneck和VoV GSCSP。GSConv模型采用深度可分離卷積[23]（DSC）與標(biāo)準(zhǔn)卷積（SC）相結(jié)合的方式，DSC可以降低計(jì)算復(fù)雜度，SC模型可以緩解因DSC模型特征提取和融合能力低導(dǎo)致的識(shí)別準(zhǔn)確率低的問題。如圖5（a）所示，通過DWConv生成SC信息來執(zhí)行DSC操作，并將生成的信息與之前的信息進(jìn)行融合。GSConv模塊最大限度地減少了深度卷積缺陷對(duì)模型的負(fù)面影響，并有效地利用了深度卷積的低計(jì)算量。在GSConv的基礎(chǔ)上引入GSbottleneck模塊，模型結(jié)構(gòu)如圖5（b）所示，使用GSbottleneck來替代C3中的Bottleneck模塊，將輸入特征圖分為2個(gè)通道，并為其分配不同的權(quán)重。2個(gè)通道按照通道數(shù)進(jìn)行組合連接，增強(qiáng)了模型表達(dá)非線性函數(shù)的能力，解決了梯度消失問題。圖5（c）展示了VoV GSCSP模塊的結(jié)構(gòu)，在VoV GSCSP中，輸入特征圖將通道數(shù)分成2部分，第1部分首先經(jīng)過Conv進(jìn)行卷積，之后由堆疊的GSbottleneck模塊提取特征。另一部分作為殘差連接，僅通過一個(gè)Conv進(jìn)行卷積。2部分根據(jù)通道數(shù)進(jìn)行融合連接，最后通過Conv卷積輸出。VoV GSCSP不僅兼容GSConv的所有優(yōu)點(diǎn)，還具有GSbottleneck帶來的所有優(yōu)點(diǎn)。VoV GSCSP的分割通道方法能夠?qū)崿F(xiàn)豐富的梯度組合，避免梯度信息的重復(fù)并提高學(xué)習(xí)能力。

結(jié)合上述的改進(jìn)，在YOLOv5的Neck部分用GSConv模塊代替Conv模塊，以減少特征金字塔結(jié)構(gòu)升級(jí)帶來的參數(shù)數(shù)量和計(jì)算量，C3模塊替換為VoV GSCSP模塊，并通過堆疊的GSbottleneck提取特征，以更好地兼容GSConv模塊，改進(jìn)的SNc-YOLOv5模型結(jié)構(gòu)如圖6所示。

將變換后的圖像數(shù)據(jù)集ST按照3∶1劃分為訓(xùn)練集（Train set）、驗(yàn)證集（Validation set）[24]。將訓(xùn)練集輸入到SNc-YOLOv5進(jìn)行訓(xùn)練，得到大塊煤識(shí)別模型。在SNc-YOLOv5模型的訓(xùn)練過程中，在前向傳播過程中，模型對(duì)輸入圖像進(jìn)行卷積和池化處理，提取高級(jí)特征信息，并生成預(yù)測(cè)框，其中包括大塊煤的位置坐標(biāo)和置信度分?jǐn)?shù)。在反向傳播階段，模型使用損失函數(shù)評(píng)估預(yù)測(cè)框與實(shí)際標(biāo)簽的差異，通過參數(shù)調(diào)整來最小化誤差。經(jīng)過多次迭代，SNc-YOLOv5模型生成了高效的大塊煤檢測(cè)模型，可用于新圖像的煤塊位置預(yù)測(cè)，性能評(píng)估通常通過驗(yàn)證集的多種指標(biāo)來確保泛化性能。

3應(yīng)用與分析

3.1試驗(yàn)分析

3.1.1數(shù)據(jù)集概述

數(shù)據(jù)集主要源自內(nèi)蒙某2個(gè)煤礦的帶式輸送機(jī)監(jiān)控視頻。1號(hào)煤礦S1和2號(hào)煤礦S2的基本情況見表3。用DarkLable標(biāo)注工具標(biāo)注大塊煤圖像21 422張，以png格式存儲(chǔ)。

3.1.2應(yīng)用環(huán)境配置

運(yùn)行環(huán)境為Windows 10，CPU為英特爾Xeon E5-2670 0@2.60GHz八核，內(nèi)存8個(gè)1 333 MHz的DDR3，內(nèi)存為64GB，GPU為NVIDIA GeForcr GTX 1080，顯存8GB，利用Cuda11.4和Cudnn8.2.4的驅(qū)動(dòng)程序支持GPU加速，數(shù)據(jù)訓(xùn)練使用SNc-YOLOv5s目標(biāo)檢測(cè)網(wǎng)絡(luò)訓(xùn)練，Python版本為3.9，試驗(yàn)中使用Pytorch1.10.2深度學(xué)習(xí)框架。文中方法與YOLOv5[25]、YOLOv8[26]目標(biāo)檢測(cè)模型，文獻(xiàn)[13]和文獻(xiàn)[14]方法進(jìn)行對(duì)比，文獻(xiàn)[13]的方法，通過自適應(yīng)直方圖均衡算法來增強(qiáng)煤礦井下輸送帶圖像的對(duì)比度，在YOLOv5算法框架下引入卷積塊注意力模型提升目標(biāo)檢測(cè)精度，文獻(xiàn)[14]的方法通過數(shù)據(jù)增強(qiáng)方法擴(kuò)大數(shù)據(jù)集，并對(duì)YOLOv5算法進(jìn)行改進(jìn)提升特征提取能力。

3.1.3測(cè)試與試驗(yàn)結(jié)果

依次選取S1數(shù)據(jù)集中每張圖像的4個(gè)點(diǎn)坐標(biāo)（600，180），（800，180），（200，500），（1 100，500）和S2數(shù)據(jù)集中每張圖像的4個(gè)點(diǎn)坐標(biāo)（660，0），（920，0），（260，1 079），（1 260，1 079）輸入到透視變換矩陣中得到變換后的數(shù)據(jù)集，如圖7所示。將數(shù)據(jù)集S中每張圖像按照式（8）進(jìn)行透視變換得到數(shù)據(jù)集ST，數(shù)據(jù)集Si與ST對(duì)比如圖8所示。

ST=T×Si；i=1，2（8）

通過精確率（Precision）和召回率（Recall）來衡量該方法對(duì)大塊煤識(shí)別效果[27]，使用31敘述的數(shù)據(jù)集和3.1.2敘述的應(yīng)用環(huán)境進(jìn)行方法的驗(yàn)證。在模型訓(xùn)練過程中，初始學(xué)習(xí)率設(shè)定為001，設(shè)置權(quán)重衰減為0.000 5來避免過擬合，選擇了動(dòng)量因子為0.98穩(wěn)定訓(xùn)練過程并避免陷入局部最優(yōu)解，類別損失系數(shù)設(shè)置為0.5，IOU損失系數(shù)設(shè)置為7.5，DFL損失系數(shù)設(shè)置為1.5，Batch-size設(shè)置為8，最大迭代次數(shù)為100。

為了驗(yàn)證該方法的有效性，運(yùn)用不同的數(shù)據(jù)集將文中方法與文獻(xiàn)[13]和文獻(xiàn)[14]的方法進(jìn)行對(duì)比，通過精確率和召回率指標(biāo)來進(jìn)行評(píng)價(jià)，對(duì)比情況見表4，在數(shù)據(jù)集S1上訓(xùn)練了3種方法的檢測(cè)模型，對(duì)比曲線如圖9所示，5種方法檢測(cè)結(jié)果如圖10所示。

從訓(xùn)練的結(jié)果來看，通過裁剪消除了復(fù)雜背景的影響，通過透視變換矩陣對(duì)數(shù)據(jù)集進(jìn)行變換，消除了攝像頭角度以及近大遠(yuǎn)小的影響，從而統(tǒng)一了大塊煤的尺寸標(biāo)準(zhǔn)。文中提出的方法相較于YOLOv5、YOLOv8目標(biāo)檢測(cè)模型，以及文獻(xiàn)[13]和文獻(xiàn)[14]的方法，精確率和召回率指標(biāo)均有所上升，SNc-YOLOv5模型相較于YOLOv5、YOLOv8目標(biāo)檢測(cè)模型在S1數(shù)據(jù)集的大塊煤檢測(cè)精度上分別提高了9%和6.3%，相較于文獻(xiàn)[13]和文獻(xiàn)[14]的模型檢測(cè)精度分別提高了7.9%和8%，在S2數(shù)據(jù)集上大塊煤檢測(cè)精度相較于YOLOv5、YOLOv8目標(biāo)檢測(cè)模型分別提高了7.2%和2.9%，相較于文獻(xiàn)[13]和文獻(xiàn)[14]的模型檢測(cè)精度分別提高了5%和8.7%，表明文中方法有更好的準(zhǔn)確性。

3.2現(xiàn)場(chǎng)應(yīng)用分析

為了進(jìn)一步驗(yàn)證大塊煤識(shí)別算法的實(shí)際適用性，將文中算法應(yīng)用在內(nèi)蒙某煤礦選煤廠進(jìn)行現(xiàn)場(chǎng)試驗(yàn)。以宏博亞泰KBA127（A）-F9204IRH攝像頭為圖像采集設(shè)備，攝像頭參數(shù)見表5。選煤廠現(xiàn)場(chǎng)帶式輸送機(jī)、攝像頭以及光源之間的相對(duì)位置如圖11所示。

在現(xiàn)場(chǎng)應(yīng)用中，文中算法將現(xiàn)場(chǎng)采集到的視頻進(jìn)行預(yù)處理，得到標(biāo)準(zhǔn)化后的數(shù)據(jù)集，現(xiàn)場(chǎng)數(shù)據(jù)集標(biāo)準(zhǔn)化前后對(duì)比如圖12所示，文中算法現(xiàn)場(chǎng)應(yīng)用的示意如圖13所示。

大塊煤識(shí)別算法在選煤廠現(xiàn)場(chǎng)應(yīng)用的識(shí)別結(jié)果如圖14所示。算法對(duì)實(shí)時(shí)監(jiān)控視頻進(jìn)行透視變換改變了視頻尺寸，紅框內(nèi)為大塊煤識(shí)別算法現(xiàn)場(chǎng)應(yīng)用的實(shí)時(shí)結(jié)果，算法識(shí)別為大塊煤的置信度達(dá)到0.9?，F(xiàn)場(chǎng)應(yīng)用結(jié)果表明，文中提出的大塊煤識(shí)別算法能夠準(zhǔn)確地識(shí)別大塊煤，滿足現(xiàn)場(chǎng)實(shí)時(shí)識(shí)別要求。

4結(jié)論

1）文中提出的基于透視變換對(duì)圖像標(biāo)準(zhǔn)化處理的方法能夠剔除大塊煤大小標(biāo)準(zhǔn)不統(tǒng)一以及周圍復(fù)雜環(huán)境的影響，相較于文獻(xiàn)[14]的方法，精確率提高了10%，有效降低了環(huán)境因素對(duì)識(shí)別工作的影響，可以作為大塊煤識(shí)別或帶式輸送機(jī)異物檢測(cè)領(lǐng)域的預(yù)處理方法。

2）可以有效對(duì)礦井帶式輸送機(jī)上的大塊煤進(jìn)行識(shí)別，對(duì)1號(hào)煤礦的識(shí)別精確率達(dá)到94.8%，現(xiàn)場(chǎng)應(yīng)用結(jié)果表明，算法識(shí)別為大塊煤的置信度達(dá)到0.9，文中方法能夠?qū)崟r(shí)進(jìn)行大塊煤監(jiān)測(cè)，滿足現(xiàn)場(chǎng)生產(chǎn)需求。

3）文中方法在模型泛化性方面表現(xiàn)較差，未來可以在提高模型泛化性上做工作。

參考文獻(xiàn)（References）：

[1]王國法，王虹，任懷偉，等.智慧煤礦2025情景目標(biāo)和發(fā)展路徑[J].煤炭學(xué)報(bào)，2018，43（2）：295-305.

WANG Guofa，WANG Hong，REN Huaiwei，et al.2025 scenarios and development path of intelligent coal mine[J].Journal of China Coal Society，2018，43（2）：295-305.

[2]董書寧，劉再斌，程建遠(yuǎn)，等.煤炭智能開采地質(zhì)保障技術(shù)及展望[J].煤田地質(zhì)與勘探，2021，49（1）：21-31.

DONG Shuning，LIU Zaibin，CHENG Jianyuan，et al.Technologies and prospect of geological guarantee for intelligent coal mining[J].Coal Geology & Exploration，2021，49（1）：21-31.

[3]賈建稱，鞏澤文，靳德武，等.煤炭地質(zhì)學(xué)“十三五”主要進(jìn)展及展望[J].煤田地質(zhì)與勘探，2021，49（1）：32-44.

JIA Jiancheng，GONG Zewen，JIN Dewu，et al.The main progress in the 13th five-year plan and the prospect of coal geology[J].Coal Geology & Exploration，2021，49（1）：32-44.

[4]程德強(qiáng)，徐進(jìn)洋，寇旗旗，等.融合殘差信息輕量級(jí)網(wǎng)絡(luò)的運(yùn)煤皮帶異物分類[J].煤炭學(xué)報(bào)，2022，47（3）：1361-1369.

CHENG Deqiang，XU Jinyang，KOU Qiqi，et al. Lightweight network based on residual information for foreign body classifcation on coal conveyor belt[J].Journal of China Coal Society，2022，47（3）：1361-1369.

[5]張玉濤，張夢(mèng)凡，史學(xué)強(qiáng)，等.基于深度學(xué)習(xí)的井下運(yùn)動(dòng)目標(biāo)跟蹤算法研究 [J].煤炭工程，2022，54（10）：151-155.

ZHANG Yutao，ZHANG Mengfan，SHI Xueqiang，et al.Object tracking algorithm of moving objects in underground mine based on deep learning [J].Coal Engineering，2022，54（10）：151-155.

[6]羅南超，鄭伯川.視頻監(jiān)控領(lǐng)域深度特征編碼的行人檢測(cè)算法[J].西安科技大學(xué)學(xué)報(bào)，2019，39（4）：701-707.

LUO Nanchao，ZHENG Bochuan.Deep feature coding for pedestrian detection in video surveillance[J].Journal of Xian University of Science and Technology，2019，39（4）：701-707.

[7]趙安新，楊金橋，楊浩波，等.基于改進(jìn)DeepSORT和FastReID的室內(nèi)多目標(biāo)人員跨鏡識(shí)別與跟蹤[J].西安科技大學(xué)學(xué)報(bào)，2023，43（3）：622-630.

ZHAO Anxin，YANG Jinqiao，YANG Haobo，et al.Indoor multi-object personnel recognition and tracking across camera based on optimized DeepSORT and FastRelD[J].Journal of Xian University of Science and Technology，2023，43（3）：622-630.

[8]張維，徐華龍.三維模型與視頻監(jiān)控融合關(guān)鍵技術(shù)研究[J].煤礦安全，2019，50（10）：112-114

ZHANG Wei，XU Hualong.Research on key technologies of 3D model and video monitoring fusion[J].Safety in Coal Mines，2019，50（10）：112-114

[9]PU Y，APEL D B，SZMIGIEL A，et al.Image recognition of coal and coal gangue using a convolutional neural network and transfer learning[J].Energies，2019，12，1735.doi：10.3390/en12091735.

[10]程健，王東偉，楊凌凱，等.一種改進(jìn)的高斯混合模型煤矸石視頻檢測(cè)方法[J].中南大學(xué)學(xué)報(bào)（自然科學(xué)版），2018，49（1）：118-123.

CHENG Jian，WANG Dongwei，YANG Lingkai，et al.An improved Gaussian mixture model forcoal gangue video detection[J].Journal of Central South University（Science and Technology），2018，49（1）：118-123.

[11]吳守鵬，丁恩杰，俞嘯.基于改進(jìn)FPN的輸送帶異物識(shí)別方法[J].煤礦安全，2019，50（12）：127-130.

WU Shoupeng，DING Enjie，YU Xiao.Foreign body identifcation of belt based on improved FPN[J].Safety in Coal Mines，2019，50（12）：127-130.

[12] WANG Y B，WANG Y J，DANG L F.Video detection of foreign objects on the surface of belt conveyor underground coal mine based on improved SSD[J].Journal of Ambient Intelligence and Humanized Computing，2023，14：5507-5516.

[13]郝帥，張旭，馬旭，等.基于CBAM-YOLOv5的煤礦輸送帶異物檢測(cè)[J].煤炭學(xué)報(bào)，2022，47（11）：4147-4156.

HAO Shuai，ZHANG? Xu，MA Xu，et al. Foreign object detection in coal mine conveyor belt based on CBAM-YOLOv5[J].Journal of China Coal Society，2022，47（11）：4147-4156.

[14]SONG Q，LIU Z，JIANG H.Coal gangue detection me-thod based on improved YOLOv5[C]//2022 3rd international conference on big data，Artificial Intelligence and Internet of Things Engineering（ICBAIE）.IEEE，2022：466-469.

[15]XU C，LIU Y，DING F，et al.Recognition and grasping of disorderly stacked wood planks using a local image patch and point pair feature method[J].Sensors，2020，20（21）：6235.

[16]SHI Y，LI J，YU Z，et al.Multi-Barley seed detection using iPhone images and YOLOv5 model[J].Foods，2022，11（21）：3531.

[17]ZHANG J，Karkee M，ZHANG Q，et al.Multi-class object detection using faster R-CNN and estimation of shaking locations for automated shake-and-catch apple harvesting[J].Computers and Electronics in Agriculture，2020，173：105384.

[18]肖進(jìn)勝，劉恩雨，朱力，等.改進(jìn)的基于卷積神經(jīng)網(wǎng)絡(luò)的圖像超分辨率算法[J].光學(xué)學(xué)報(bào)，2017，37（3）：103-111.

XIAO Jinsheng，LIU Enyu，ZHU Li，et al.Improved image super-resolution algorithm based on convolutional neural network[J].Acta Optica Sinica，2017，37（3）：103-111.

[19]李紅艷，李春庚，安居白，等.注意力機(jī)制改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像目標(biāo)檢測(cè)[J].中國圖象圖形學(xué)報(bào)，2019，24（8）：1400-1408.

LI Hongyan，LI Chungeng，AN Jubai，et al.Attention mechanism improves CNN remote sensing image object detection[J].Chinese Journal of Image and Graphics，2019，24（8）：1400-1408.

[20] INAM H.Smart and automated infrastructure management：A deep learning approach for crack detection in bridge images[J].Sustainability，2023，15（3）：1866-1866.

[21]紀(jì)俊卿，張亞靚，孟祥川，等.自適應(yīng)小波閾值滾動(dòng)軸承故障振動(dòng)信號(hào)降噪方法[J].哈爾濱理工大學(xué)學(xué)報(bào)，2021，26（2）：124-130.

JI Junqing，ZHANG Yaliang，MENG Xiangchuan，et al.Adaptive wavelet threshold rolling bearing fault vibration signal denoising method [J].Journal of Harbin University of Science and Technology，2021，26（2）：124-130.

[22]趙安新，楊金橋，史新國，等.視覺行人重識(shí)別研究方法分析及評(píng)價(jià)指標(biāo)探討[J].西安科技大學(xué)學(xué)報(bào)，2022，42（5）：1003-1012.

ZHAO Anxin，YANG Jinqiao，SHI Xinguo，et al.Analysis of visual person re-identifcations research methods and evaluation indicator discussion[J].Journal of Xian University of Science and Technology，2022，42（5）：1003-1012.

[23]楊慧劍，孟亮.基于改進(jìn)的YOLOv5的航拍圖像中小目標(biāo)檢測(cè)算法[J].計(jì)算機(jī)工程與科學(xué)，2023，45（6）：1063-1070.

YANG Huijian，Meng Liang.A small target detection algorithm based on improved YOLOv5 in aerial image[J]. Computer Engineering and Science，2023，45（6）：1063-1070.

[24]劉浩翰，樊一鳴，賀懷清，等.改進(jìn)YOLOv7-tiny的目標(biāo)檢測(cè)輕量化模型[J].計(jì)算機(jī)工程與應(yīng)用，2023，59（14）：166-175.

LIU Haohan，F(xiàn)AN Yiming，HE Huaiqing，et al.Improved YOLOv7-tinys object detection lightweight model [J]. Computer Engineering and Applications，2023，59（14）：166-175.

[25]王淵，郭衛(wèi)，張傳偉，等.融合注意力機(jī)制和先驗(yàn)知識(shí)的刮板輸送機(jī)異常煤塊檢測(cè)[J].西安科技大學(xué)學(xué)報(bào)，2023，43（1）：192-200.

WANG Yuan，GUO Wei，ZHANG Chuanwei，et al.Detection of abnormal coal block in scraper conveyor integrating attention mechanism and prior knowledge[J].Journal of Xian University of Science and Technology，2023，43（1）：192-200.

（責(zé)任編輯：劉潔）