摘要：現(xiàn)有基于深度學習的輸送帶異物檢測模型較大，難以在邊緣設備部署，且對不同尺寸異物和小目標異物存在錯檢、漏檢情況。針對上述問題，提出一種基于改進YOLOv8 的煤礦輸送帶異物檢測方法。采用深度可分離卷積、壓縮和激勵（SE） 網(wǎng)絡將YOLOv8 主干網(wǎng)絡中C2f 模塊的Bottleneck 重新構(gòu)建為DSBlock，在保持模型輕量化的同時提升檢測性能；為增強對不同尺寸目標物體信息的獲取能力，引入高效通道注意力（ECA） 機制，并對ECA 的輸入層進行自適應平均池化和自適應最大池化操作，得到跨通道交互MECA 模塊，以增強模塊的全局視覺信息，進一步提升異物識別精度；將YOLOv8 的3 個檢測頭修改為4 個輕量化小目標檢測頭，以增強對小目標的敏感性，有效降低小目標異物的漏檢率和錯檢率。實驗結(jié)果表明：改進YOLOv8 的精確度達91.69%，mAP@50 達92.27%，較YOLOv8 分別提升了3.09% 和4.07%；改進YOLOv8 的檢測速度達73.92 幀/s，可充分滿足煤礦輸送帶異物實時檢測的需求；改進YOLOv8 的精確度、mAP@50、參數(shù)量、權重大小和每秒浮點運算數(shù)均優(yōu)于SSD，F(xiàn)aster-RCNN，YOLOv5，YOLOv7?tiny 等主流目標檢測算法。

關鍵詞：輸送帶異物檢測；YOLOv8；SE 網(wǎng)絡；高效通道注意力機制；輕量化；小目標檢測；自適應平均池化；自適應最大池化

中圖分類號：TD634.1 文獻標志碼：A

0 引言

帶式輸送機是煤礦井下運輸?shù)闹匾O備[1]。在煤炭運輸過程中，石塊、錨桿等異物的存在可能會造成帶式輸送機工作異常，導致煤塊溢出、轉(zhuǎn)軸磨損、出煤口堵塞等情況，甚至可能造成煤礦停產(chǎn)，嚴重威脅煤礦生產(chǎn)安全。

隨著人工智能技術的快速發(fā)展，眾多研究者利用機器視覺對輸送帶異物進行識別。目前主流的目標檢測算法主要分為單階段和兩階段。單階段代表算法包括YOLO[2]，SSD[3]，RetinaNet[4]等，兩階段代表算法包括Faster R-CNN[5]， Mask R-CNN[6]等。劉富強等[7]通過灰度直方圖實現(xiàn)視覺檢測，但存在矸石被煤塵覆蓋無法識別的問題；Wang Yuanbin 等[8]通過改進SSD 算法提高異物檢測精度，在識別速度方面尚難滿足需求；任國強等[9]通過先驗框和損失函數(shù)解決樣本不平衡問題，未能解決模型大的問題；Xie Yehui 等[10]通過改進損失函數(shù)CIoU 實現(xiàn)異物識別，但識別精度較低；程德強等[11]采用殘差輕量級網(wǎng)絡和融入交叉學習機制增強模型的提取能力，但模型參數(shù)量依舊較大； Mao Qinghua 等[12]通過改進YOLOv5 提升模型性能，但未針對細長物目標進行優(yōu)化，易造成錯檢；張旭[13]通過剪枝進行模型輕量化，易破壞網(wǎng)絡結(jié)構(gòu)；Liu Jiehui 等[14]通過K-means++聚類進行數(shù)據(jù)優(yōu)化，融入GhostNet 和深度可分離卷積降低模型計算量，但模型的權重依舊較大；高涵等[15]通過引入可變形卷積構(gòu)建數(shù)據(jù)增強，解決輸送帶異物識別精確度低等問題，但泛化能力仍有較大提升空間； Yang Dengjie 等[16]對YOLOv7 算法進行改進，通過減少卷積和加入小尺度探測層增強模型檢測能力，但模型的參數(shù)量和浮點計算負擔依舊較大。上述方法均取得了不錯的研究成果，但仍然存在錯檢、漏檢情況，以及對不同尺寸異物和小目標異物檢測性能不佳、異物檢測模型較大、難以在邊緣端部署等問題。

針對上述問題， 本文提出一種基于改進YOLOv8 的煤礦輸送帶異物檢測方法。主要的創(chuàng)新點：① 構(gòu)建了基于Bottleneck 的輕量化模塊，可增強模型對前景信息的提取能力，同時減小模型的體積，便于后期在邊緣端部署。② 提出一種有效的跨通道注意力機制MECA，以增強模塊的全局視覺信息，從而適應不同大小的異物目標識別，進一步提升網(wǎng)絡識別精度。③ 將3 個檢測頭修改為4 個輕量化小目標檢測頭，可更加準確地捕捉和定位小型異物目標，能夠適應復雜環(huán)境。

1 YOLOv8 網(wǎng)絡結(jié)構(gòu)

YOLOv8 是YOLO 系列中最新的版本，主要由InPut，Backbone，Neck，Head 4 個部分組成，如圖1 所示。① InPut 部分主要負責對輸入的特征圖像進行預處理，包括自適應縮放、調(diào)整輸入尺寸、數(shù)據(jù)增強等，以提升網(wǎng)絡模型的魯棒性。② Backbone 主要由Conv、C2f 和快速空間金字塔池化（Spatial PyramidPooling Fast， SPPF） 組成。YOLOv8 將YOLOv5 的C3 模塊替換為C2f 模塊， C2f 模塊相較于原C3 模塊，增加了跳層連接和額外的拆分操作，使模型的梯度數(shù)據(jù)流更加豐富， 提升了模型的性能。此外，YOLOv8 對模塊個數(shù)進行了改進，從[3，6，9，3]優(yōu)化為[3，6，6，3]，從而使模型進一步輕量化。SPPF 將不同尺度的特征信息融合在一起，豐富特征圖的語義特征，從而進一步提升模型的特征提取能力。③ Neck部分主要對Backbone 提取到的特性圖信息進行處理，繼續(xù)沿用YOLOv5 的路徑聚合網(wǎng)絡（Path AggregationNetwork， PAN） +特征金字塔網(wǎng)絡 （Feature PyramidNetworks，F(xiàn)PN）結(jié)構(gòu)。相較于YOLOv5 模型，YOLOv8移除了1×1 降采樣層，通過自頂向下和自下向頂?shù)目鐚舆B接使特征更加充分融合。④ Head 部分的主要作用是利用前面提取的特征，完成目標檢測的識別任務。YOLOv8 采用了解耦頭結(jié)構(gòu)，將回歸解耦和分類的過程進行分離，并根據(jù)回歸解耦和分類加權得到的分數(shù)來確定最終的正負樣本數(shù)，從而解決了復雜背景下定位準確率低和分類錯誤的問題，有效提升模型的性能。