首页 > 论文范文 > 工程工业论文 > 工程综合论文 > 矿业工程论文 > 基于改进YOLOv8的输送带表面破损检测

基于改进YOLOv8的输送带表面破损检测

2025-04-02 82 上传者：管理员

摘要：针对煤矿输送带表面产生的破损，采用改进的YOLOv8网络进行检测。首先在YOLOv8网络Backbone中的C2f之后添加高效通道注意力（ECA）模块；其次将Backbone中的标准卷积层替换为深度可分离卷积（DSC）层；最后将损失函数替换为高效交并比（EIoU）。实验结果表明，改进后的网络可高效提取破损特征，减少了网络的计算量，加快了网络训练的收敛速度，最终准确率提升至94.8%。

关键词：
YOLOv8
工业摄像仪
目标检测
表面破损
送带
加入收藏

输送带是煤矿煤炭运输设备最重要的部件,也是最容易受损的部件｡输送带在运行过程中,由于负载过重､障碍物冲击､老化等原因会造成表面破损[1]｡若未能及时发现并处理,很容易导致输送带撕裂,影响生产安全并造成经济损失｡因此,对输送带表面破损检测的研究对于保证输送带运行安全具有重要意义｡

目前,深度学习技术已应用于输送带表面破损检测｡石耀慧等[2]提出一种矿用输送带纵向撕裂检测方法,采用多线激光器和工业摄像仪的方案,有效突出了纵向撕裂的图像特征;曾飞等[3]设计了一种远程输送带纵向撕裂检测系统,通过终端采集与中央处理的方式提高了检测效率;于庆等[4]采用改进的YOLOv5,融入ConvNeXt特征增强模块和双向特征金字塔网络(BiFPN),实现了对输送带表面破损的准确检测｡本文鉴于以上研究,提出了一种基于改进YOLOv8的输送带表面破损检测方法,可有效检测输送带表面破损｡

1、YOLOv8算法介绍

YOLOv8是YOLO系列目标检测算法的升级版本｡YOLOv8网络结构由Backbone(主干网络)､Neck(颈部网络)和Head(头部网络)三部分组成,将目标的定位与分类问题转换为回归问题,实现了对输入图像的端到端检测[5],在保持较高识别精度的同时,大幅提升了检测速度,且具备出色的可扩展性和灵活性｡

2、改进的YOLOv8检测算法

本文在YOLOv8的基础上进行了一系列改进:在Backbone中引入了高效通道注意力(ECA)机制,且将Backbone中的Conv替换为深度可分离卷积(DSC),将损失函数替换为高效交并比(EIoU)｡改进后的网络结构在保持高精度的同时,更加高效和轻量化,如图1所示｡

图1YOLOv8网络改进结构图

(1)ECA

为提高模型对重要特征的提取能力,引入ECA｡该模块采用不降维的局部跨通道交互策略和自适应计算卷积核维度的方法,提升模型对于关键特征的感知能力[6]｡ECA模块如图2所示｡

图2ECA模块

ECA首先将输入特征图F进行全局平均池化,将特征图尺寸压缩至1×1×Cin,实现通道内部信息交互与融合｡之后进行卷积核大小为k的一维卷积操作,并经过Sigmoid激活函数得到各个通道的权重w,最后将权重w与输入特征图F进行相乘,得到输出特征图F′｡在Backbone的C2f之后添加ECA模块,可以增强网络结构对目标的特征提取能力｡

卷积核大小k的取值与输入特征图的通道数Cin有关,其关系式为

(2)DSC

YOLOv8网络由于其普通卷积层数较多,导致计算量相对较大,进而影响模型的计算速度｡为了有效减少计算量并提升模型的运算效率,本文引入了DSC,通过拆分空间维度和通道维度的相关性,减少了卷积的计算量,提高了模型运算效率[7]｡DSC结构如图3所示｡

图3DSC结构

输出特征图的通道数Cout可忽略,卷积核大小k取值为3｡由式(2)可知,DSC的计算量约为普通卷积的1/9,通过将Backbone中的标准卷积层替换为DSC层,可极大减少模型的计算量,并提高计算速度,从而实现模型的轻量化｡

(3)EIoU损失函数

YOLOv8网络损失函数中的回归损失为完全交并比(CIoU),其计算式为

CIoU中的v反映的是宽高比的差异,在宽高比一致时,损失函数难以反映其差异｡而EIoU则分别计算目标宽与高的损失[8],因此改进后模型的回归损失采用EIoU损失函数,即

EIoU分别计算预测框与真实框的宽与高的损失,使得目标回归更准确,收敛速度更快｡

3、实验与结果

(1)数据集

本文选取3000张输送带表面破损图像,训练集与验证集比例为8∶2｡破损类型为孔洞､横向裂纹和纵向裂纹,不同类型表面破损图像如图4所示｡

图4输送带表面破损图像

(2)实验环境及参数设置

操作系统为Windows10,GPU为NVIDIAA40,CPU为Intel(R)Xeon(R)Gold6430,深度学习框架为pytorch,图像分辨率为640×640,批次大小为16,学习率为0.001,优化器为Adam,迭代次数为1000次,IoU=0.5｡

(3)消融实验与检测结果

设置4组实验,依次加入不同的改进策略,其实验结果如表1所示｡

表1消融实验结果

由表1可知,ECA注意力机制会显著提高准确率,而由于减少计算量而提高帧率｡最终的实验使得准确率提高到0.948,mAP50提高到0.766,改进后网络的检测结果如图5所示｡ECA注意力机制会抑制图像的背景信息,专注于破损特征的提取｡而EIoU损失由于分别计算预测框的宽与高的损失,可以使得预测框与真实框误差更小,因此改进后的网络结构可实现对孔洞､纵向裂纹和横向裂纹的准确检测｡

图5输送带表面破损检测结果

4、结语

本文提出了一种改进的YOLOv8网络结构,用于输送带表面破损的检测,其主要改进为:(1)在YOLOv8的Backbone部分引入了ECA注意力机制,使得模型专注于输送带破损处,实现破损目标与图像背景的区分;

(2)将普通卷积替换为DSC,减少了模型计算量,使得模型轻量化,减小计算压力;

(3)损失函数替换为EIoU,加速了模型收敛,使得训练效率得以提升｡这些改进使得模型最终的检测准确率提升至94.8%,可以高效检测输送带的表面破损｡

参考文献:

[1]段宗佑,杨森,孟卓,等.基于轻量化SimAm-YOLOv7的煤矿输送带异物检测[J].煤矿机械,2024,45(7):191-194.

[2]石耀慧,史华伟,王永振,等.基于机器视觉的矿用输送带纵向撕裂检测研究[J].中国矿业,2024,33(4):141-151.

[3]曾飞,任孝通,廖雅曼,等.便携式高精度输送带纵向撕裂视觉检测系统[J].仪表技术与传感器,2023(1):54-58+64.

[4]于庆,罗明华,向亮,等.基于改进YOLOv5的矿用输送带纵向撕裂检测方法[J].矿业安全与环保,2024,51(4):1-8.

[5]王建才,李瑾,李志军,等.基于改进YOLOv5的煤岩图像检测识别研究[J].煤矿机械,2022,43(9):204-208.

[6]王媛彬,刘佳,郭亚茹,等.矿井图像超分辨率重建研究[J].工矿自动化,2023,49(11):76-83+120.