文|三分观寰宇 编辑|三分观寰宇
感谢各位看官阅读，麻烦右上角点击一下“关注”，既方便您进行讨论与分享，又不会错过精彩内容。
摘要针对现有的基于图像处理的煤歼分选检测方法准确度低、速度慢、参数量和计算量大等问题，提出了一种基于DSC-YOLOvSs的煤歼目标检测算法。实验结果表明:DSC-YOLOvSs目标检测算法优于YOLOvSs算法，准确率提升1. 3%，参数量降低15.6%，浮点计算量降低2. 5 %，可为煤歼智能分选场景中的煤歼目标检测提供借鉴。
随着国家双碳战略的实施，煤炭高效清洁的开发成为目前煤炭行业发展的重点，煤炭绿色开采是煤炭行业长期发展的主要方向「‘〕.而煤研的智能分选技术对推动煤炭行业清洁绿色发展具有重要意义。
目前，煤研智能分选的方法主要有射线分选、湿选、多光谱成像检测、热成像技术及图像识别等「2]但是这些方法在实际运用过程中存在漏检问题，且耗时较长。随着人工智能技术的发展，卷积网络的发展逐渐成熟，使得图像识别的准确率得到了较大提升，且检测的速度相较于其他方法更快。来文豪「3〕等采用多光谱筛选的方法，研究各波段的识别率及相关性，用改进的YOLOv4检测平均精度达到98. 26%，但检测时间增加了1. 89 s.蔡秀凡}a7等在YOLOv4算法基础上加入SE注意力机制，提升了特征提取效果，并采用K-means方法给锚框参数增加检测通道，提高了整体检测的精准性，准确率达到94%以上，但仍然存在漏检的问题。
采用基于机器视觉的AlexNet网络进行煤研目标检测，利用均衡化的直方图以及二阶微分算子提升图像的锐化效果，检测准确率达到了95.9%.综上所述，基于图像视觉的煤研目标检测方法普遍存在检测耗时长，准确度低的问题。
为了更好地将煤研目标检测算法模型应用到洗煤厂煤研分选现场，以提升煤研目标检测准确率、降低模型参数量和计算量为目标，基于YOLOvSs模型进行改进。改进的算法模型记为DSC-YOLOvSs模型，模型采用深度可分离卷积网络替代普通的卷积网络「6〕，引入了SE注意力机制和C3TR模块。1 YOLOvSs算法原理
YOLOvSs是one-stage目标检测算法，以端到端的方式直接输出各个物体的类别概率以及位置坐标信息。该模型分为4个部分，输入端输入图像时采用Mosaic数据增强，丰富数据集多样性。嵌入自适应锚框计算方法，每次训练时，自适应计算不同训练集中最佳锚框值。增加自适应图片缩放功能，统一图片尺寸并自适应填充。在BackBone中增加Focus模块，在CBL结构中使用Leak-Relu损失函数，设计了两种CSP结构，主要应用于主干网络及Neck中。在Neck结构中采用FPN+PAN的结构「}7，其中FPN层自顶向下传递语义特征，PAN自底向上传递强定位特征。而最后的Prediction采用CLOU_ Loss做Bounding box
的损失函数，进行目标检测之后，针对目标框筛选进行非极大值抑制(nms)操作，提高目标检测的准确度。2改进的煤歼目标检测方法2.1 DSC-YOLOvSs模型
DSC-YOLOvSs模型具体结构见图1.该网络模型采用深度可分离卷积模块替代4个普通的卷积模块，降低参数量和计算量。在Backbone部分添加SE模块，帮助模型更准确地提取有用特征，提升小目标检测效果。将Transforme:嵌入到C3卷积块中，组成一个C3TR，能提升对重要信息关注度，从而提升目标检测准确率，三者相结合使检测效果达到最好。
2. 2深度可分离卷积网络
标准卷积神经网络中，一个卷积核进行卷积操作时，N个卷积核卷积后，产生N个特征图(featuremap。该方法参数量和运算成本高。深度可分离卷积主要分为深度卷积(Depthwise Convolution)与逐点卷积(Pointwise Convolution)两个过程。首先通过深度卷积输出通道特征，采用逐点卷积对输出的通道属}h}再次卷积，输出原尺寸特征图。深度可分离卷积结构见图2.
深度卷积中一个卷积核负责一个通道，一个通道只能被一个卷积核卷积，该过程产生的特征图通道数和输入的通道数一样。假设使用一张5*5像素，三通道彩色输入图片(shape为5*5*3)，深度卷积经过第一次卷积运算，三通道图像运算后生成3个特征图。深度卷积完成后的特征图的数量与输入层的通道数相同，无法扩展特征图数量，使用逐点卷积再次对上述通道特征卷积生成新特征图。经计算，常规卷积的参数个数为108，计算量为972，可分离卷积参数为39，计算量为351.深度可分离卷积的计算量是常规卷积的1/3，在计算量相同的情况下，深度可分离卷积可以将神经网络的层数做的更深，相比于常规的卷积操作，深度可分离卷积网络参数量和运算成本较低，显著提高了运行速度，适用于轻量级网络「s}2. 3 SE注意力机制
在原模型中引入SE注意力机制，提高目标检测的准确性。SE注意力机制由压缩Squeeze，激励Ex-citation和特征图标定3部分组成，主要目的是增强有用特征。首先，通过全局平均池化获得特征图的全局信息，各个通道提炼信息得出通道的权重并对原特征图的权重调整，使得效果更好「9].然后，对得到的特征图顺着空间维度进行压缩，对特征图的维度采用全局平均池化压缩操作，将每个二维的特征通道变成一个实数，输出的维度和输入的特征通道数相匹配，由W*H*C的特征图压缩为1*1*C的向量，通过Excitation操作，使用全连接层作用在特征图，使用Sigmoid激活函数获得归一化权重。通过学习得到权重信息，将权重应用到相应的通道上，最后进行Scale
操作，将Excitation操作后得到的各个特征通道的权重与原特征图通道逐个相乘，生成的特征向量与特征图对应通道相乘得到对应通道的权重，重新对特征图标宁_SE樟娇贝图3.
2. 4 C3TR模块
为了解决煤与研石因外形相似导致检测难度大的问题，利用多种注意力机制提升图像中重要信息的关注度，将Transforme:嵌入到C3卷积块中，组成一个新模块C3TR.将该模块与backbone部分的最后一个C3进行替换，可以降低浮点数计算、更好地提取全局信息并且不浪费显存资源，并可提升检测精度「‘。〕.3实验及结果分析3. 1数据采集与处理
使用一张干净的白色石板作为实验研究背景，共采集了洗煤厂中煤研石图像500张。在实验模拟中，随机选取350张作为训练样本，其余的150张作为实验的测试样本，使用LabelImg标注软件对数据进行标注并记录。由于在洗煤分选过程中，研石量相比煤较少，在模拟实验的过程中遵循煤多研少的分布规律。3. 2模型训练
实_?,伸用的软件硬件配置及参数见表1.
输入图像大小为640x640;输入通道数为3;批次样本数为2;动量因子设为0. 93;迭代次数设置为500次;权重衰减系数取0. 000 5 ;学习率初始取值0. O1，完成一次循环后取值0. 2.3. 3实验结果分析
为了验证DSC-YOLOvSs算法的优势，将YOLOvSs模型和DSC-YOLOvSs模型分别在数据样本中训练500次，两种模型的损失函数变化曲线见图4.
由图4可知，当训练的迭代次数在50次前，两种模型的损失波动均较大，随着迭代的次数不断增加，损失值不断减小，并逐渐趋于平缓。当训练迭代的次数达到250次时，DSC-YOLOvSs模型的损失最终稳定到0. 005，但是YOLOvSs原模型的波动仍然较大，在训练次数达到425次时趋于稳定状态。可以看出，DSC-YOLOvSs模型损失函数要优于YOLOvSs.3. 4消融实验
为了研究改进后的DSC-YOLOvS s模型的效果，通过消融实验对各部分的改进策略进行对比，采用煤研的识别准确率、训练样本的均值平均精度(mAP @0. 5与mAP @ 0. 5 : 0. 95 )、参数量和计算量这5个指标对煤研模型进行检测。通过表2可以看出，在原网络加入深度可分离卷积代替常规卷积，在YOLOvSs模型中嵌入了SE注意力模块并引入C3TR注意力机制的改进效果。
表2中第一行为原始YOLOvSs网络的实验结果，其他为不同改进模型的实验结果。通过该表可以看出，在原网络中将主干网络替换为深度可分离卷积后，可以显著地降低参数量和计算量;加入SE注意力机制后，虽然计算量和参数量相比原有所增加，但是mAP@ 0. 5 :0. 95提升了1. 4%，在所有模型中提升最高;加入C3TR模块后准确率提升了0. 8%，达到了最高的检测率。从消融实验可以得出:通过替换深度可分离卷积，降低了参数量，减小浮点计算量，添加SE,C3TR注意力机制，可以提高目标检测的准确率。最终优化模型DSC-YOLOvSs模型的准确率提升了0. 7%，参数量降低了13.7%，计算量降低了3. 7%，尽管mAP@ 0. 5 :0. 95降低了0. 1 %，但是该模型综合上述3种改进策略的优点，在提升检测准确率的同时，降低了参数量和运算量，使得检测效果更好，可以满足煤研智能分选的检测需要。
为了进一步测试DSC-YOLOvSs煤研检测模型的准确率，对煤研的原图以及YOLOvSs, DSC-YOLOvSs两个算法的检测结果作对比，见图5.图5(a)为原图，A表示为煤，B表示为研石，检测效果图中实线框标注为煤，虚线框标注为研石。检测对比图中，第一列数据为小目标检测效果对比图。YOLOvSs算法和DSC-YOLOvSs算法都准确检测出了图像中的研石小目标，但是DSC-YOLOvS s算法整体检测效果更优。第二列和第三列数据为多目标检测效果对比图。其中YOLOvSs算法检测煤的准确率最高达到970，而DSC-YOLOvS s算法检测煤的准确率最高达到990 .除此之外，煤研石检测结果中，YOLOvSs算法准确率最高达到97 }o，而DSC-YOLOvSs算法检测准确率最高达到98%.综上所述，DSC-YOLOvSs检测效果优于YOLOvSs.
4结论
1)对YOLOvSs模型进行改进，设计了DSC-YOLOvSs检测模型，提升煤研目标检测的精准度，利用深度卷积网络代替普通的卷积网络，降低参数量以及浮点计算量，引入SE模块提升目标检测的准确度。
2)实验证明:DSC-YOLOvS s模型对图像检测的准确率可达99.4% , mAP @ 0. 5达到99.5 % , mAP @0. 5 :0. 95达到96.8% ,整体效果优于YOLOvSs模型。
3)该算法对煤研目标检测的准确度较优，小目标检测情况较为精准，今后将扩充样本量做进一步研究。3“煤层工作面巷道底板距离2"煤层约7. 4 m，从应力分布角度来看，按方案1布置时，3“煤层巷道巷帮距离2"煤层遗留煤柱边缘的水平距离6. 7 m，此时煤柱宽度至少为33. 4 m.若按方案4布置，巷道外错上层煤柱至少6. 7 m，此时煤柱宽度为20 m.
2. 3 3"煤层工作面巷道稳定性评价及建议
根据上述计算，3“煤层巷道巷帮距离2"煤层遗留煤柱边缘的水平距离6. 7 m，煤柱宽度为33.4 m.目前3"煤层巷道距离2"煤层遗留煤柱边缘约10 m，处于稳定区域。因此，3“煤层工作面巷道可以保持稳定。但是，3“煤层工作面煤柱留设宽度近40 m，煤炭损失量较大。因此，建议后续工作面考虑方案4布置，考虑一定安全系数，可将工作面巷道外错煤柱边缘8 m，跨上层遗留煤柱开采，留设煤柱宽度仍可为20 m.3结语
1)从巷道围岩控制角度来看，方案1降低了2"煤层采空区遗留煤柱集中应力的影响，有利于巷道围岩稳定。方案2和方案3虽然煤柱宽度相对较窄，但围岩控制难度较大，不利于巷道围岩保持稳定。方案4煤柱宽度相对较窄，且巷道围岩稳定性得到保障。因此，方案1和方案4可以作为巷道布置备选方案。目前3}煤层已经开采，按方案1布置。为保证巷道围岩稳定性，需要确定巷道合理外错位置。
2)经计算，3"煤层工作面回采巷道距离2"煤层遗留煤柱边缘距离应至少6. 7 m.目前3}煤层巷道外错约10 m，处于稳定区域。因此，3}煤层工作面巷道可以保持稳定。
3) 3“煤层工作面煤柱留设宽度近40 m，煤炭损失量较大。因此，在3}煤层工作面后续布置时，建议考虑工作面巷道外错煤柱边缘8 m，跨上层遗留煤柱开采，留设煤柱宽度为20 m，煤柱宽度将大幅降低。
