煤炭科学技术

作者：王媛彬, 王小龙, 王旭, 郭亚茹,

关键词：异物检测, YOLOv7, 特征增强模块, 聚焦线性注意力, 高效动态蛇形卷积, SIOU,

矿井输送带异物检测对于保障煤矿安全生产和提升自动化水平具有重要意义。然而，受井下光照不足、强点光源干扰以及背景复杂等因素影响，传统机器视觉方法在异物识别中存在检测精度低、漏检率高等问题，尤其在面对多尺度及小尺寸异物目标时效果不佳，同时有限的异物样本也制约了模型的训练效果。为此，提出一种融合特征增强结构与聚焦线性注意力机制的改进型YOLOv7异物检测算法。首先，在主干网络中引入构建的特征增强模块，通过多尺度并行结构与可切换空洞卷积扩展感受野，增强模型对小目标异物的特征提取能力；其次，融合聚焦线性注意力机制，有效抑制复杂背景干扰，提升模型对关键异物区域的关注力与判别能力；然后，设计高效动态蛇形卷积模块，以适应条状异物的几何特性，并提升特征融合阶段的语义表达能力；此外，采用具有方向感知能力的SIOU损失函数，增强边界框的拟合精度与训练收敛效率；最后，引入迁移学习策略，在通用数据集上进行预训练，并迁移至煤矿输送带异物检测任务中，以缓解小样本数据带来的训练难题。在CUMT-BELT数据集上的试验结果表明，本文提出的算法检测精度达到了89.3%，相较于基线模型YOLOv7提升了9.3%。同时，研究提出的算法在检测精度、召回率和mAP@0.5等指标上均显著优于其他主流的检测方法，尤其在多尺度、小目标及条状异物检测任务中表现出更强的鲁棒性与适应性，验证了所提方法在复杂矿井场景下的有效性与实用性。

来源：2025年第11期

《煤炭科学技术》期刊编辑部

查看煤炭科学技术杂志2025年第11期