【能源人都在看，点击右上角加'关注'】

一

研究背景

近年来，机器视觉技术在煤矸识别领域应用广泛，主要分为图像处理算法与深度学习算法2种。图像处理算法在实际应用中需根据不同场景人为调整参数，且算法鲁棒性较差、实用性不强。深度学习算法识别率较高且鲁棒性强，但在煤矸目标检测应用中，存在检测速度慢且检测精度较低等问题。针对上述问题，在YOLOv5s模型的基础上，提出了一种改进YOLOv5s模型，并将其应用于煤矸目标检测中。

二

研究内容

（1）YOLOv5s的Backbone区域主要采用多组残差模块堆叠而成。然而，残差模块无法充分融合多尺度特征信息，将自校正卷积网络SCConv结构嵌入YOLOv5s模型的Backbone区域，在不明显增加YOLOv5s模型复杂度的情况下，改善Backbone区域的特征提取能力。

（2）由于煤块和矸石的尺寸相对整张图像过小，使得Neck区域进行大目标检测变得冗余。为提高模型检测速度，对YOLOv5s模型Neck区域进行适当精简，将其中拥有最大感受野、适合检测较大尺寸对象的19×19特征图分支进行删除，从而降低模型复杂度并提高检测实时性。

（3）在YOLOv5s模型训练过程中，通过K-means算法聚类生成的锚框尺寸相对比较集中，有相当一部分物体真实标记框尺寸与K-means算法聚类得到的锚框尺寸存在较大差异，聚类得到的锚框尺寸无法很好地覆盖数据集中绝大部分标记框的真实尺寸，致使模型收敛较慢且很难达到最优状态。将K-means算法聚类生成锚框进行线性尺度缩放，从而提高模型检测精度。

三

结果分析

相较于YOLOv5s模型，改进YOLOv5s模型大小降低了1.57 MB，减少了模型参数，传输帧速度增加了2.1帧/s，平均精度均值提高了1.7%，表明改进YOLOv5s模型在检测速度和检测精度上均有提升。

引用格式

沈科,季亮,张袁浩,等.基于改进YOLOv5s模型的煤矸目标检测[J].工矿自动化,2021,47(11):107-111.

SHEN Ke,JI Liang,ZHANG Yuanhao,et on coal and gangue detection algorithm based on improved YOLOv5s model[J].Industry and Mine Automation,2021,47(11):107-111.

作者联系方式

沈科（1982—），男，江苏常州人，工程师，主要从事机器视觉、深度学习算法及软件的研发工作，E-mail: 。

责任编辑联系方式

盛 男

E-

郑海霞

E-

免责声明：以上内容转载自工矿自动化，所发内容不代表本平台立场。

全国能源信息平台联系电话：，邮箱，地址：北京市朝阳区金台西路2号人民日报社