李利，梁晶，陳旭東，等.基于多注意融合網(wǎng)絡(luò)的輸煤皮帶異物識(shí)別方法[J].西安科技大學(xué)學(xué)報(bào)，2024，44（5）：976-984.

LI Li，LIANG Jing，CHEN Xudong，et al.Foreign object recognition in coal conveyor belt "based on multi-attention fusion network[J].Journal of Xi’an University of Science and Technology，2024，44（5）：976-984.

摘要：為改善現(xiàn)有輸煤皮帶異物識(shí)別算法網(wǎng)絡(luò)參數(shù)量大、識(shí)別精度不高的問題，及時(shí)避免大塊煤和矸石、錨桿等帶來的安全隱患，提出了一種基于多注意融合網(wǎng)絡(luò)的輸煤皮帶異物識(shí)別方法，使用低照度圖像處理算法對(duì)數(shù)據(jù)集進(jìn)行預(yù)處理，采用融合局部注意力殘差塊作為基本特征提取單元，在殘差塊中融入帶有額外偏移量的可變形卷積以增加對(duì)不規(guī)則特征的描述，用注意力機(jī)制對(duì)全局特征圖做期望最大化處理。

結(jié)果表明：在Cifar 10數(shù)據(jù)集和礦用皮帶傳輸異物識(shí)別數(shù)據(jù)集的識(shí)別準(zhǔn)確率分別為93.7%和84.8%；與ShufflenetV2、MobileNetV2、ResNet 50、ResNet 110、Darknet 53算法相比，識(shí)別準(zhǔn)確率分別提升了4.7%、3.9%、0.4%、0.5%、1.7%；與識(shí)別準(zhǔn)確率相近的 ResNet 50、ResNet 110算法相比，網(wǎng)絡(luò)參數(shù)量和計(jì)算復(fù)雜度大大減小。識(shí)別方法能夠快速識(shí)別輸煤皮帶異物，且具有較高的識(shí)別準(zhǔn)確率，對(duì)保障煤礦運(yùn)輸系統(tǒng)的安全運(yùn)行具有參考意義。

關(guān)鍵詞：異物識(shí)別；輸煤皮帶；Darknet網(wǎng)絡(luò)；可變形卷積；注意力機(jī)制

中圖分類號(hào)：TD 528

Foreign object recognition in coal conveyor belt based on multi-attention fusion network

LI Li1，2，3， "LIANG Jing1，CHEN Xudong1， "KOU Farong1，3， "PAN Hongguang1，2

（1.College of Electrical and Control Engineering，Xi’an University of Science and Technology，Xi’an 710054，China;

2.Xi’an Key Laboratory of Electrical Equipment Status Monitoring and Power Supply Safety，Xi’an 710054，China；

3.College of Mechanical Engineering，Xi’an University of Science and Technology，Xi’an 710054，China）

Abstract：In order to slove the problems of large network parameters and low recognition accuracy of the existing foreign object recognition algorithms for coal conveyor belt，and to avoid safety hazards just in time caused by large blocks of coal，gangue，anchor rods，etc.，a foreign object recognition method for coal conveyor belts based on a multi-attention fusion network is proposed.

The low illumination image processing algorithm is adopted to preprocess the dataset.A fused local attention residual block is chosen as the basic feature extraction unit with deformable convolution with additional offsets integrated into the residual block to enhance the description of irregular features.

The global feature map is processed with expectation maximization using an attention mechanism .The results show that the recognition accuracy rates on the Cifar10 dataset and the foreign object recognition dataset for mining belt transmission are 93.7% and 84.8%，respectively.Compared with algorithms such as ShufflenetV2，MobileNetV2，ResNet 50，ResNet 110， and Darknet 53，the proposed method increases the recognition accuracy rates "by 4.7%，3.9%，0.4%，0.5% and 1.7%，respectively.Compared with algorithms such as ResNet50 and ResNet110 with similar recognition accuracy rates，it reduces the network parameters and computational complexity significantly.This recognition method"can quickly identify foreign object in coal conveyor belt and has a high recognition accuracy rate，which has reference significance for ensuring the safe operation of coal mine transportation systems.

Key words：foreign object recognition;coal conveyor belt;Darknet network;deformable convolution;attention mechanism

0引言

煤炭在中國(guó)的能源消費(fèi)結(jié)構(gòu)中占有非常大的比重，煤炭安全生產(chǎn)是核心環(huán)節(jié)。帶式輸送機(jī)作為煤礦開采和運(yùn)輸?shù)闹鲃?dòng)脈，經(jīng)常出現(xiàn)摻雜錨桿、大塊煤等異物的情況，導(dǎo)致輸送皮帶撕裂、轉(zhuǎn)接處堵塞等事故發(fā)生，嚴(yán)重影響煤礦安全高效生產(chǎn)[1-2]。因此，為了有效保障煤礦運(yùn)輸系統(tǒng)的安全運(yùn)行，需要對(duì)輸煤皮帶上存在的大塊煤及矸石、錨桿等異物進(jìn)行快速識(shí)別[3]。

現(xiàn)有基于視覺的目標(biāo)檢測(cè)和分類識(shí)別算法可以實(shí)現(xiàn)輸煤皮帶異物的分類識(shí)別[4-6]。目標(biāo)檢測(cè)算法需要定位和框選圖像中的感興趣區(qū)域，這增加了計(jì)算量[7-11]。相比與目標(biāo)檢測(cè)方法，分類識(shí)別算法則可直接對(duì)異物進(jìn)行分類識(shí)別，省略了對(duì)感興趣區(qū)域定位的步驟，大大減小了網(wǎng)絡(luò)的計(jì)算復(fù)雜度，保證了異物識(shí)別的快速性[12-14]。但是，煤礦井下環(huán)境復(fù)雜，光照不足、粉塵彌漫等因素使得現(xiàn)有分類方法在井下輸煤皮帶異物識(shí)別問題上具有相當(dāng)大的難度[15-16]。目前，許多研究應(yīng)用機(jī)器視覺技術(shù)解決異物分類識(shí)別問題，但其大多采用基于各種多分類算法的圖像處理技術(shù)，易受環(huán)境因素影響，導(dǎo)致分類識(shí)別效果不理想[17-18]。除了使用傳統(tǒng)機(jī)器視覺技術(shù)外，一些學(xué)者也將深度學(xué)習(xí)技術(shù)應(yīng)用于異物識(shí)別問題，該類異物識(shí)別技術(shù)多由卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)，通過多次卷積和池化來提取物品特征，再通過全連接層來進(jìn)行分類識(shí)別。郝帥等基于YOLOv5網(wǎng)絡(luò)，研究了皮帶輸送異物識(shí)別問題，改進(jìn)了其網(wǎng)絡(luò)結(jié)構(gòu)，提高了淺層特征獲取能力[19]；PU等基于VGG網(wǎng)絡(luò)，建立了異物識(shí)別模型[20]；于濤等基于透視變換和SNc-YOLOv5算法，實(shí)現(xiàn)了對(duì)大塊煤的檢測(cè)[21]；毛清華等通過直方圖均衡化進(jìn)行圖像預(yù)處理，并采用深度可分離卷積等優(yōu)化YOLOv7網(wǎng)絡(luò)結(jié)構(gòu)，提高了異物檢測(cè)性能[22]；馬巖等基于異物圖像的數(shù)據(jù)特性，使用MobileNet網(wǎng)絡(luò)，針對(duì)性地優(yōu)化了網(wǎng)絡(luò)結(jié)構(gòu)且改進(jìn)了損失函數(shù)[23]。

現(xiàn)有輸煤皮帶異物識(shí)別算法很少針對(duì)現(xiàn)場(chǎng)環(huán)境對(duì)圖像進(jìn)行預(yù)處理，且網(wǎng)絡(luò)計(jì)算復(fù)雜度高、參數(shù)量大，識(shí)別精度不足[24-28]。為了解決這些問題，提出了一種基于多注意融合網(wǎng)絡(luò)的輸煤皮帶異物識(shí)別算法。針對(duì)礦井圖像的低照度特點(diǎn)，引入單尺度Retinex算法對(duì)圖像數(shù)據(jù)進(jìn)行圖像增強(qiáng)[29-30]。同時(shí)，通過在原有網(wǎng)絡(luò)結(jié)構(gòu)上增加權(quán)重參數(shù)，增強(qiáng)網(wǎng)絡(luò)不同通道的特征表現(xiàn)力；將融合注意力的瓶頸模塊用于特征提取，融入帶有偏移量卷積的可變形卷積算法。該方法通過優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)和注意力機(jī)制，成功減少了網(wǎng)絡(luò)參數(shù)量和計(jì)算復(fù)雜度，能夠快速識(shí)別輸煤皮帶上異物，對(duì)于保障煤礦運(yùn)輸系統(tǒng)的安全運(yùn)行具有重要意義。

1融合網(wǎng)絡(luò)算法

Darknet網(wǎng)絡(luò)通常用于目標(biāo)檢測(cè)和分類識(shí)別問題，它是YOLO系列算法的核心網(wǎng)絡(luò)模型。設(shè)計(jì)思路是通過卷積池化層進(jìn)行特征提取和通道降維；在殘差塊中對(duì)輸入特征圖的通道數(shù)進(jìn)行裁剪，并采用多維度的特征拼接，實(shí)現(xiàn)在保留輸入主要特征的同時(shí)降低模型的計(jì)算復(fù)雜度；通過殘差連接將提取到特征與原始輸入特征相加，從而保持特征圖維度不變。

Darknet網(wǎng)絡(luò)結(jié)構(gòu)被劃分為3部分，第1部分主要由常規(guī)的卷積層和最大池化層組成，這部分將圖像的空間信息不斷縮小并增加深度；第2部分主要由Darknet特有的瓶頸模塊結(jié)構(gòu)組成，通過這種瓶頸模塊結(jié)構(gòu)加速收斂、減少梯度消失，提高分類識(shí)別精度，在殘差塊中引入可變形卷積和注意力機(jī)制，增強(qiáng)特征提取能力和通道權(quán)重特征表達(dá)能力；第3部分主要由全局多尺度注意力機(jī)制和用于分類的全連接層組成（圖1）。

1.1Darknet融合注意力網(wǎng)絡(luò)

基于Darknet網(wǎng)絡(luò)的識(shí)別算法已被應(yīng)用于輸煤皮帶異物識(shí)別，但現(xiàn)有算法檢測(cè)精度尚顯不足，難以滿足礦井安全生產(chǎn)的嚴(yán)格要求。為增強(qiáng)Darknet網(wǎng)絡(luò)的特征提取能力，在作為特征提取單元的瓶頸模塊中融入卷積塊注意力模塊（Convolutional Block Attention Module，CBAM），即在殘差塊特征融合之后引入CBAM注意力機(jī)制，增加通道權(quán)重參數(shù)（圖2）。

CBAM是一種結(jié)合了通道注意力和空間注意力的輕量級(jí)模塊，通道注意力對(duì)每個(gè)通道進(jìn)行池化操作，得到通道全局平均值，再通過卷積層，將全局平均值映射為權(quán)重向量，與原始特征圖相乘獲得新的加權(quán)特征圖；空間注意力將通道注意力輸出的加權(quán)特征圖作為輸入，分別對(duì)每個(gè)通道的特征圖進(jìn)行最大池化和平均池化，得到兩個(gè)空間特征圖，通過一個(gè)卷積層將這兩個(gè)空間特征圖相加，產(chǎn)生一個(gè)權(quán)重圖，與原始特征圖相乘以重新加權(quán)調(diào)整每個(gè)空間位置權(quán)重，將這個(gè)新加權(quán)特征圖傳遞給網(wǎng)絡(luò)的下一層。CBAM注意機(jī)制幾乎可以嵌入任何卷積網(wǎng)絡(luò)中，在增加較少計(jì)算量和參數(shù)量的情況下，能大大增強(qiáng)模型性能（圖3）。

1.2可變形卷積

礦用數(shù)據(jù)集特征不規(guī)則且樣本復(fù)雜多變。為了使多注意融合網(wǎng)絡(luò)盡可能保留更多有效信息，在主干特征提取網(wǎng)絡(luò)的殘差連接模塊Bottleneck中引入可變形卷積網(wǎng)絡(luò)（Deformable Convolutional Network，DCN），再將Bottleneck_DCN引入瓶頸模塊中，在不影響模型整體穩(wěn)定性情況下，提高了模型性能。DCN原理是通過增加額外偏移量來增加模塊的空間采樣位置，在不需要額度監(jiān)督的情況下通過卷積算法處理來自目標(biāo)的偏移量。

傳統(tǒng)的卷積結(jié)構(gòu)可以定義為

y（P0）=∑Pn∈R∫10w（Pn）·x（P0+Pn）

（1）

式中Pn是P0在卷積核范圍內(nèi)的每個(gè)偏移量；y是輸出特征圖的每個(gè)點(diǎn)，與卷積核中心點(diǎn)對(duì)應(yīng)。

可變形卷積在公式（1）的基礎(chǔ)上為每個(gè)點(diǎn)引入了一個(gè)偏移量ΔPn，偏移量是由輸入特征圖通過卷積生成，如下式。

y（P0）=∑

Pn∈R

∫10w（Pn）·x（P0+Pn+ΔPn）

（2）

可變形卷積包含普通卷積核和學(xué)習(xí)偏移量對(duì)應(yīng)卷積層內(nèi)的卷積核，這兩種卷積核通過雙線性插值反向傳播進(jìn)行參數(shù)更新，從而比正常的卷積操作多學(xué)習(xí)了卷積核的偏移量信息。

1.3融合全局注意力機(jī)制

煤礦井下輸煤皮帶的異物識(shí)別環(huán)境復(fù)雜，Darknet網(wǎng)絡(luò)在這類場(chǎng)景中的表現(xiàn)相對(duì)欠佳。針對(duì)該類復(fù)雜背景下的識(shí)別任務(wù)，注意力機(jī)制可以對(duì)不同區(qū)域分配不同權(quán)重，使模型更集中地處理關(guān)鍵目標(biāo)區(qū)域，減少背景干擾的敏感性，從而提高輸煤皮帶異物識(shí)別的準(zhǔn)確度。多注意融合網(wǎng)絡(luò)輸煤皮帶異物識(shí)別方法引入期望最大化注意力（Expectation Maximization Attention， EMA），在原全局特征圖基礎(chǔ)上通過期望最大化重建特征圖，提高了算法的圖像識(shí)別性能。

EMA整體結(jié)構(gòu)采用了并行子結(jié)構(gòu)，能夠在卷積操作中不進(jìn)行通道降維的情況下學(xué)習(xí)有效的通道描述，并為高級(jí)特征圖產(chǎn)生更好的像素級(jí)別的注意力信息。具體來說，對(duì)于輸入維度為C×H×W的特征圖，首先進(jìn)行平均池化，再利用從協(xié)調(diào)注意力（Coordinate Attention， CA）模塊中挑選出的1×1卷積共享組件生成通道注意力。為了聚合多尺度空間結(jié)構(gòu)信息，將3×3卷積分支與1×1分支并行放置以實(shí)現(xiàn)快速響應(yīng)，利用二維全局平均池化將全局空間信息編碼，并通過兩個(gè)分支輸出并融合，從而實(shí)現(xiàn)了跨空間學(xué)習(xí)，有效地建立短期和長(zhǎng)期依賴關(guān)系，進(jìn)而獲得更好的性能（圖4）。

1.4低照度圖像處理

針對(duì)礦井圖像數(shù)據(jù)低照度的特點(diǎn)，引入單尺度Retinex算法對(duì)圖像數(shù)據(jù)進(jìn)行圖像增強(qiáng)。Retinex算法是一種基于人眼視覺感知原理的圖像增強(qiáng)算法，它能夠有效地增強(qiáng)圖像對(duì)比度和色彩飽和度，同時(shí)保持圖像的自然外觀。此外，單尺度Retinex算法通過計(jì)算圖像中每個(gè)像素周圍區(qū)域的平均亮度，并將其作為該像素的參考亮度，從而獲得圖像的增強(qiáng)版本。單尺度Retinex算法圖像增強(qiáng)效果（圖5）。

單尺度Retinex算法的數(shù)學(xué)模型為

Ie（x，y）=I（x，y）·（Le（x，y）L（x，y））

（3）

式中I（x， y）為原始圖像的像素值；Ie（x， y）為增強(qiáng)后圖像的像素值；L（x， y）為原始圖像中以像素（x，y）為中心的局部區(qū)域的平均亮度。

2試驗(yàn)結(jié)果

試驗(yàn)平臺(tái)選擇Ubuntu 20.04.2版本，GPU型號(hào)為NVIDIA RTX 2080 Ti，顯存為11 GB，使用的Pytorch框架版本號(hào)為1.8，CUDA驅(qū)動(dòng)版本號(hào)為11.1。

2.1試驗(yàn)數(shù)據(jù)

礦用數(shù)據(jù)集來源于煤礦井下皮帶輸

煤場(chǎng)景，其中訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集比例為4∶1。數(shù)據(jù)集共分為3個(gè)類別：大塊異物、錨桿和正常煤流，其中前兩行的圖片屬于第一類別，該類異物可能會(huì)導(dǎo)致皮帶的落煤口堵塞，從而使皮帶脫軌，妨礙正常運(yùn)輸；中間兩行的圖片屬于第二類別，該類異物在傳輸過程中可能會(huì)劃傷傳輸皮帶；后兩行圖片是正常的皮帶輸煤數(shù)據(jù)（圖6）。

2.2結(jié)果分析

2.2.1模型效果

在迭代次數(shù)為79時(shí)，模型完全收斂，識(shí)別準(zhǔn)確率較好且收斂速度較快。與其他算法相比，識(shí)別準(zhǔn)確率高、收斂迅速且損失函數(shù)收斂效果好（圖7、圖8）。

2.2.2消融試驗(yàn)

為了研究CBAM注意力融合方式對(duì)多注意融合網(wǎng)絡(luò)識(shí)別效果的影響，使用礦用數(shù)據(jù)集對(duì)比試驗(yàn)3種CBAM注意力融合方法（圖9）。

在全部瓶頸模塊中融入CBAM注意力機(jī)制的多注意融合網(wǎng)絡(luò)輸煤皮帶異物識(shí)別方法比在主干或單個(gè)瓶頸模塊中融入的效果更佳，融合CBAM注意力機(jī)制的輸煤皮帶異物識(shí)別準(zhǔn)確率分別提高了0.2%、0.1%和0.5%（表1，圖10）。

為了比較可變形卷積對(duì)多注意融合網(wǎng)絡(luò)識(shí)別準(zhǔn)確率的提升效果，在全部瓶頸模塊中融入CBAM注意力機(jī)制的基礎(chǔ)上，在全主干使用可變形卷積和只在瓶頸模塊中使用可變形卷積這2種融合方法進(jìn)行對(duì)比試驗(yàn)。

從表2可以看出，只在瓶頸模塊中使用可變形卷積比在主干中融入的效果更佳，Darknet全主干使用可變形卷積和只在瓶頸模塊融入可變形卷積這兩種改進(jìn)方式的準(zhǔn)確率分別提升了0.1%和0.4%（表2，圖11）。

基于以上改進(jìn)的融合網(wǎng)絡(luò)，在網(wǎng)絡(luò)特征提取主干之后和用于分類的全連接網(wǎng)絡(luò)之前，引入了EMA注意力機(jī)制。

當(dāng)引入EMA注意力機(jī)制后，識(shí)別準(zhǔn)確率提高了0.5%，識(shí)別性能提升顯著，且網(wǎng)絡(luò)參數(shù)量增加較少（表3）。

在以上多注意融合網(wǎng)絡(luò)的基礎(chǔ)上，引入低照度圖像處理方法，用于圖像增強(qiáng)。

當(dāng)引入低照度圖像增強(qiáng)處理后，識(shí)別精確率提高了0.3%，且網(wǎng)絡(luò)參數(shù)量并未增加，保證了識(shí)別速率，能夠?qū)崿F(xiàn)對(duì)帶式輸送機(jī)異物的快速精準(zhǔn)識(shí)別（表4）。

2.2.3對(duì)比試驗(yàn)

為了進(jìn)一步驗(yàn)證多注意融合網(wǎng)絡(luò)的識(shí)別性能，對(duì)比分析目前幾種主流圖像分類識(shí)別網(wǎng)絡(luò)的復(fù)雜度和參數(shù)量，并在礦用數(shù)據(jù)集和公共數(shù)據(jù)集上比較識(shí)別準(zhǔn)確率。

不同網(wǎng)絡(luò)的計(jì)算復(fù)雜度、參數(shù)量、識(shí)別準(zhǔn)確率都有著顯著差異。從網(wǎng)絡(luò)參數(shù)量和計(jì)算復(fù)雜度方面分析，多注意融合網(wǎng)絡(luò)與ShufflenetV2、MobileNetV2、Darknet 53算法參數(shù)量相近，且識(shí)別準(zhǔn)確率相比與這3種算法在Cifar 10數(shù)據(jù)集上分別提高了5.3%、4.6%和0.6%，在礦用數(shù)據(jù)集上分別提高了4.7%、3.9%和1.7%。從分類準(zhǔn)確率指標(biāo)上來看，多注意融合網(wǎng)絡(luò)與ResNet 50、ResNet 110相近，但網(wǎng)絡(luò)的參數(shù)量和計(jì)算復(fù)雜度均大大減小，保證了網(wǎng)絡(luò)識(shí)別的快速性（表5）。

通過上述對(duì)比試驗(yàn)可知，基于多注意融合網(wǎng)絡(luò)的輸煤皮帶異物識(shí)別方法在實(shí)現(xiàn)較高識(shí)別準(zhǔn)確率的前提下，具有較小的計(jì)算復(fù)雜度和網(wǎng)絡(luò)參數(shù)量，能夠及時(shí)且有效地快速識(shí)別輸煤皮帶異物。

3結(jié)論

1）多注意融合網(wǎng)絡(luò)輸煤皮帶異物識(shí)別方法通過結(jié)合低照度圖像處理、融合局部注意力殘差塊以及全局特征圖的注意力機(jī)制，顯著提升了分類識(shí)別準(zhǔn)確率。在Cifar 10數(shù)據(jù)集和礦用皮帶傳輸異物識(shí)別數(shù)據(jù)集上表現(xiàn)優(yōu)越。

2）與多種主流深度學(xué)習(xí)模型相比，多注意融合網(wǎng)絡(luò)輸煤皮帶異物識(shí)別方法分類識(shí)別準(zhǔn)確率表現(xiàn)出色。與ShufflenetV2、MobileNetV2、ResNet 50、ResNet 110、Darknet 53等算法相比，在分類識(shí)別準(zhǔn)確率上有了顯著提升，表明在輸煤皮帶異物分類任務(wù)中具有更高的識(shí)別性能。

3）在保持高識(shí)別準(zhǔn)確率的同時(shí)，顯著降低了網(wǎng)絡(luò)參數(shù)量和計(jì)算復(fù)雜度。與分類準(zhǔn)確率相近的ResNet 50、ResNet 110等算法相比，該方法通過優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)和注意力機(jī)制，成功減少了網(wǎng)絡(luò)參數(shù)量和計(jì)算復(fù)雜度，使得算法在實(shí)際應(yīng)用中更加高效，能夠快速識(shí)別輸煤皮帶上異物。

參考文獻(xiàn)（References）：

[1]王哲興.煤礦皮帶運(yùn)輸異物識(shí)別及去除技術(shù)研究[J].中國(guó)石油和化工標(biāo)準(zhǔn)與質(zhì)量，2022，42（15）：87-89.

WANG Zhexing.Research on foreign matter identification and removal technology in coal mine belt transportation[J].China Petroleum and Chemical Standards and Quality，2022，42（15）：87-89.

[2]韓曉東，宋云龍.煤礦井下皮帶AI異物識(shí)別與聯(lián)動(dòng)控制研究與應(yīng)用[J].能源與節(jié)能，2023（8）：154-158.

HAN Xiaodong，SONG Yunlong.Research and application of AI foreign object identification and linkage control in underground coal mine belt[J].Energy and Energy Conservation，2023（8）：154-158.

[3]任富強(qiáng)，李剛，康宇全.圖像AI識(shí)別在煤炭運(yùn)輸中的應(yīng)用研究[J].運(yùn)輸經(jīng)理世界，2022（9）：95-97.

REN Fuqiang，LI Gang，KANG Yuquan.Research on the application of image AI recognition in coal transportation[J].Transport Manager World，2022（9）：95-97.

[4]CEN F，ZHAO X H，LI W Z，et al.Deep feature augmentation for occluded image classification[J].Pattern Recognition，2021（111）：107737.

[5]程德強(qiáng)，王雨晨，寇旗旗，等.基于改進(jìn)深度殘差網(wǎng)絡(luò)的礦井圖像分類[J].計(jì)算機(jī)應(yīng)用研究，2021，38（5）：1576-1580.

CHENG Deqiang，WANG Yuchen，KOU Qiqi，et al.Classification of mine images based on improved deep residual network[J].Application Research of Compu-ters，2021，38（5）：1576-1580.

[6]肖進(jìn)勝，劉恩雨，朱力，等.改進(jìn)的基于卷積神經(jīng)網(wǎng)絡(luò)的圖像超分辨率算法[J].光學(xué)學(xué)報(bào)，2017，37（3）：103-111.

XIAO Jinsheng，LIU Enyu，ZHU Li，et al.Improved image super resolution algorithm based on convolutional neural network[J].Acta Optica Sinica，2017，37（3）：103-111.

[7]楊慧劍，孟亮.基于改進(jìn)的YOLOv5的航拍圖像中小目標(biāo)檢測(cè)算法[J].計(jì)算機(jī)工程與科學(xué)，2023，45（6）：1063-1070.

YANG Huijian，Meng Liang.A small target detection algorithm based on improved YOLOv5 in aerial image[J].Computer Engineering and Science，2023，45（6）：1063-1070.

[8]劉浩翰，樊一鳴，賀懷清，等.改進(jìn)YOLOv7-tiny的目標(biāo)檢測(cè)輕量化模型[J].計(jì)算機(jī)工程與應(yīng)用，2023，59（14）：166-175.

LIU Haohan，F(xiàn)AN Yiming，HE Huaiqing，et al.Improved

YOLOv7-tiny’s object detection lightweight model[J].Computer Engineering and Applications，2023，59（14）： 166-175.

[9]趙安新，楊金橋，楊浩波，等.基于改進(jìn)DeepSORT和FastReID的室內(nèi)多目標(biāo)人員跨鏡識(shí)別與跟蹤[J].西安科技大學(xué)學(xué)報(bào)，2023，43（3）：622-630.

ZHAO Anxin，YANG Jinqiao，YANG Haobo，et al．Indoor multi-object personnel recognition and tracking across camera based on optimized DeepSORT and FastReID[J].Journal of Xi’an University of Science and Technology，2023，43（3）：622-630.

[10]張維，徐華龍.三維模型與視頻監(jiān)控融合關(guān)鍵技術(shù)研究[J].煤礦安全，2019，50（10）：112-114.

ZHANG Wei，XU Hualong.Research on key technologies of 3D model and video monitoring fusion[J].Safety in Coal Mines，2019，50（10）：112-114.

[11]WANG W W，ZHANG H F，ZHANG Z，et al.Sparse graph based self-supervised hashing for scalable image retrieval[J].Information Sciences，2021，547：622-640.

[12]王燕，郭瀟檣，劉新華，等.帶式輸送機(jī)大塊異物視覺檢測(cè)系統(tǒng)設(shè)計(jì)[J].機(jī)械科學(xué)與技術(shù)，2021，40（12）：1939-1943.

WANG Yan，GUO Xiaoqiang，LIU Xinhua，et al.Design of visual detection system for large foreign body in belt conveyor[J].Mechanical Science and Technology for Aerospace Engineering，2021，40（12）：1939-1943.

[13]GUO A，SUN K Q，ZHANG Z Y.A lightweight YOLOv8 integrating FasterNet for real-time underwater object detection[J].Journal of Real-Time Image Processing，2024，21（2）：1-15.

[14]LIU B，F(xiàn)ANG S.Multi-aggregation network based on non-separable lifting wavelet for single image deraining[J].Multimedia Systems，2023，29（6）：3669-3684..

[15]胡璟皓，高妍，張紅娟，等.基于深度學(xué)習(xí)的帶式輸送機(jī)非煤異物識(shí)別方法[J].工礦自動(dòng)化，2021，47（6）：57-62.

HU Jinghao，GAO Yan，ZHANG Hongjuan，et al.Research on the identification method for non-coal foreign object of belt conveyor based on learning[J].Industrial and Mining Automation，2021，47（6）：57-62.

[16]何敏，王培培，蔣慧慧，等.基于SVM和紋理的煤和煤矸石自動(dòng)識(shí)別[J].計(jì)算機(jī)工程與設(shè)計(jì)，2012，33（3）：1117-1121.

HE Min，WANG Peipei，JIANG Huihui，et al.Recognition of coal and stone based on SVM and texture[J].Computer Engineering and Design，2012，33（3）： 1117-1121.

[17]吳守鵬，丁恩杰，俞嘯.基于改進(jìn)FPN的輸送帶異物識(shí)別方法[J].煤礦安全，2019，50（12）：127-130.

WU Shoupeng，DING Enjie，YU Xiao.Foreign body identification of belt based on improved FPN[J].Safety in Coal Mines，2019，50（12）：127-130.

[18]程健，王東偉，楊凌凱，等.一種改進(jìn)的高斯混合模型煤矸石視頻檢測(cè)方法[J].中南大學(xué)學(xué)報(bào)（自然科學(xué)版），2018，49（1）：118-123.

CHENG Jian，WANG Dongwei，YANG Lingkai，et al.An improved Gaussian mixture model for coal gangue video detection[J].Journal of Central South University（Science and Technology），2018，49（1）：118-123.

[19]郝帥，張旭，馬旭，等.基于CBAM-YOLOv5的煤礦輸送帶異物檢測(cè)[J].煤炭學(xué)報(bào)，2022，47（11）：4147-4156.

HAO Shuai，ZHANG Xu，MA Xu，et al.Foreign object detection in coal mine conveyor belt based on CBAM-YOLOv5[J].Journal of China Coal Society，2022，47（11）：4147-4156.

[20]PU Y Y，APEL D，SZMIGIEL A，et al.Image recognition of coal and coal gangue using a convolutional neural network and transfer learning[J].Energies，2019，12（9）： 1735-1746.

[21]于濤.基于透視變換和SNc-YOLOv5的大塊煤識(shí)別方法應(yīng)用[J].西安科技大學(xué)學(xué)報(bào)，2024，44（1）：54-63.

YU Tao.Application of large block coal recognition method based on perspective transformation and SNc-YOLOv5[J].Journal of Xi’an University of Science and Technology，2024，44（1）：54-63.

[22]毛清華，李世坤，胡鑫，等.基于改進(jìn)YOLOv7的煤礦帶式輸送機(jī)異物識(shí)別[J].工礦自動(dòng)化，2022，48（12）：26-32.

MAO Qinghua，LI Shikun，HU Xin，et al.Foreign object recognition of belt conveyor in coal mine based on improved YOLOv7[J].Journal of Mine Automation，2022，48（12）：26-32.

[23]馬巖.煤矸圖像識(shí)別的深度學(xué)習(xí)算法及其關(guān)鍵技術(shù)研究[D].北京：中國(guó)礦業(yè)大學(xué)（北京），2019.

MA Yan.Research on deep learning algorithm and key technology of coal gangue image recognition[D].Beijing：China University of Mining and Technology（Beijing），2019.

[24]XIAO D，KANG Z，YU H，et al.Research on belt foreign body detection method based on deep learning[J].Transactions of the Institute of Measurement and Control，2022，44（15）：2919-2927.

[25]WU J H，LIU Y D，OUYANG A G.Research on real time identification of seed variety by machine vision technology[J].Journal of Transcluction Technology，2005，18（4）：742-744.

[26]徐慈強(qiáng)，賈運(yùn)紅，田原.基于MES-YOLOv5s的綜采工作面大塊煤檢測(cè)算法[J].工礦自動(dòng)化，2024，50（3）：42-47.

XU Ciqiang，JIA Yunhong，TIAN Yuan.Large block coal detection algorithm for fully mechanized working face based on MES-YOLOv5s[J].Journal of Mine Automation，2024，50（3）：42-47.

[27]王淵，郭衛(wèi)，張傳偉，等.融合注意力機(jī)制和先驗(yàn)知識(shí)的刮板輸送機(jī)異常煤塊檢測(cè)[J].西安科技大學(xué)學(xué)報(bào)，2023，43（1）：192-200.

WANG Yuan，GUO Wei，ZHANG Chuanwei，et al.Detection of abnormal coal block in scraper conveyor by integrating attention mechanism and prior knowledge[J].Journal of Xi’an University of Science and Technology，2023，43（1）：192-200.

[28]王國(guó)法，趙國(guó)瑞，任懷偉.智慧煤礦與智能化開采關(guān)鍵核心技術(shù)分析[J].煤炭學(xué)報(bào)，2019，44（1）：34-41.

WANG Guofa，ZHAO Guorui，REN Huaiwei.Analysis of key technologies of intelligent coal mine and intelligent mining[J].Journal of China Coal Society，2019，44（1）：34-41.

[29]蘇波，李超，王莉.基于多權(quán)重融合策略的Retinex礦井圖像增強(qiáng)算法[J].煤炭學(xué)報(bào)，2023，48（S2）：813-822.

SU Bo，LI Chao，WANG Li.Mine image enhancement algorithm based on retinex using multi-weight fusion strategy[J].Journal of China Coal Society，2023，48（S2）： 813-822.

[30]SHASTRY A，JIDESH P，GEORGE S，et al.A self-attention driven

retinex-based deep image prior model for satellite image restoration[J].Optics and Lasers in Engineering，2024，173（2）：1-18.

（責(zé)任編輯：李克永）

收稿日期：2024-05-21

基金項(xiàng)目：陜西省自然科學(xué)基礎(chǔ)研究計(jì)劃項(xiàng)目（2024JC-YBQN-0726）；陜西省教育廳科研計(jì)劃項(xiàng)目（23JK0550）；西安市科技計(jì)劃項(xiàng)目（23DCYJSGG0025-2022）

通信作者：李利，男，山東棗莊人，博士，講師，E-mail：lilxiansen@163.com