来源：期刊VIP网 时间：
作者：高文超;王俊文;张政银;李帆;黄俊;
单位：中国矿业大学(北京)人工智能学院;中国矿业大学(北京)理学院;安徽省工业互联网智能应用与安全工程研究中心;
摘要：采用深度学习技术对输送带异物进行实时、精准检测，是保障带式输送机安全稳定运行的关键环节。常用的YOLO系列模型在轻量化与检测精度间难以平衡，其高计算复杂度与参数量难以很好地适配井下边缘计算设备的资源限制。针对该问题，以YOLOv8n为基础网络进行轻量化设计，构建了极致轻量化YOLOv8n——YOLOv8-PCAS。将YOLOv8n主干网络替换为PP-LCNet，实现主干轻量化；在C2f模块中引入连接结构优化的上下文锚点注意力（CAA）模块，增强对复杂异物形态的表征能力；引入平均池化下采样（ADown）策略，在有效压缩模型体积的同时，更好地保留关键语义信息；设计双检测头结构，去除冗余的大目标检测头，聚焦中小尺寸异物检测。基于煤矿井下异物数据CUMT-BelT和山西某煤矿井下监控视频对YOLOv8-PCAS进行训练和测试，实验结果表明：YOLOv8-PCAS的参数量为0.58×10~6个，为原始模型YOLOv8n的19.1%，运算量为3.6 GFLOPs，为YOLOv8n的44.4%，轻量化程度优于YOLOv7-tiny,YOLOv5n等主流模型及现有YOLOv8n轻量化改进方案；YOLOv8-PCAS能够有效检测出输送带上的锚杆、大块煤等目标，推理速度达357帧/s，平均检测耗时2.8 ms，预测框与真实边界框交并比阈值为0.5时的平均精度均值（mAP@0.5）为90.5%，满足工业现场对异物检测质量与时效的要求。
关键词：带式输送机;;异物检测;;边缘计算;;极致轻量化YOLOv8n;;PP-LCNet;;CAA;;ADown;;双检测头
基金资助：中央高校基本科研业务费资助项目（2024ZKPYZN01）;; 安徽省工业互联网智能应用与安全工程研究中心开放基金项目（IASII24-09）;; 煤炭行业高等教育国家研究项目（2021MXJG44）;; 国家自然科学基金资助项目（5240040640）;; 龙软科技基金大学生创新创业项目
