来源：期刊VIP网 时间：
作者：胡佳恒;董立红;秦昳;
单位：西安科技大学人工智能与计算机学院;
摘要：现有基于计算机视觉的煤矿井下钻杆计数方法多依赖单一或局部视觉特征进行计数，当钻机作业过程出现进退钻及短暂停机等状态切换，且伴随井下常见的光照复杂、目标遮挡和目标抖动等干扰时，计数特征可能发生异常波动，从而容易出现误计或漏计。针对上述问题，提出了一种基于煤矿井下钻机作业状态判别的煤矿井下钻杆计数方法。首先，在YOLOv11模型基础上引入大核可分离注意力（LSKA）模块、广义高效层聚合网络（GELAN）和动态检测头（DynamicHead），构建了轻量化目标检测模型，用于稳定检测钻机关键部件（卡盘与夹持器）。然后，采用DeepSORT算法对卡盘与夹持器进行持续跟踪，获取二者之间的相对距离变化曲线，并使用卡尔曼滤波对曲线进行平滑处理以抑制噪声。最后，从平滑后的曲线上提取波谷位置，依据相邻波谷间距判别进钻与退钻状态，并对进钻状态下的波谷进行累计，从而实现钻杆计数。实验结果表明，改进YOLOv11模型的mAP@0.5达0.966，在光照复杂、目标遮挡和目标抖动等复杂环境下能够准确检测目标；所提方法平均准确率为97.97%，能够满足井下钻杆自动计数对精度的要求。
关键词：钻杆计数;;钻机作业状态;;目标检测;;YOLOv11;;DeepSORT;;波谷计数
基金资助：国家自然科学基金青年科学基金项目（62303375）
