来源：期刊VIP网 时间：
作者：张磊;白涛;陶虹京;王飞宇;郑奥;
单位：山西大同大学煤炭工程学院;煤矿水射流技术与装备厅市共建山西省重点实验室培育基地;山西省矿区综合监测与应急减灾技术创新中心;
摘要：针对传统基于PLC的矿井风门监控技术存在检测速度慢、自动化控制水平低等问题，提出一种基于PLC和改进YOLOv11模型的矿井风门监控系统，通过在传统基于PLC的矿井风门监控系统架构中嵌入改进YOLOv11模型，实现井下人车目标的实时精准识别与风门启闭的智能联动控制。以YOLOv11为基础模型，提出EAW-YOLO模型：首先，在C3k2模块中引入指数平均数指标（EMA）注意力机制，组合成C3k2-EMA模块，增强模型特征提取能力；然后，引入ADown卷积，在通道降维的同时保留关键信息；最后，引入WIoU损失函数，通过动态调节不同锚框的重要性，增强模型回归收敛的速度。实验结果表明：(1) EAW-YOLO模型的准确率较YOLOv11提升了1.6%,mAP@0.5提升了1.9%，模型参数量下降了19.2%，推理速度提升了9.7%，达到86.7帧/s。(2) EAW-YOLO模型较YOLOv11,Faster-CNN,EfficientDet,RT-DETR的准确率分别提升了1.6%,0.6%,2.0%,0.2%,mAP@0.5分别提升了1.9%,0.7%,1.6%,1.1%，参数量分别降低了0.5×10~6,135.0×10~6,1.8×10~6,40.7×10~6个，推理速度分别提升了7.7,51.2,9.8,35.1帧/s，模型大小分别减少了0.4,102.9,11.1,80.9 MiB。(3)面对近距离大目标的不同车辆，EAW-YOLO模型的检测精度更高；面对小目标、远距离的不同车辆，EAW-YOLO模型的检测精度略有提升；面对远距离、边缘特征模糊的人员小目标，EAW-YOLO模型的检测精度提升幅度更大，且能正确识别人员目标；在遮挡且高逆光的场景中，EAW-YOLO模型的检测精度更高。为验证基于PLC和改进YOLOv11模型的矿井风门监控系统的可行性，在实验室进行验证，结果表明：当摄像头捕获到车辆模型时，识别信号实时传输至PLC，从而精确控制风门装置的开启与关闭动作。
关键词：矿井通风系统;;矿井风门控制;;多目标检测;;YOLOv11;;EAW-YOLO;;EMA注意力机制
基金资助：山西省重点研发计划项目（202304290000002）;; 大同市科技计划重点研发（高新技术领域）项目（2024008）;; 山西大同大学研究生学术与实践创新项目（25SJCX04）
