来源：期刊VIP网 时间：
作者：周伟;李广棵;
单位：郑州西亚斯学院工学部;河南省智能制造数字孪生工程研究中心;郑州轻工业大学机电工程学院;
摘要：针对矿井粉尘浓度大、光照多变等复杂环境因素导致难以准确、高效识别煤矸石的问题，在YOLOv12网络模型基础上进行改进，提出了一种基于改进YOLOv12的煤矸石智能识别方法。通过设计双尺度稀疏注意力（DSSA）机制，提升了模型对多尺度煤矸石目标区域的关注力与空间感知能力；设计了多条件特征精炼（MCFR）机制，对深层和浅层特征进行条件引导融合，有效增强煤炭与煤矸石的类别差异性表达；构建了动态多任务平衡损失（DMTBL）函数，实现位置、类别与置信度之间的权重自适应调节，从而增强模型对难样本区域的学习能力。实验结果表明，改进YOLOv12在煤矸石识别任务中的识别精准率、召回率和mAP分别达96.5%,94.9%,95.8%，较原始YOLOv12分别提升了3.8%,4.5%,4.5%，有效解决了煤矸石漏检、误检和边界模糊等问题，且保持高达47.7帧/s的推理速度。可视化激活热力图表明，改进YOLOv12在处理不同结构与纹理复杂度的煤矸石时，均能准确聚焦于目标本体区域，无明显背景干扰，激活区域基本覆盖了煤块与煤矸石的主要轮廓。
关键词：煤矸石识别;;改进YOLOv12;;双尺度稀疏注意力;;多条件特征精炼;;动态多任务平衡损失
基金资助：河南省科技攻关项目(252102110375)
