来源：期刊VIP网 时间：
作者：毛清华;杨帆;王超;仝旭耀;童军伟;张旭辉;薛旭升;
单位：西安科技大学机械工程学院;陕西省矿山机电装备智能检测与控制重点实验室;陕西能源赵石畔矿业运营有限责任公司;
摘要：针对矿用提升钢丝绳表面油污覆盖引发背景干扰、绳股间隙较大导致特征混淆及小目标损伤识别难度大等问题，提出了一种基于改进YOLOv8n的矿用提升钢丝绳表面损伤图像识别方法。在YOLOv8n主干网络中引入多尺度注意力模块（MSAM），通过增强损伤特征与油污背景的空间特征区分能力，提升模型抗干扰能力；将YOLOv8n原有的3个检测头替换为4个轻量化小目标检测头，强化对小目标损伤的识别能力；采用深度可分离卷积（DSConv）替代标准卷积，减少了计算量，提高了识别速度。实验结果表明：改进YOLOv8n模型的平均精度均值（mAP）、识别精度和推理速度分别达92.6%,89.7%和43.5帧/s，相比YOLOv8n模型分别提高了3.1%,4.9%,34.7%；与Faster-RCNN,YOLOv5s,YOLOv8n,YOLOv10m,TWRD-Net,YOLOv5-TPH等主流模型相比，改进YOLOv8n模型对小目标损伤识别精度最高，同时保证了较高的实时性；在煤矿现场油污覆盖、绳股间隙较大的复杂场景中，改进YOLOv8n模型未出现漏检情况，且误检情况较少，平均识别准确率达90%。
关键词：矿用提升钢丝绳;损伤图像识别;YOLOv8n;多尺度注意力模块;小目标检测;深度可分离卷积
基金资助：陕西省科技创新团队项目（2018TD–032）; 陕西高校青年创新团队项目（2022TD-043）
