来源：期刊VIP网 时间：
作者：洪炎;汪磊;苏静明;汪瀚涛;李木石;
单位：安徽理工大学电气与信息工程学院;
摘要：现有基于深度学习的输送带异物检测模型较大，难以在边缘设备部署，且对不同尺寸异物和小目标异物存在错检、漏检情况。针对上述问题，提出一种基于改进YOLOv8的煤矿输送带异物检测方法。采用深度可分离卷积、压缩和激励(SE)网络将YOLOv8主干网络中C2f模块的Bottleneck重新构建为DSBlock，在保持模型轻量化的同时提升检测性能；为增强对不同尺寸目标物体信息的获取能力，引入高效通道注意力(ECA)机制，并对ECA的输入层进行自适应平均池化和自适应最大池化操作，得到跨通道交互MECA模块，以增强模块的全局视觉信息，进一步提升异物识别精度；将YOLOv8的3个检测头修改为4个轻量化小目标检测头，以增强对小目标的敏感性，有效降低小目标异物的漏检率和错检率。实验结果表明：改进YOLOv8的精确度达91.69%,mAP@50达92.27%，较YOLOv8分别提升了3.09%和4.07%；改进YOLOv8的检测速度达73.92帧/s，可充分满足煤矿输送带异物实时检测的需求；改进YOLOv8的精确度、mAP@50、参数量、权重大小和每秒浮点运算数均优于SSD,Faster-RCNN,YOLOv5,YOLOv7-tiny等主流目标检测算法。
关键词：输送带异物检测;YOLOv8;SE网络;高效通道注意力机制;轻量化;小目标检测;自适应平均池化;自适应最大池化
基金资助：国家重点研发计划项目（2021YFD2000204）; 国家自然科学基金项目（12304236,32301688,52174141）; 安徽数字农业工程技术研究中心开放项目（AHSZNYGCZXKF021）; 大学生创新创业基金项目（202210361053,202310361037）; 安徽理工大学研究生创新基金项目（2024cx2067）
