来源：期刊VIP网 时间：
作者：滕文想;王成;费树辉;
单位：安徽理工大学机电工程学院;安徽理工大学矿山智能技术与装备省部共建协同创新中心;安徽中科光电色选机械有限公司博士后科研工作站;
摘要：现有基于深度学习的煤矸识别方法在煤矿井下低照度、高噪声及运动模糊等复杂工况下存在煤矸识别精度低、小目标煤矸容易漏检、模型参数量和运算量大，难以部署到计算资源有限的设备中等问题，提出了一种基于HGTC-YOLOv8n模型的煤矸识别算法。采用HGNetv2网络替换YOLOv8n的主干网络，通过多尺度特征的有效提取，提高煤矸识别效果并减少模型的存储需求和计算资源消耗；在主干网络中嵌入三重注意力机制模块Triplet Attention，捕获不同维度间的交互信息，增强煤矸图像目标特征的提取，减少无关信息的干扰；选用内容感知特征重组模块（CARAFE）来改进YOLOv8n颈部特征融合网络上采样算子，利用上下文信息提高感受视野，提高小目标煤矸识别准确率。实验结果表明：(1) HGTC-YOLOv8n模型的平均精度均值为93.5%，模型的参数量为2.645×10~6，浮点运算量为8.0×10~9，帧速率为79.36帧/s。(2)平均精度均值较YOLOv8n模型提升了2.5%，参数量和浮点运算量较YOLOv8n模型分别下降了16.22%和10.11%。(3)与YOLO系列模型相比，HGTCYOLOv8n模型的平均精度均值最高，且参数量和浮点运算量最少，检测速度较快，综合检测性能最佳。(4)基于HGTC-YOLOv8n模型的煤矸识别算法在煤矿井下复杂工况下，改善了煤矸识别精度低、小目标煤矸容易漏检等问题，满足煤矸图像实时检测要求。
关键词：煤矸识别;小目标识别;YOLOv8n;内容感知特征重组模块;三重注意力机制;Triplet Attention;HGNetv2
基金资助：机械工业联合会矿山采选装备智能化重点实验室开放基金项目（2022KLMIO4）; 安徽理工大学引进人才基金项目（13230411）
