来源：期刊VIP网 时间：
作者：赵伟;张文康;刘德成;王涛;王登科;夏代林;周礼赞;李志飞;
单位：河南龙宇能源股份有限公司;河南理工大学河南省瓦斯地质与瓦斯治理重点实验室;武汉天宸伟业物探科技有限公司;
摘要：目的 随着煤矿开采逐渐深入，瓦斯抽采作业的安全风险不断增加，钻杆计数的准确性对保障瓦斯抽采的安全和效率至关重要。传统的钻杆计数方法效率低、易出错，且难以适应复杂环境。方法 本文基于YOLOv5深度学习模型，提出了一种结合时空信息融合的钻杆智能计数方法，通过实时处理煤矿井下的视频数据，实现钻杆的自动检测与计数。实验数据包括7组28段模拟退钻场景和10组真实退钻场景。为了增强模型的鲁棒性，采用过亮、过暗、烟尘噪声和镜像等数据增强技术。此外，对YOLOv5的不同版本（YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x）进行比较，选择最优模型进行钻杆计数。计数过程中，结合钻杆面积跳变、IOU跳变等前置更新条件，进一步优化钻杆数量更新的准确性。结果 结果表明，4种YOLOv5模型在当前数据中均达到了99.5%的准确率和100%的召回率，因此采用YOLOv5s作为后续计数检测模型。结论 本文方法在模拟和真实退钻场景下均实现了100%的正确计数，展现出较高的准确性和鲁棒性。通过减少人工干预，显著提高了钻杆计数的自动化水平，具有广泛的应用前景，尤其在煤矿安全生产及其他工业自动化监控领域具有重要意义。
关键词：钻杆计数;;目标检测;;时空融合;;深度学习;;瓦斯抽采
基金资助：国家自然科学基金资助项目（52174174）
