基于CBA-YOLO模型的煤矸石检测

作者：桂方俊; 李尧

来源：工矿自动化, 2022, 48(06): 128-133.

DOI：10.13272/j.issn.1671-251x.2022020033

• 煤矸石检测
• YOLOv5
• CBA-YOLO
• 深度学习
• 注意力机制
• 双向特征金字塔网络
• 损失函数

煤矸石检测中存在样本间特征差异小、目标密集等问题，导致现有煤矸石检测方法精度不高且实时性较差。针对该问题，提出了一种基于CBA-YOLO模型的煤矸石检测方法。CBA-YOLO模型以速度较快、精度较高的YOLOv5m为基础模型，在YOLOv5m的Backbone中加入卷积块注意力模块（CBAM），通过串联空间注意力模块和通道注意力模块，在聚焦特征差异的同时降低数据维度，提高煤矸石检测性能；在Neck部分采用双向特征金字塔网络（BiFPN）结构，通过融合不同尺度的特征提高模型计算效率，从而提升煤矸石检测速度；在Prediction部分采用Alpha-IoU函数作为损失函数，通过设置权重系数加速对高置信度目标的学习，进一步提高煤矸石检测精度。实验结果表明：CBA-YOLO模型对煤矸石的平均检测精度达98.2%，比YOLOv5模型提高了3.4%，检测速度提升了10%;CBA-YOLO模型的鲁棒性更强，可有效避免漏检、误检和重叠现象。

• 单位
  中国矿业大学（北京）