1. 项目背景与核心需求
煤矿输送带作为煤炭运输的核心设备,其安全运行直接关系到整个生产系统的稳定性。传统人工巡检方式存在效率低、漏检率高的问题,特别是在井下复杂光照环境和煤尘干扰条件下。我们团队基于YOLOv8框架开发的异物检测系统,实现了对输送带上金属件、木料、大块煤矸石等异物的实时识别,检测速度达到73.92帧/秒,mAP@50指标达92.27%。
关键改进:通过深度可分离卷积重构C2f模块,模型体积减少42%的同时,小目标检测精度提升11.6%
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 系统架构设计解析
2.1 硬件选型方案
采用NVIDIA Jetson Xavier NX作为边缘计算节点,搭配200万像素工业相机组成检测单元。实测在输送带速度3.5m/s工况下,单节点可覆盖15米检测范围。关键参数配置:
yaml复制camera_resolution: 1920×1080@30fps
inference_threshold: 0.65
alarm_delay: 0.3s # 消抖延迟
2.2 算法改进要点
- DSBlock模块设计:在Backbone部分用深度可分离卷积替代标准卷积,参数量减少至原结构的1/9
- MECA注意力机制:融合自适应池化后的通道特征,小目标召回率提升7.2%
- 四检测头结构:新增的160×160检测头专门处理<30px的微小目标
3. 数据集构建与训练
3.1 数据采集规范
建立包含12类异物的标注标准:
- 金属类:锚杆、道钉、链条等
- 非金属类:木材、橡胶块等
- 特殊形状:铁丝网、编织袋等
采集时模拟实际工况:
- 光照变化:200-2000lux
- 粉尘浓度:50-200mg/m³
- 输送带抖动:±5cm幅度
3.2 数据增强策略
python复制transform = A.Compose([
A.RandomBrightnessContrast(p=0.8),
A.GaussNoise(var_limit=(10,50),p=0.6),
A.MotionBlur(blur_limit=7,p=0.5),
A.CoarseDropout(max_holes=8,p=0.3)
])
