基于GSL−YOLO 模型的综放工作面混矸率检测方法

摘要：针对现有基于深度学习的综放工作面混矸率检测方法在井下低照度、高粉尘、煤矸堆叠等复杂条件下存在煤矸识别精度低、分割效果差、模型参数量和运算量大、未实现混矸率的实时检测等问题，提出了一种基于GSL−YOLO 模型的混矸率检测方法。GSL−YOLO 模型在YOLOv8−seg 的基础上进行以下改进：在主干网络中引入全局注意力机制（GAM），通过减少信息弥散和放大全局交互表示提高模型特征提取能力；选用具有高效局部聚合网络的空间金字塔池化（SPPELAN）模块，提升模型处理不同尺寸目标时的检测性能；采用轻量级非对称多级压缩检测头（LADH），降低模型的训练难度，同时提高推理速度。提出了一种基于类别分割掩码的混矸率计算方法，该方法基于煤流图像处理结果中的分割掩码信息，计算其中矸石的像素面积与总像素面积的比值，作为瞬时混矸率。实验结果表明：① GSL−YOLO 模型的mAP@0.5∶0.95 达96.1%，比YOLOv8−seg 模型提高了0.8%。② GSL−YOLO 模型的参数量为2.9×106 个， 浮点运算次数为11.4×109， 模型权重为6.0 MiB， 比YOLOv8−seg 模型分别降低了12.1%，5.8%，11.8%，实现了模型的轻量化。③ GSL−YOLO 模型在测试集上的帧率为12 帧/s，基本满足实时检测要求。④ 与YOLO 系列模型相比，GSL−YOLO 模型分割效果最好，检测精度最高，参数量和运算量较少，综合性能最佳。⑤ 基于截取的综放工作面后部刮板输送机上煤流视频中的3 帧图像，计算了瞬时混矸率，结果表明，提出的混矸率计算方法基本实现了综放工作面混矸率的实时计算。

关键词：智能放煤；煤矸识别；混矸率检测；YOLOv8−seg；图像分割；全局注意力机制；非对称检测头

中图分类号：TD823.49 文献标志码：A

0 引言

煤炭是我国的主体能源，煤矿智能化转型是煤炭行业高质量发展的必由之路[1-3]。放顶煤开采技术是开采厚及特厚煤层的一种有效方法[4-5]，但与综采工作面智能化相比，智能放煤技术研究进展缓慢。实现智能放煤的核心难题是确定放煤口的开启与关闭时机。研究表明，在综放工作面煤炭放出后，当混矸率为10%～15% 时关闭放煤口才能使顶煤采出率最大化[6]，因此实现综放工作面混矸率的精准快速检测是实现智能放煤的关键技术。

综放工作面混矸率检测的常用方法有自然伽马射线识别法、声音与振动信号识别法和图像识别法[7-8]。射线识别法对人体有一定危害，声音与振动信号识别法易受环境噪声和其他振动源的影响，因此这2 种方法受到的限制较大。图像识别法具有效率高、非接触、无危害和准确性高等优点，随着深度学习理论的发展，基于深度学习的煤矸识别方法迅速成为研究热点[9-12]。王家臣等[13-14]通过对煤矸块体进行三维精准重建，建立了体积混矸率计算模型，该方法精度高，但进行三维重建需要的数据量巨大。贺海涛等[15]先将煤流区域进行前景分割，再基于U−Net 对煤矸图像进行语义分割，通过计算2 个区域面积的比值求出煤矸混合图像的矸石占比，并以此作为“见矸关门”的阈值，但该方法未考虑模型运算量和参数量的影响。单鹏飞等[16]提出了一种基于“预处理+CBAM Faster R−CNN”的煤矸混合放出状态分析识别方法，实现了放落状态下的煤矸识别，但未实现混矸率的实时检测。

针对上述问题，本文提出一种基于GSL−YOLO模型的混矸率检测方法。通过在YOLOv8−seg 模型中引入全局注意力机制（Global Attention Mechanism，GAM ）、具有高效局部聚合网络的空间金字塔池化（Spatial Pyramid Pooling with Efficient LocalAggregation Network，SPPELAN）模块和轻量级非对称多级压缩检测头（Lightweight Asymmetric Dual-Head，LADH），降低了模型参数量和运算量；提出了一种基于类别分割掩码的混矸率计算方法，实现了综放工作面混矸率精准、快速检测。

1 GSL−YOLO 模型

1.1 GSL−YOLO 模型结构

YOLOv8−seg 是YOLOv8[17-18]的图像分割模型，结合了目标检测和图像分割2 种功能，非常适用于综放工作面混矸率检测。GSL−YOLO 模型在YOLOv8−seg 的基础上进行以下改进：1） 因综放工作面低照度、高粉尘等环境的影响，采集的煤矸图像会丢失大量纹理特征，导致煤矸图像有效特征提取难。为了增强模型对有效特征的提取能力，在YOLOv8−seg 主干网络中引入GAM[19]。