基于改进YOLOv5的煤矿井下目标检测研究

来源：电子与信息学报杂志2023年第7期北京时间：

作者：寇发荣, 肖伟, 何海洋, 陈若晨

单位：西安科技大学机械工程学院 西安 710054

摘要：针对煤矿井下环境多利用红外相机感知周边环境温度成像，但形成的图像存在纹理信息少、噪声多、图像模糊等问题，该文提出一种可用于煤矿井下实时检测的多尺度卷积神经网络(Ucm-YOLOv5)。该网络是在YOLOv5的基础上进行改进，首先使用PP-LCNet作为主干网络，用于加强CPU端的推理速度；其次取消Focus模块，使用shuffle_block模块替代C3模块，在去除冗余操作的同时减少了计算量；最后优化Anchor同时引入H-swish作为激活函数。实验结果表明，Ucm-YOLOv5比YOLOv5的模型参数量减少了41%，模型缩小了86%，该算法在煤矿井下具有更高的检测精度，同时在CPU端的检测速度达到实时检测标准，满足煤矿井下目标检测的工作要求。

关键词：煤矿井下目标检测, 深度学习, YOLOv5

基金资助：国家自然科学基金(51775426)，陕西省科技计划(2019JQ-795)