基于SCI-XDNet-CFF轻量化网络的井下运煤皮带异物识别

作     者：孙亚琳 孙鹏翔 薛晔 刘泽宇 孙贵有 SUN Yalin;SUN Pengxiang;XUE Ye;LIU Zeyu;SUN Guiyou

作者机构：太原理工大学经济管理学院山西太原030000 山西汾西矿业集团正新煤焦有限责任公司山西长治046512 

出 版 物：《煤矿现代化》 (Coal Mine Modernization)

年 卷 期：2025年第34卷第1期

页      面：40-46,51页

学科分类：081901[工学-采矿工程] 0819[工学-矿业工程] 08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 

基　　金：教育部人文社会科学研究规划基金项目(20YJAZH116) 国家自然科学基金青年科学基金项目(41101507) 

主　　题：低光照图像增强 XDNet-CFF 跨层特征融合 运煤皮带 异物识别 

摘      要：矿井煤炭开采面与地面距离较长,需要通过运煤皮带进行长距离运输,在运输过程中,存在大块矸石、锚杆等异物损坏皮带、堵塞落煤口的问题,易引发安全问题,因此,运煤皮带运输异物分类具有重要意义。为克服井下环境光照强度弱、识别精度低、模型参数量大的问题,提出一种结合低光照图像增强的XDNet-CFF轻量化网络。首先,采用预训练的自校准光照图像增强模型对井下运煤皮带图像进行低光照图像增强,有效提高图像质量;其次,设计一种基于Xcpetion-DenseNet121和跨层特征融合的深度网络,在提高特征提取能力的同时,将底层细节特征与上层语义特征相结合,减少信息丢失,丰富特征表示;然后,通过全连接层和softmax完成运煤皮带异物识别;最后,为实现移动端部署和识别预警,应用剪枝方法对模型进行压缩,大幅减少模型参数量,降低开销。结果表明,所提模型在运煤皮带异物数据集上准确率、精度、召回率、F1分数分别达到0.9467、0.9512、0.9416、0.9464,均优于主流模型,同时,参数量仅8.98 M,满足实际生产部署需求。