(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210320475.3 (22)申请日 2022.03.29 (71)申请人 天地 （常州） 自动化股份有限公司 地址 213100 江苏省常州市新北区黄河西 路219号 申请人 中煤科工集团常州研究院有限公司 (72)发明人 季亮　沈科　张袁浩　陈晓晶　 周李兵　霍振龙　潘祥生　任书文　 王国庆　郝大彬　 (74)专利代理 机构 常州至善至诚专利代理事务 所(普通合伙) 32409 专利代理师 王颖 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/44(2022.01)G06V 10/764(2022.01) G06V 10/82(2022.01) G06V 10/762(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) B07C 5/02(2006.01) B07C 5/342(2006.01) B07C 5/36(2006.01) (54)发明名称 基于改进YOLOv5s模型的煤矸目标检测方法 (57)摘要 本发明公开了一种基于改进YOLOv5s模型的 煤矸目标检测方法， 包括： S1、 采集煤炭和矸石的 实时图像； S2、 基于改进YOL Ov5s模型对采 集的实 时图像进行视觉识别处理， 从而识别出实时图像 中的煤炭和矸石并确定矸石的坐标信息； S3、 机 械臂根据矸石的坐标将矸石从煤炭中分拣出来。 本发明在YOLOv5s模型的基础上， 将 自校正卷积 网络SCConv嵌入到YOL Ov5s模型的Backbone区域 中， 删除YOLOv5s模型中Neck和Prediction区域 的19×19特征图分支， 对K ‑means算法聚类得到 的锚框进行线性缩放， 提出了一种改进YOLOv5s 模型， 并将其应用于煤矸目标检测， 有效提升了 检测速度和检测精度。 权利要求书2页 说明书6页 附图7页 CN 114663407 A 2022.06.24 CN 114663407 A 1.一种基于改进YOLOv5s模型的煤矸目标检测方法， 其特 征在于， 包括： S1、 采集煤炭和矸石的实时图像； S2、 基于改进YOLOv5s模型对采集的实时 图像进行视觉识别处理， 从而识别出实时 图像 中的煤炭和矸石并确定矸石的坐标信息； S3、 机械臂根据矸石的坐标将矸石从煤炭中分拣出来。 2.根据权利要求1所述的基于改进YOLOv5s模型的煤矸目标检测方法， 其特征在于， S2 包括： S21、 采集若干煤炭和矸石的图像样本， 将图像样本划分为训练集、 验证集和测试集， 并 进行标注同时完成煤炭和矸石的数据集； S22、 对YOLOv5s模型进行改进， 得到改进YOLOv5s模型； S23、 利用训练集对改进YOLOv5s模型进行训练； S24、 利用验证集对改进YOLOv5s模型进行训练进行测试， 从而测试改进YOLOv5s模型进 行训练是否准确； S25、 利用训练后的改进YOLOv5s模型对测试集中的图像样本进行检测， 并对测试集的 检测结果进行检测精度和检测效率评价。 3.根据权利要求2所述的基于改进YOLOv5s模型的煤矸目标检测方法， 其特征在于， S22 中， 在YOLOv5s模型的Backbone区域内嵌入两个SCConv结构， 一个SCConv结构位于第一个 CBL模块和CSP1_1模块之间， 另一个SCConv结构位于第二个CBL模块和第一个CSP1_3模块之 间。 4.根据权利要求3所述的基于改进YOLOv5s模型的煤矸目标检测方法， 其特征在于， S22 中， 对YOL Ov5s模型的Neck区域和Prediction区域进行精简， 删除Neck区域和Prediction区 域中19×19特征图分支。 5.根据权利要求4所述的基于改进YOLOv5s模型的煤矸目标检测方法， 其特征在于， 在 改进YOLOv5s模型训练过程中， 经过K ‑means算法聚类后获得的6组锚框尺寸分别为(41， 63)、 (47， 94)、 (54， 69)、 (54， 51)、 (64， 84)和(64， 120)。 6.根据权利要求5所述的基于改进YOLOv5s模型的煤矸目标检测方法， 其特征在于， 对 经过K‑means算法聚类后获得的6组锚框尺寸进行缩放， 缩放公式为： x′1＝Ax1    (1) x′6＝Bx6    (2) 其中： xi为第i个锚框(按锚框宽度尺寸从小到大排序)的宽度， i＝1,2， ...， 6； x ′i为缩 放后的锚 框宽度； A为锚 框缩小倍 数； B为锚 框放大倍数； yi为第i个锚 框的高度； y ′i为缩放后 的锚框高度。 7.根据权利要求6所述的基于改进YOLOv5s模型的煤矸目标检测方法， 其特征在于， 经 过缩放后的锚框尺寸分别为(20， 31)、 (39， 79)、 (62， 80)、 (62， 59)、 (96， 126)和(96， 180)。权　利　要　求　书 1/2 页 2 CN 114663407 A 28.根据权利要求2所述的基于改进YOLOv5s模型的煤矸目标检测方法， 其特征在于， 在 S23中采用的训练平台为NVIDIA  GeForce GTX 2080Ti， 推理平台为矿用本安型边缘计算设 备， 矿用本安型边缘计算设备具有14TOPS算力； 输入图像尺 寸为608×608， 通道 为3； 训练时 设置动量系数为0.937， 权重衰减系数为0.0005， 学习率为0.01， 学习率更新采用warm ‑up方 法， 批尺寸 为16， 训练迭代次数为3 00。 9.根据权利要求8所述的基于改进YOLOv5s模型的煤矸目标检测方法， 其特征在于， S2 1 中， 采集原始分辨率为1280 ×960的图像样本526张， 每张图像样本包括的煤炭和矸石数量 在4个以上， 且含有煤炭和矸石堆叠、 遮挡的情况， 训练集包含373张图像样本， 验证集包含 77张图像样本， 测试集包 含76张图像样本 。 10.根据权利要求9所述的基于改进YOLOv5s模型的煤矸目标检测方法， 其特征在于， S21中， 使用辅助标注工具对煤矸数据集进 行初步标注， 之后通过开源工具LabelImg进行可 视化， 从而完成煤炭和矸石的数据集制作。权　利　要　求　书 2/2 页 3 CN 114663407 A 3