目前对煤矿井下带式输送机运行状态的检测是带式输送机安全运行的关键，但大多数带式输送机运行状态的检测方法只能处理单一检测任务，难以实现多任务同时检测。针对现有技术难实现综合检测的现状，提出一种基于改进YOLOM的带式输送机运行状态多任务检测方法，使用一个网络同时完成大尺寸煤块识别、皮带边缘检测和煤流状态检测，与每个任务使用单独的模型相比，将三个不同的颈部和头部集成到具有共享主干的模型中可以节省大量计算资源和推理时间。首先，在低照度和多尘雾的运输巷道内采集的图像语义信息弱，使得模型对目标语义信息的提取能力差，因此本研究利用扩张式残差模块（DWR）替换主干网络P6层和P8层C2f模块中的Bottleneck结构，在减少参数量的同时提高模型提取多尺度上下文语义信息的能力。其次，因模型需要进行目标识别和分割不同类型的任务，所以本研究使用具有跳层连接结构的高效层聚合网络（RepGFPN）优化特征融合部分，在控制模型参数数量和推理速度的同时极大提高模型对不同检测任务的检测精度；最后，由于模型需要检测标签形状各异的三种任务，因此本研究引入Inner-CIoU损失函数，弥补CIoU损失函数在不同的检测任务中泛化能力较弱的不足。为了验证DR-YOLOM算法的适用性和鲁棒性，选用U-net和DeepLabV3+网络模型与DR-YOLOM多任务检测模型分割任务的分割效果进行对比分析，Faster RCNN和Yolov8用于对比目标检测的效果，进行模型改进前后的损失函数与精度曲线对比。结果表明，相较于主流的单一检测算法，DR-YOLOM多任务检测算法有更好的综合检测能力，并且该算法可以在少量参数量的同时，保证高的目标识别精度、分割精度以及合适的推理速度，其中大尺寸煤块识别的mAP50为90%，皮带边缘分割和煤流分割的mIoU分别为78.7%，96.6%，模型参数数量为4.43M，推理速度可以达到40帧/秒，对比基础模型mAP50、mIoU分别提高了1.3%、0.7%、2.1%。为了验证DR-YOLOM算法的实用性，使用巡检机器人在实验室进行视频数据采集，并用DR-YOLOM多任务检测算法对其采集的视频数据进行检测。实验结果表明，DR-YOLOM多任务检测算法能够满足带式输送机运行状态的多任务检测要求。

0 引言
1 YOLOM算法原理
2 带式输送机运行状态多任务检测方法
2.1 改进YOLOM多任务检测模型
2.1.1特征提取优化
2.1.2特征融合优化
2.1.3 损失函数优化
2.2 感兴趣区域提取
2.3 皮带边缘直线提取算法
3 实验与结果分析
3.1 实验环境和参数配置
3.2 图像数据集制作
3.3 评价指标
3.4 消融实验
3.5对比实验
3.5.1与主流模型对比
3.5.2模型改进前后损失值对比
3.5.3模型改进前后识别精度对比
3.5.4模型改进前后可视化对比
3.6 实验验证
3.6.1 实验部署
3.6.2 实验结果与分析
4 结论

李永安,陈腾杰,王宏伟,等.基于DR-YOLOM的带式输送机运行状态多任务检测方法[J/OL].煤炭科学技术,1-14[2024-07-23].http://kns.cnki.net/kcms/detail/11.2402.td.20240722.1601.004.html.