传统皮带跑偏检测方法中，接触式检测技术成本高，非接触式检测技术则精度低。随着人工智能技术的发展，虽然基于卷积神经网络的方法可以有效提高检测精度，但受限于卷积操作本身局部运算特性的限制，仍存在对长距离、全局信息感知不足等问题，很难再提升在皮带边缘检测上的精度。为解决上述问题，①通过将传统卷积神经网络的卷积对局部特征的提取能力与Transformer结构对全局、长距离信息感知能力相结合，提出了一种全局与局部信息相互融合的双流运输机皮带边缘检测网络模型（dual-flow transformer network，DFTNet），能够较好地提高皮带边缘检测精度并抑制皮带图像噪声和背景的干扰；②通过设计CNN和Transformer特征融合模块，形成双流编码器-解码器结构，利用结构上的巧妙设计，可以更好地融合全局上下文信息，避免了Transformer结构在大规模数据集上预训练，可以灵活调节网络结构；③通过从实际工业场景中所采集到多场景的运输机皮带图片，构建了包含五种不同场景下多角度、不同位置的皮带运输机皮带数据集。研究结果表明，双流融合网络DFTNet综合性能最佳，mIou达91.08%，ACC达99.48%，mPrecision达91.88%，mRecall达96.22%，相比纯卷积神经网络HRNet分别提升了25.36%、0.29%、17.70%与29.46%，相比FCN分别提升了29.5%、0.32%、24.77%与34.13%，在参数量、计算速度上均有较大提升。同时，处理图像帧率达53.07fps，满足工业中实时性的要求，具有较大实用价值。

0引 言
1 双流融合网络的搭建
1.1 DFTNet双流网络总体结构
1.2 SwinT基础模块
1.3 CNN基础模块
1.4 融合模块
1.5 损失函数
1.6 皮带跑偏检测算法
2 评价指标
3 实验与分析
3.1 数据集采集与制作
3.2 实验环境和参数
3.3 消融实验
3.4 对比实验
4 实际运行结果
5 结论

杨志方,张立亚,郝博南,刘渊,赵青.基于双流融合网络的运输机皮带跑偏检测方法[J/OL].煤炭科学技术:1-10[2023-06-03].DOI:10.13199/j.cnki.cst.2023-0215.