张磊副教授：基于YOLOv5s-SDE的带式输送机煤矸目标检测

       实时高效的煤矸目标检测是智能选煤系统的重要环节之一。煤与矸石相比具有明显的纹理特征，在一定照度下拍摄的照片中，二者的区别更明显，因而可通过图像处理方法进行识别。传统的煤矸图像检测方法需要人工提取图像特征，准确率不高，实用性不强。现有基于改进YOLO的煤矸目标检测方法在速度和精度方面有所提升，但仍不能很好地满足选煤厂带式输送机实时智能煤矸分选需求。针对该问题，在YOLOv5s模型基础上进行改进，构建了YOLOv5s-SDE模型，提出了基于YOLOv5s-SDE的带式输送机煤矸目标检测方法。

       YOLOv5s-SDE在YOLOv5s的6.0版本的基础上进行了以下改进：在主干网络（Backbone）部分添加了1个压缩和激励（SE）模块，以提升煤矸小目标检测效果；将4个普通卷积替换为深度可分离卷积DwConv，以显著减少参数量和计算量；边界框回归损失函数用EIoU替换YOLOv5s 的CIoU，以提升检测精度。上述措施可在保证检测精度的情况下，大幅减少参数量和计算量，增强模型实时检测能力，更有利于终端部署。

       通过消融实验对模型各部分的优化效果进行分析。优化模型1在YOLOv5s中嵌入SE模块，优化模型2用深度可分离卷积替换普通卷积，优化模型3用EIoU替换CIoU作为边界框损失函数。由消融实验可得出以下结论：通过添加SE模块、优化损失函数，可提升模型总体的检测精度；用深度可分离卷积替换普通卷积，可显著减少参数量和运算量，提升检测速度。

       为进一步验证YOLOv5s−SDE模型的性能，将其与YOLOv5s−Ghost，YOLOv5s−CBAM，YOLOv5s−STA模型进行比较。结果表明：YOLOv5s-SDE模型对煤矸图像的检测准确率可达87.9%，高于YOLOv5s-Ghost和YOLOv5s-STE这2个轻量化模型；mAP达92.5%，高于所有对比模型；检测速度达59.9帧/s，优于YOLOv5s、YOLOv5s-Ghost及YOLOv5s-CBAM模型。

       在数据集中随机选取具有小目标、运动模糊、低照度3种特征的煤矸图像，通过5种模型进行目标检测。可以看出，YOLOv5s-STA与YOLOv5s-Ghost模型的检测精度明显偏低，且YOLOv5s-STA模型中出现了置信度为0.69的大块煤目标，尽管平均检测精度不低，但是波动较大。YOLOv5s-SDE模型与YOLOv5s模型及YOLOv5s-CBAM模型的检测效果整体相近，但在运动模糊和低照度情况下，整体检测效果更优。