滕文想　王成　費(fèi)樹輝

摘要：現(xiàn)有基于深度學(xué)習(xí)的煤矸識別方法在煤礦井下低照度、高噪聲及運(yùn)動模糊等復(fù)雜工況下存在煤矸識別精度低、小目標(biāo)煤矸容易漏檢、模型參數(shù)量和運(yùn)算量大，難以部署到計算資源有限的設(shè)備中等問題，提出了一種基于HGTC?YOLOv8n 模型的煤矸識別算法。采用HGNetv2 網(wǎng)絡(luò)替換YOLOv8n 的主干網(wǎng)絡(luò)，通過多尺度特征的有效提取，提高煤矸識別效果并減少模型的存儲需求和計算資源消耗；在主干網(wǎng)絡(luò)中嵌入三重注意力機(jī)制模塊Triplet Attention，捕獲不同維度間的交互信息，增強(qiáng)煤矸圖像目標(biāo)特征的提取，減少無關(guān)信息的干擾；選用內(nèi)容感知特征重組模塊（CARAFE）來改進(jìn)YOLOv8n 頸部特征融合網(wǎng)絡(luò)上采樣算子，利用上下文信息提高感受視野，提高小目標(biāo)煤矸識別準(zhǔn)確率。實(shí)驗結(jié)果表明：① HGTC?YOLOv8n 模型的平均精度均值為93.5%，模型的參數(shù)量為2.645×106，浮點(diǎn)運(yùn)算量為8.0×109 ，幀速率為79.36 幀/s。② 平均精度均值較YOLOv8n 模型提升了2.5%，參數(shù)量和浮點(diǎn)運(yùn)算量較YOLOv8n 模型分別下降了16.22% 和10.11%。③ 與YOLO 系列模型相比， HGTC?YOLOv8n 模型的平均精度均值最高，且參數(shù)量和浮點(diǎn)運(yùn)算量最少，檢測速度較快，綜合檢測性能最佳。④ 基于HGTC?YOLOv8n 模型的煤矸識別算法在煤礦井下復(fù)雜工況下，改善了煤矸識別精度低、小目標(biāo)煤矸容易漏檢等問題，滿足煤矸圖像實(shí)時檢測要求。

關(guān)鍵詞： 煤矸識別； 小目標(biāo)識別； YOLOv8n； 內(nèi)容感知特征重組模塊； 三重注意力機(jī)制； TripletAttention；HGNetv2

中圖分類號：TD67文獻(xiàn)標(biāo)志碼：A

0 引言

煤礦開采過程中常常伴隨著煤矸的產(chǎn)生，煤矸的存在不僅影響了煤的品質(zhì)，還加劇了后續(xù)處理成本及對環(huán)境的污染[1-2]。傳統(tǒng)的分選方式為人工分選和設(shè)備分選，人工分選效率低、誤差率高，設(shè)備分選易造成環(huán)境污染。因此，通過計算機(jī)視覺技術(shù)對煤矸進(jìn)行識別，自動準(zhǔn)確地檢測出矸石，對煤礦智能化分選非常重要[3-4]。

目前，計算機(jī)視覺技術(shù)對煤矸識別包括傳統(tǒng)煤矸圖像識別方法和深度學(xué)習(xí)識別方法[5]。傳統(tǒng)煤矸圖像識別方法需手動提取煤矸的圖像特征，存在檢測精度低、實(shí)時性及泛化能力差等問題[6-7]。深度學(xué)習(xí)識別方法具有較高的準(zhǔn)確性、實(shí)時性和魯棒性[8-9]。李博等[10]通過模擬生產(chǎn)環(huán)境下的煤矸圖像，研究光強(qiáng)、濕度、粉塵和樣品種類對煤矸圖像特征的影響，但試驗簡化模擬的生產(chǎn)環(huán)境與實(shí)際生產(chǎn)環(huán)境的識別結(jié)果有較大差異。郭永存等[11]針對煤矸小樣本數(shù)據(jù)集識別率低，提出了一種遷移權(quán)重和簡化神經(jīng)元模型優(yōu)化方法來改進(jìn)預(yù)訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)模型，但模型泛化能力差。徐志強(qiáng)等[12]基于卷積神經(jīng)網(wǎng)絡(luò)對建立的煤矸識別模型進(jìn)行剪枝優(yōu)化，減少模型參數(shù)和計算資源消耗，但未考慮煤矸識別時的檢測速度。徐慈強(qiáng)等[13]通過輕量化網(wǎng)絡(luò)MobileNetV3 替換YOLOv5s的主干網(wǎng)絡(luò)，減小模型的參數(shù)量和運(yùn)算量，以適應(yīng)模型在移動端的部署，但模型識別效果差。張磊等[14]通過深度可分離卷積對YOLOv5s 模型改進(jìn)，減少了模型的參數(shù)量和運(yùn)算量，但模型在小目標(biāo)、運(yùn)動模糊、低照度煤矸數(shù)據(jù)集識別精度不高。鄧天民等[15]以YOLOv8s 模型為基準(zhǔn)網(wǎng)絡(luò)，在頸部特征融合網(wǎng)絡(luò)引入內(nèi)容感知特征重組模塊（Content Aware Reassemblyof Features，CARAFE），加強(qiáng)對小目標(biāo)顯著語義信息的關(guān)注，但模型參數(shù)量和運(yùn)算量大，難以部署到計算資源有限的設(shè)備中。

針對上述問題，本文提出了一種基于HGTC?YOLOv8n 模型的煤矸識別算法，結(jié)合輕量化網(wǎng)絡(luò)HGNetv2、三重注意力機(jī)制模塊Triplet Attention 和CARAFE，使煤矸識別模型具有更少的參數(shù)量和浮點(diǎn)運(yùn)算量，能夠部署到資源有限的設(shè)備中，完成對煤矸快速精準(zhǔn)識別。

1 HGTC?YOLOv8n 模型結(jié)構(gòu)

HGTC?YOLOv8n 模型在YOLOv8n[16]基礎(chǔ)上進(jìn)行改進(jìn)，結(jié)構(gòu)如圖1 所示。采用HGNetv2 替換YOLOv8n的主干網(wǎng)絡(luò)，通過多尺度特征的有效提取，提高煤矸圖像準(zhǔn)確率并減少模型的存儲需求和計算資源消耗，嵌入三重注意力機(jī)制模塊Triplet Attention，增強(qiáng)煤矸特征提取，減少無用特征的干擾，提高對井下復(fù)雜環(huán)境的適應(yīng)性。利用CARAFE 替換頸部特征融合網(wǎng)絡(luò)上采樣算子，增強(qiáng)對小目標(biāo)煤矸的檢測，實(shí)現(xiàn)對煤矸的精準(zhǔn)高效識別。

1.1 主干輕量化網(wǎng)絡(luò)改進(jìn)

采用HGNetv2[17]改進(jìn)YOLOv8n 模型的主干網(wǎng)絡(luò)，通過多尺度特征的有效提取，提高識別準(zhǔn)確率，并降低模型計算量，實(shí)現(xiàn)煤矸圖像高效識別。

HGNetv2 主干網(wǎng)絡(luò)由HGStem， HGBlock，DWConv[18]組成。HGStem 是網(wǎng)絡(luò)初始預(yù)處理層，通過卷積層對輸入數(shù)據(jù)進(jìn)行特征提取，再經(jīng)過最大池化操作進(jìn)行降采樣，在不同尺度上獲取輸入數(shù)據(jù)特征，HGStem 結(jié)構(gòu)如圖2（a）所示。HGBlock 包括多個不同濾波器大小的卷積層，主要作用是捕獲數(shù)據(jù)多樣化特征，HGBlock 結(jié)構(gòu)如圖2（b）所示。使用深度可分離卷積DWConv 替換傳統(tǒng)卷積，能夠減少計算負(fù)載，提高模型的推理速度，并在每個通道上能獨(dú)立學(xué)習(xí)特征。

1.2 主干添加注意力機(jī)制

煤礦井下環(huán)境復(fù)雜，采集到的煤矸圖像受多種干擾因素影響，丟失了大量紋理特征且引入了冗余特征，導(dǎo)致煤矸圖像的有效特征難以提取[19]。為了增強(qiáng)有效特征的提取能力，在HGNetV2 主干網(wǎng)絡(luò)中嵌入Triplet Attention[20]（圖3） 。Triplet Attention 能夠捕獲不同維度間的交互信息，減少無關(guān)信息的干擾，使模型更加注重目標(biāo)特征的提取，提高識別準(zhǔn)確率。

Triplet Attention 由3 個平行的分支組成，輸入張量X 2 RC×H×W到3 個分支。第1 個分支中張量X 繞維度H 逆時針旋轉(zhuǎn)90°，得到旋轉(zhuǎn)張量X1，經(jīng)過池化后張量形狀為2×H×C， 再由卷積運(yùn)算， 通過Sigmoid 激活函數(shù)生成注意力權(quán)重，最后繞維度H 順時針旋轉(zhuǎn)90°，輸出張量X*1，完成通道C 與維度H 交互[21]。第2 個分支中張量X 繞維度W 逆時針旋轉(zhuǎn)90°，得到旋轉(zhuǎn)張量X2，經(jīng)過池化層、卷積、Sigmoid激活函數(shù)后，繞維度W 順時針旋轉(zhuǎn)90°，輸出張量X*2，完成通道C 與維度W 交互。第3 個分支中張量X 經(jīng)過池化層、卷積、Sigmoid 激活函數(shù)后，輸出張量X*3。最后將3 個張量進(jìn)行平均聚合，輸出的張量為

式中：σ（·）為Sigmoid 激活函數(shù)；ψ1（·），ψ2（·），ψ3（·）為標(biāo)準(zhǔn)卷積。

1.3 頸部網(wǎng)絡(luò)改進(jìn)

YOLOv8n 中的Upsample 上采樣層常用的方法是最近鄰插值，即復(fù)制最近鄰像素的值，該方法忽略了像素之間的平滑過渡，導(dǎo)致圖像失真和模糊化，在處理大尺寸圖像時易丟失重要細(xì)節(jié)信息。本文選用CARAFE[22]（圖4）來改進(jìn)YOLOv8n 頸部特征融合網(wǎng)絡(luò)上采樣算子，CARAFE 主要由核預(yù)測模塊和特征重組模塊2 個部分組成。CARAFE 能夠在上采樣過程中保留更多的細(xì)節(jié)信息，利用上下文信息提高感受視野，更好地理解圖像中的全局結(jié)構(gòu)和語義信息，提高小目標(biāo)煤矸識別準(zhǔn)確率。輸入張量X∈RC×H×W，上采樣率為a。首先，通過1×1卷積將輸入特征通道數(shù)從C 壓縮到Cm。其次，進(jìn)行內(nèi)容編碼，輸入通道數(shù)為Cm，輸出通道數(shù)為a2×k2，將通道維在空間維展開，得到形狀為aH×aW×k2 的上采樣核。然后，對上采樣核歸一化，確保卷積權(quán)重總和為1。最后，對輸出特征圖中的每個位置，將其映射回輸入特征圖，提取以l=（i，j）為中心的k×k 區(qū)域N（Xl，k） ，并與預(yù)測的上采樣核進(jìn)行點(diǎn)積操作，計算出最終的aH×aW×C 的輸出特征圖[23]。

2 實(shí)驗結(jié)果分析

2.1 制作煤矸數(shù)據(jù)集

對采集的不同照度、大小、擺放位置的煤矸圖像進(jìn)行組合，獲取原始圖像500 張。為了模擬煤礦井下煤矸分選的復(fù)雜環(huán)境，提高模型魯棒性和泛化能力，對煤矸圖像進(jìn)行添加噪聲、運(yùn)動模糊、鏡像翻轉(zhuǎn)、低照度等增強(qiáng)處理，最終得到1 703 張煤矸圖像，如圖5 所示。對數(shù)據(jù)集進(jìn)行煤矸標(biāo)注，按照9∶1 的比例劃分為訓(xùn)練集、驗證集。

2.2 實(shí)驗配置及模型訓(xùn)練

本文所用模型基于Pytorch 深度學(xué)習(xí)框架，實(shí)驗的軟硬件環(huán)境： RTX3090（24GiB） 的GPU、Intel（R）Xeon（R） Gold 6330 的CPU， Pytorch2.0.0， Cuda11.8，Python3.8（ubuntu20.04）。訓(xùn)練輸入圖像大小為640×640，訓(xùn)練輪數(shù)為201，批量大小為32，訓(xùn)練過程中使用SGD 優(yōu)化器。

2.3 評價指標(biāo)

為驗證HGTC?YOLOv8n 模型的性能，采用平均精度均值（Mean Average Precision， mAP） 、參數(shù)量、浮點(diǎn)運(yùn)算量、幀速率作為評價指標(biāo)。其中，mAP 表示模型的識別精度，參數(shù)量和浮點(diǎn)運(yùn)算量分別表示模型的存儲需求和計算資源消耗，幀速率表示模型的識別速度。

2.4 數(shù)據(jù)增強(qiáng)

HGTC?YOLOv8n 模型通過隨機(jī)色調(diào)增強(qiáng)、飽和度增強(qiáng)、亮度增強(qiáng)等數(shù)據(jù)增強(qiáng)方法（表1）生成多樣化的訓(xùn)練樣本，提高模型的泛化能力。數(shù)據(jù)增強(qiáng)方法應(yīng)用于每個訓(xùn)練迭代中，通過對訓(xùn)練樣本進(jìn)行隨機(jī)變換，確保模型每次觀察到不同的樣本。

2.5 消融實(shí)驗

通過消融實(shí)驗分析本文改進(jìn)各模塊的優(yōu)化效果， 結(jié)果見表2。其中， 優(yōu)化模型1 為YOLOv8n+HGNetv2，優(yōu)化模型2 為YOLOv8n+Triplet Attention，優(yōu)化模型3 為YOLOv8n+CARAFE， 優(yōu)化模型4 為YOLOv8n+HGNetv2+Triplet Attention，優(yōu)化模型5 為YOLOv8n+HGNetv2+CARAFE， 優(yōu)化模型6 為YOLOv8n+CARAFE+Triplet Attention，優(yōu)化模型7 為YOLOv8n+HGNetv2+Triplet Attention+CARAFE。由表2 可看出，優(yōu)化模型1 的參數(shù)量和浮點(diǎn)運(yùn)算量較YOLOv8n 模型分別減少了0.654×106 和1.2×109，幀速率提升了2.78 幀/s， mAP 提升了1%； 優(yōu)化模型2 的參數(shù)量和浮點(diǎn)運(yùn)算量與YOLOv8n 模型持平，幀速率下降了1.96 幀/s， mAP 提升了1.8%；優(yōu)化模型3 的參數(shù)量和浮點(diǎn)運(yùn)算量較YOLOv8n 模型分別增加了0.14×106 和0.2×109，幀速率下降了1.96 幀/s，mAP 提升了1.8%； 優(yōu)化模型4 的參數(shù)量和浮點(diǎn)運(yùn)算量較YOLOv8n 模型分別減少了0.653×106 和1.2×109，幀速率提升了0.68 幀/s， mAP 提升了1.7%；優(yōu)化模型5 的參數(shù)量和浮點(diǎn)運(yùn)算量較YOLOv8n 模型分別減少了0.513×106 和0.9×109， 幀速率下降了0.66 幀/s，mAP 提升了1.1%；優(yōu)化模型6 的參數(shù)量和浮點(diǎn)運(yùn)算量較YOLOv8n 模型分別增加了0.141×106 和0.2×109，幀速率下降了4.45 幀/s， mAP 提升了2.1%；優(yōu)化模型7 的參數(shù)量和浮點(diǎn)運(yùn)算量較YOLOv8n 模型分別減少了0.513×106 和0.9×109，幀速率下降了2.6 幀/s，mAP 提升了2.5%，滿足煤矸圖像實(shí)時檢測的要求。

通過消融實(shí)驗得出，添加Triplet Attention 后，識別精度有較大提升，且模型的參數(shù)量和浮點(diǎn)運(yùn)算量基本持平。值得注意的是，引入CARAFE 上采樣后，識別精度提升的同時模型的參數(shù)量和浮點(diǎn)運(yùn)算量也相應(yīng)增加。采用HGNetv2 輕量化主干網(wǎng)絡(luò)，在滿足識別速度的條件下，提升了識別精度，減少了參數(shù)量和浮點(diǎn)運(yùn)算量，減少了模型的存儲需求和計算資源消耗。

2.6 對比實(shí)驗

為進(jìn)一步驗證本文改進(jìn)模型的有效性， 與YOLOv5s， YOLOv7?tiny[24]， YOLOv8n， YOLOv8s 等模型進(jìn)行對比，分別在正常、低照度、高噪聲與運(yùn)動模糊的環(huán)境下進(jìn)行檢測，所有實(shí)驗均使用相同的訓(xùn)練集與驗證集。不同模型的煤矸識別結(jié)果見表3，繪制不同模型的mAP 曲線，如圖6 所示。

由表3 和圖6 可看出，HGTC?YOLOv8n 模型的mAP 在對比模型中最高， 達(dá)到了93.5%， 相較于YOLOv8n 提升了2.5%； 幀速率高于YOLOv8s，YOLOv7?tiny， YOLOv5s，略低于YOLOv8n，滿足實(shí)時檢測的要求（≥60 幀/s）；參數(shù)量僅為YOLOv5s 的37.6%、YOLOv7?tiny 的43.9%、YOLOv8n 的83.7%、YOLOv8s 的28.2%； 浮點(diǎn)運(yùn)算量僅為YOLOv5s 的50%、YOLOv7?tiny 的60.6%、YOLOv8n 的89.8%、YOLOv8s 的27.8%。充分說明HGTC?YOLOv8n 模型在計算資源有限的情況下仍能保持高精度，更適合部署到嵌入式或移動端設(shè)備等場景，完成對煤矸的快速精準(zhǔn)識別。

不同模型在4 種工況下煤矸石測試集部分識別結(jié)果如圖7 所示，其中，紅色檢測框標(biāo)注煤塊，粉色檢測框標(biāo)注矸石，黃色橢圓框標(biāo)記類別錯誤，藍(lán)色橢圓框標(biāo)記漏檢或重復(fù)檢測。

由圖7 可看出，在正常情況下，YOLOv5s，YOLOv7?tiny，YOLOv8n 等模型識別小目標(biāo)煤塊易發(fā)生漏檢或錯檢；在低照度環(huán)境下，YOLOv7?tiny 對小目標(biāo)煤塊發(fā)生了漏檢，YOLOv8s 發(fā)生了錯檢；在高噪聲環(huán)境下，YOLOv7?tiny，YOLOv8n 出現(xiàn)了檢測不準(zhǔn)確的現(xiàn)象； 在運(yùn)動模糊環(huán)境下， YOLOv5s 發(fā)生了漏檢，YOLOv7?tiny 發(fā)生了錯檢。從檢測結(jié)果可知，其他模型均有不同程度的漏檢和錯檢現(xiàn)象， HGTC?YOLOv8n 模型在低照度、高噪聲、運(yùn)動模糊環(huán)境下有較好的識別效果，能夠?qū)γ喉愤M(jìn)行分類識別和位置檢測，有效減少錯檢和漏檢的情況發(fā)生。

2.7 基于HGTC?YOLOv8n 模型的煤矸圖像識別效果

為了驗證改進(jìn)模型的可行性，以帶式輸送機(jī)上煤矸為例進(jìn)行識別。將HGTC?YOLOv8n 模型在測試集上進(jìn)行檢測，對單幅圖像中不同類別的煤矸進(jìn)行識別并計數(shù)。紅字為煤矸個數(shù)，藍(lán)字為煤塊個數(shù)，綠字為矸石個數(shù)，計數(shù)結(jié)果置于左上角，如圖8 所示?？煽闯鯤GTC?YOLOv8n 模型能夠在不同場景下準(zhǔn)確識別煤矸。

3 結(jié)論

1） HGTC?YOLOv8n 模型采用輕量化網(wǎng)絡(luò)模型HGNetv2 替換原模型主干網(wǎng)絡(luò)，將Triplet Attention嵌入主干網(wǎng)絡(luò)，特征融合網(wǎng)絡(luò)上采樣替換為CARAFE。

2） 提出了一種基于HGTC?YOLOv8n 模型的煤矸識別算法。結(jié)果表明所提模型對小目標(biāo)和重疊遮擋煤矸識別有明顯改善，mAP 為93.5%，比YOLOv8n模型提升了2.5%，模型參數(shù)量為2.645×106，浮點(diǎn)運(yùn)算量為8.0×109 ， 比未改進(jìn)前分別下降了16.22%，10.11%，表明HGTC?YOLOv8n 模型在保證煤矸識別精度的同時減少了模型的存儲需求和計算資源消耗。

3） HGTC?YOLOv8n 模型檢測速度較快，但未部署在嵌入式或移動端等設(shè)備進(jìn)行實(shí)時檢測試驗，未來將進(jìn)行試驗臺搭建，以驗證其在動態(tài)煤矸檢測的有效性。

參考文獻(xiàn)（References）：

[ 1 ]謝和平，任世華，謝亞辰，等. 碳中和目標(biāo)下煤炭行業(yè)發(fā)展機(jī)遇[J]. 煤炭學(xué)報，2021，46（7）：2197-2211.

XIE Heping， REN Shihua， XIE Yachen， et al.Development opportunities of the coal industry towardsthe goal of carbon neutrality[J]. Journal of China CoalSociety，2021，46（7）：2197-2211.

[ 2 ]王國法，杜毅博，任懷偉，等. 智能化煤礦頂層設(shè)計研究與實(shí)踐[J]. 煤炭學(xué)報，2020，45（6）：1909-1924.

WANG Guofa，DU Yibo，REN Huaiwei，et al. Top leveldesign and practice of smart coal mines[J]. Journal ofChina Coal Society，2020，45（6）：1909-1924.

[ 3 ]馮來宏，李克相，顧雷雨，等. 我國井下智能干選技術(shù)裝備發(fā)展及展望[J]. 煤炭工程，2023，55（9）：11-15.

FENG Laihong， LI Kexiang， GU Leiyu， et al.Development and prospect of underground intelligentdry separation technology and equipment in China[J].Coal Engineering，2023，55（9）：11-15.

[ 4 ]張創(chuàng)業(yè)，王曉川，劉慶軍，等. 近全巖保護(hù)層開采煤矸井下分選及充填一體化技術(shù)研究與應(yīng)用[J]. 煤炭工程，2023，55（10）：6-11.

ZHANG Chuangye， WANG Xiaochuan， LIU Qingjun，et al. Integrated technology of coal gangue undergroundseparation and filling in full rock protection seammining[J]. Coal Engineering，2023，55（10）：6-11.

[ 5 ]WANG Yuanbin， WANG Yujing， DANG Langfei.Video detection of foreign objects on the surface of beltconveyor underground coal mine based on improvedSSD[J]. Journal of Ambient Intelligence andHumanized Computing，2020，14：5507-5516.

[ 6 ]王家臣，李良暉，楊勝利. 不同照度下煤矸圖像灰度及紋理特征提取的實(shí)驗研究[J]. 煤炭學(xué)報， 2018，43（11）：3051-3061.

WANG Jiachen， LI Lianghui， YANG Shengli.Experimental study on gray and texture featuresextraction of coal and gangue image under differentilluminance[J]. Journal of China Coal Society， 2018，43（11）：3051-3061.

[ 7 ]張紅，李晨陽. 基于光學(xué)圖像的煤矸石識別方法綜述[J]. 煤炭工程，2022，54（7）：159-163.

ZHANG Hong， LI Chenyang. Review on coal gangueidentification methods based on optical images[J]. CoalEngineering，2022，54（7）：159-163.

[ 8 ]郜亞松，張步勤，郎利影. 基于深度學(xué)習(xí)的煤矸石識別技術(shù)與實(shí)現(xiàn)[J]. 煤炭科學(xué)技術(shù)， 2021， 49（12） ：202-208.

GAO Yasong，ZHANG Buqin，LANG Liying. Coal andgangue recognition technology and implementationbased on deep learning[J]. Coal Science andTechnology，2021，49（12）：202-208.

[ 9 ]李娟莉，魏代良，李博，等. 基于深度學(xué)習(xí)輕量化的改進(jìn)SSD 煤矸快速分選模型[J]. 東北大學(xué)學(xué)報（自然科學(xué)版），2023，44（10）：1474-1480.

LI Juanli， WEI Dailiang， LI Bo， et al. Improved SSDrapid separation model of coal gangue based on deeplearning and light-weighting[J]. Journal of NortheasternUniversity（Natural Science），2023，44（10）：1474-1480.

[10]李博，王學(xué)文，龐尚鐘，等. 煤與矸石圖像特征分析及試驗研究[J]. 煤炭科學(xué)技術(shù)，2022，50（8）：236-246.

LI Bo， WANG Xuewen， PANG Shangzhong， et al.Image characteristics analysis and experimental study ofcoal and gangue[J]. Coal Science and Technology，2022，50（8）：236-246.

[11]郭永存，王希，何磊，等. 基于TW?RN 優(yōu)化CNN 的煤矸識別方法研究[J]. 煤炭科學(xué)技術(shù)，2022，50（1）：228-236.

GUO Yongcun，WANG Xi， HE Lei， et al. Research oncoal and gangue recognition method based on TW-RNoptimized CNN[J]. Coal Science and Technology，2022，50（1）：228-236.

[12]徐志強(qiáng)，呂子奇，王衛(wèi)東，等. 煤矸智能分選的機(jī)器視覺識別方法與優(yōu)化[J]. 煤炭學(xué)報， 2020， 45（6） ：2207-2216.

XU Zhiqiang， LYU Ziqi， WANG Weidong， et al.Machine vision recognition method and optimization forintelligent separation of coal and gangue[J]. Journal ofChina Coal Society，2020，45（6）：2207-2216.

[13]徐慈強(qiáng)，賈運(yùn)紅，田原. 基于MES?YOLOv5s 的綜采工作面大塊煤檢測算法[J]. 工礦自動化，2024，50（3）：42-47，141.

XU Ciqiang， JIA Yunhong， TIAN Yuan. Large blockcoal detection algorithm for fully mechanized workingface based on MES-YOLOv5s[J]. Journal of MineAutomation，2024，50（3）：42-47，141.

[14]張磊，王浩盛，雷偉強(qiáng)，等. 基于YOLOv5s?SDE 的帶式輸送機(jī)煤矸目標(biāo)檢測[J]. 工礦自動化， 2023，49（4）：106-112.。

ZHANG Lei， WANG Haosheng， LEI Weiqiang. Coalgangue target detection of belt conveyor based onYOLOv5s-SDE[J]. Journal of Mine Automation，2023，49（4）：106-112.

[15]鄧天民，程鑫鑫，劉金鳳，等. 基于特征復(fù)用機(jī)制的航拍圖像小目標(biāo)檢測算法[J]. 浙江大學(xué)學(xué)報（工學(xué)版），2024，58（3）：437-448.

DENG Tianmin， CHENG Xinxin， LIU Jinfeng， et al.Small target detection algorithm for aerial images basedon feature reuse mechanism[J]. Journal of ZhejiangUniversity（Engineering Science） ， 2024， 58（3） ：437-448.

[16]WANG Gang， CHEN Yanfei， AN Pei， et al. UAVYOLOv8：a small-object-detection model based onimproved YOLOv8 for UAV aerial photographyscenarios[J]. Sensors， 2023， 23（16） . DOI： 10.3390/S23167190.

[17]ZHANG Lei， ZHENG Jiachun， LI Chaopeng， et al.CCDN-DETR： a detection transformer based onconstrained contrast denoising for multi-class syntheticaperture radar object detection[J]. Sensors， 2024，24（6）. DOI：10.3390/S24061793.

[18]VORUGUNTI C S， PULABAIGARI V， GORTHI R KS S， et al. Osvfusenet： online signature verification byfeature fusion and depth-wise separable convolutionbased deep learning[J]. Neurocomputing， 2020， 409：157-172.

[19]何凱，程剛，王希，等. 基于CED?YOLOv5s 模型的煤矸識別方法研究[J]. 工礦自動化，2024，50（2）：49-56，82.

HE Kai， CHENG Gang，WANG Xi， et al. Research oncoal gangue recognition method based on CEDYOLOv5smodel[J]. Journal of Mine Automation，2024，50（2）：49-56，82.

[20]SHIMAA S， KHALID A， PAWEL P， et al. Graphconvolutional network with triplet attention learning forperson re-identification[J]. Information Sciences，2022，617：331-345.

[21]王瑞婷，王海燕，陳曉，等. 基于混合卷積與三重注意力的高光譜圖像分類網(wǎng)絡(luò)[J]. 智能系統(tǒng)學(xué)報，2023，18（2）：260-269.

WANG Ruiting， WANG Haiyan， CHEN Xiao， et al.Hyperspectral image classification based on hybridconvolutional neural network with triplet attention[J].CAAI Transactions on Intelligent Systems， 2023，18（2）：260-269.

[22]WANG Jiaqi， CHEN Kai， LIU Ziwei， et al. Carafe++：unified content-aware reassembly of features[J]. IEEETransactions on Pattern Analysis and MachineIntelligence，2021，44（9）：4674-4687.

[23]單慧琳，王碩洋，童俊毅，等. 增強(qiáng)小目標(biāo)特征的多尺度光學(xué)遙感圖像目標(biāo)檢測[J]. 光學(xué)學(xué)報， 2024，44（6）：382-394.

SHAN Huilin， WANG Shuoyang， TONG Junyi， et al.Multi-scale optical remote sensing image target detectionbased on enhanced small target features[J]. Acta OpticaSinica，2024，44（6）：382-394.

[24]QIU Yongsheng， LU Yuanyao， WANG Yuantao， et al.IDOD-YOLOV7： image-dehazing YOLOV7 for objectdetection in low-light foggy traffic environments[J].Sensors，2023，23（3）. DOI：10.3390/S23031347.

基金項目：機(jī)械工業(yè)聯(lián)合會礦山采選裝備智能化重點(diǎn)實(shí)驗室開放基金項目（2022KLMIO4） ；安徽理工大學(xué)引進(jìn)人才基金項目（13230411）。