摘 "要：為解決煤礦高粉塵、低照度、高噪聲與堆疊等復(fù)雜環(huán)境因素導(dǎo)致的煤矸識(shí)別精度低、漏檢與誤檢問題，提出一種基于KRB-YOLOv5s算法的煤矸識(shí)別方法。采用K均值聚類（K-means++）算法對數(shù)據(jù)集進(jìn)行重新聚類，以得到更精準(zhǔn)的錨框參數(shù)；在YOLOv5s主干網(wǎng)絡(luò)中引入大核卷積結(jié)構(gòu)重參數(shù)（RepLKNet）網(wǎng)絡(luò)，通過大核卷積架構(gòu)提取目標(biāo)更高層級(jí)的特征信息；在YOLOv5s頸部引入加權(quán)雙向特征金字塔（BiFPN）網(wǎng)絡(luò)，通過雙向跨尺度連接對目標(biāo)多尺度特征進(jìn)行快速捕捉與融合。在煤矸數(shù)據(jù)集上開展實(shí)驗(yàn)，結(jié)果表明：與其他YOLO系列檢測算法相比，KRB-YOLOv5s算法在高粉塵、低照度、高噪聲與堆疊工況下的綜合檢測性能最佳，識(shí)別精度均值（mAP）達(dá)94.5%，比YOLOv5s算法提高了3.3個(gè)百分點(diǎn)。研究結(jié)論為煤礦復(fù)雜工況下煤矸智能分選提供參考。

關(guān)鍵詞：煤矸識(shí)別方法；大核卷積架構(gòu)；多尺度特征；YOLOv5s算法；煤矸智能分選

中圖分類號(hào)：TP391 " " " " " " " " "文獻(xiàn)標(biāo)志碼：A " " " " " " "文章編號(hào)：1008-0562（2024）04-0385-08

Recognition method for coal and gangue based on KRB-YOLOv5s

GE Qingnan， CHENG Gang*， ZHAO Dongyang

（State Key Laboratory of Deep Coal Mine Mining Response and Disaster Prevention and Control， Anhui University of Science and Technology， Huainan 232001， China）

Abstract： To solve the problems of low recognition accuracy， missed detection， and 1 detection of coal and gangue caused by complex environmental factors such as high dust， low illumination， and high noise in coal mines， a recognition method for coal and gangue based on KRB-YOLOv5s is proposed. The K-means++ algorithm is used to re-cluster the dataset to obtain more accurate anchor box parameters. The RepLKNet network is introduced into the YOLOv5s backbone network to extract higher-level feature information of the target through a large kernel convolutional architecture. A BiFPN network is introduced into the neck of YOLOv5s to quickly capture and fuse multi-scale features of the target through bidirectional cross scale connections. Experiments are conducted on a dataset of coal and gangue， and the results show that compared with other YOLO series detection algorithms， the KRB-YOLOv5s algorithm has the best comprehensive detection performance under high dust， low illumination， and high noise conditions， with an average recognition precision （mAP） of 94.5%， which is 3.3 percentage points higher than that of YOLOv5s algorithm. The research conclusions provide a reference for intelligent sorting of coal and gangue under complex working conditions in coal mine.

Key words： recognition method for coal and gangue; large kernel convolutional architecture; multi-scale features; YOLOv5s algorithm; intelligent sorting of coal and gangue

0 "引言

煤矸分選是煤矸石處理流程中的重要環(huán)節(jié)，其分選方式包括人工選矸法、濕選法、干選法。人工選矸法分揀效率低，濕選法需要大量水資源，而干選法更符合綠色發(fā)展理念，已成為目前煤矸石分選的研究熱點(diǎn)。隨著煤礦智能化發(fā)展，煤矸識(shí)別技術(shù)作為干選法的核心步驟迎來了新的技術(shù)突破，其中基于深度學(xué)習(xí)的煤矸智能識(shí)別算法[1-4]因其靈活度高和可遷移學(xué)習(xí)的特點(diǎn)，受到國內(nèi)外學(xué)者的廣泛關(guān)注。

基于深度學(xué)習(xí)的煤矸識(shí)別方法主要分為以區(qū)域卷積神經(jīng)網(wǎng)絡(luò)（RCNN）[5]、快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)（Faster-RCNN）[6]、實(shí)例分割框架（Mask- RCNN）[7]為代表的兩階段檢測模型和以單次多邊框檢測（SSD）[8]、深度目標(biāo)檢測（YOLO）系列[9-12]為代表的一階段檢測模型。近年來，有關(guān)煤與矸石的視覺識(shí)別研究，大多集中于針對上述檢測算法的改進(jìn)與創(chuàng)新。司壘等[13]針對傳統(tǒng)麻雀搜索算法（SSA）進(jìn)行煤矸快速精準(zhǔn)識(shí)別時(shí)易陷入局部最優(yōu)以及種群多樣性的問題，提出一種基于ISSA- LightGBM的煤矸快速識(shí)別模型，提升了煤矸識(shí)別準(zhǔn)確度。郭永存等[14]針對小樣本數(shù)據(jù)難以構(gòu)建深度學(xué)習(xí)模型以及具體工況下不同尺度煤矸形態(tài)和顏色識(shí)別率低的問題，提出融合遷移思想與結(jié)構(gòu)優(yōu)化煤矸模型的方法，通過雙關(guān)系網(wǎng)絡(luò)（TW-RN）模型改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)，構(gòu)建Im_AlexNet、Im_VGG16、Im_VGG19、Im_ResNet50煤矸識(shí)別模型來提高煤矸識(shí)別精度與速度。郜亞松等[15]針對在圖像處理中煤矸識(shí)別存在速度、效率低以及精度起伏問題，通過在V3移動(dòng)網(wǎng)絡(luò)模型（MobileNetV3-large）中引入碳邊境調(diào)節(jié)機(jī)制（CBAM）注意力機(jī)制，來增強(qiáng)模型對目標(biāo)復(fù)雜像素信息的特征提取能力，提升了煤矸識(shí)別精度。蔣磊等[16]針對煤矸滾落工況下的煤矸快速準(zhǔn)確識(shí)別問題，提出一種基于梅爾頻率倒譜系數(shù)（MFCC）和方向?qū)?shù)卷積神經(jīng)網(wǎng)絡(luò)（FD-CNN）的煤矸識(shí)別方法，其主要以煤矸滾落到液壓支架尾梁振動(dòng)信號(hào)的MFCC特征參數(shù)為訓(xùn)練與測試樣本，并使用自行搭建的FD-CNN卷積神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)了基于煤矸振動(dòng)信號(hào)的在線分類與識(shí)別。張磊等[17]針對傳統(tǒng)煤矸檢測模型檢測精度低且人工提取特征速度慢的問題，提出一種基于YOLOv5s-SDE的帶式輸送機(jī)煤矸目標(biāo)檢測方法，提升了模型收斂速度和小目標(biāo)煤矸的檢測精度。沈科等[18]在YOLOv5s網(wǎng)絡(luò)中引入自校正卷積（SCConv），并將原YOLOv5s的三尺度檢測網(wǎng)絡(luò)簡化為二尺度檢測網(wǎng)絡(luò)，提升了模型的檢測精度和速度。上述煤矸識(shí)別方法所應(yīng)用的實(shí)驗(yàn)環(huán)境條件較好且工況簡單，而在面對煤礦高粉塵、低照度、高噪聲與堆疊的復(fù)雜工況環(huán)境時(shí)，其檢測的魯棒性與穩(wěn)定性將面臨諸多挑戰(zhàn)。因此，本文提出一種基于KRB-YOLOv5s的煤矸識(shí)別方法，以提升煤礦復(fù)雜背景下的煤矸識(shí)別精度。 1 "KRB-YOLOv5s模型

YOLOv5s模型可分為4個(gè)部分：輸入端（Input）、主干網(wǎng)絡(luò)（BackBone）、頸部（Neck）與頭部（Head）。輸入端主要針對圖像數(shù)據(jù)集進(jìn)行Mosaic數(shù)據(jù)增強(qiáng)、自適應(yīng)錨框計(jì)算和自適應(yīng)縮放操作。主干網(wǎng)絡(luò)由卷積塊聯(lián)合輕量化（CBL）模塊、跨通道和跨層的卷積塊（C3模塊），以及空間金字塔池化（SPP）模塊組成，主要用于目標(biāo)圖像的多層特征提取與傳遞。頸部由特征金字塔網(wǎng)絡(luò)（FPN）和路徑聚合網(wǎng)絡(luò)（PAN）組成，主要用于實(shí)現(xiàn)目標(biāo)全局信息的多層級(jí)特征融合。頭部由3個(gè)不同大小的卷積層組成，對目標(biāo)的類別、位置以及置信度進(jìn)行輸出。本文針對YOLOv5s網(wǎng)絡(luò)進(jìn)行改進(jìn)，改進(jìn)后的YOLOv5s結(jié)構(gòu)見圖1。

改進(jìn)策略如下：①采用K-means++算法對煤矸數(shù)據(jù)集進(jìn)行重新聚類，以獲得更為精準(zhǔn)的錨框參數(shù)，提升聚類精度；②采用RepLKNet網(wǎng)絡(luò)[19-20]分別替換YOLOv5s主干網(wǎng)絡(luò)最后一層與頸部倒數(shù)第二層的C3模塊，并通過大核卷積架構(gòu)逐步提取煤矸圖像更高層級(jí)的特征信息，以提升模型對煤矸關(guān)鍵特征的提取能力；③采用BiFPN替換頸部的PAN，通過自上而下和自下而上的雙向跨尺度信息傳遞策略，實(shí)現(xiàn)模型對煤矸多尺度特征的快速捕捉與融合。

2 "KRB-YOLOv5s算法原理

2.1 "K-means++算法

原YOLOv5s模型的初始錨框參數(shù)是采用K-means算法對coco數(shù)據(jù)集聚類得到的，對本文的煤矸數(shù)據(jù)集適用性較差。因此，本文采用聚類精度更高的K-means++算法對煤矸數(shù)據(jù)集進(jìn)行重新聚類，以生成適用于該數(shù)據(jù)集的新錨框參數(shù)。K-means++算法的流程如下。

步驟1 "數(shù)據(jù)初始化。在數(shù)據(jù)集中隨機(jī)選擇一個(gè)目標(biāo)框的寬高參數(shù)樣本作為第一個(gè)聚類中心A1。

步驟2 "選擇聚類中心。先計(jì)算其余目標(biāo)框與第一個(gè)聚類中心的最短距離d（x），再計(jì)算每個(gè)樣本被選為下一個(gè)聚類中心的概率p，見式（1），并按照輪盤法選擇下一個(gè)聚類中心An。

。 （1）

步驟3 "迭代聚類。在迭代選擇多個(gè)聚類中心過程中，根據(jù)最短距離逐漸將數(shù)據(jù)集樣本分為若干類。

步驟4 "重復(fù)執(zhí)行上述步驟，直到聚類中心位置不再變化，并輸出最終的聚類結(jié)果。

2.2 "RepLKNet網(wǎng)絡(luò)

為解決井下高粉塵、低照度、高噪聲的復(fù)雜環(huán)境因素導(dǎo)致的煤矸關(guān)鍵特征提取能力差的問題，在YOLOv5s主干網(wǎng)絡(luò)中引入RepLKNet網(wǎng)絡(luò)，憑借大核卷積的優(yōu)勢來擴(kuò)大模型感受野并獲得更為豐富的煤矸形狀偏差信息，以提升模型在煤礦復(fù)雜背景中對煤矸關(guān)鍵特征的提取能力。

RepLKNet網(wǎng)絡(luò)整體架構(gòu)見圖2，RepLKNet網(wǎng)絡(luò)包括3個(gè)部分：Steam部分、Stage階段和Transition層。Steam部分為開始階段，分別采用3個(gè)3×3卷積（Conv）、2個(gè)3×3的深度可分離卷積（DW）與1個(gè)1×1卷積（Conv）逐步對目標(biāo)圖像進(jìn)行下采樣，從而最大程度獲取輸入圖像的全局信息，以減少特征信息損失。Stage階段作為主干層，主要用于對目標(biāo)圖像信息進(jìn)行漸進(jìn)式特征提取、轉(zhuǎn)換和整合，其主要包括RepLKBlock和ConvFFN兩部分。其中，RepLKBlock由批量歸一層（BN）、1×1卷積（Conv）、3×3深度可分離卷積（DW）以及1×1殘差網(wǎng)絡(luò)組成；ConvFFN由BN層、1×1卷積和1×1殘差網(wǎng)絡(luò)組成。Transition層處于多個(gè)Stage階段之間，其利用一個(gè)1×1卷積與兩個(gè)3×3 DW對特征圖尺寸和通道數(shù)進(jìn)行自適應(yīng)調(diào)整。

2.3 "BiFPN網(wǎng)絡(luò)

為解決煤矸尺寸各異導(dǎo)致的目標(biāo)尺度變化劇烈的問題，在YOLOv5s頸部引入BiFPN，以提升模型對目標(biāo)多尺度特征的融合能力。FPN、PAN、BiFPN結(jié)構(gòu)示意見圖3。

如圖3（a）與圖3（b）所示，在原YOLOv5s中主要采用FPN與PAN進(jìn)行特征融合，二者所采用的單向特征傳遞機(jī)制與固定層級(jí)的特征融合方式，存在信息傳遞方向單一且特征融合靈活性低的問題，導(dǎo)致其難以適應(yīng)目標(biāo)尺度變化劇烈的工況。因此，引入如圖3（c）所示的BiFPN網(wǎng)絡(luò)，以消除對融合貢獻(xiàn)較小的單邊輸入節(jié)點(diǎn)，并利用該網(wǎng)絡(luò)中各節(jié)點(diǎn)自頂向下、自底向上、跨尺度連接等特點(diǎn)，來更好地處理尺度變化和語義信息。

3 "實(shí)驗(yàn)數(shù)據(jù)集

實(shí)驗(yàn)平臺(tái)參數(shù)見表1，實(shí)驗(yàn)平臺(tái)包括采集裝置、機(jī)器視覺裝置、輸送機(jī)和實(shí)驗(yàn)材料，見圖4。先利用傳送帶將煤矸石傳送到機(jī)器視覺裝置區(qū)域，再通過機(jī)器視覺裝置實(shí)時(shí)采集煤矸圖像。

為進(jìn)一步模擬煤礦高粉塵、低照度、高噪聲與堆疊的復(fù)雜工況，采用椒鹽噪聲、亮度變換和霧化的方式對原始圖像進(jìn)行數(shù)據(jù)增強(qiáng)，見圖5，最終將數(shù)據(jù)集由415張圖像擴(kuò)充至1 660張圖像，同時(shí)提升了煤矸數(shù)據(jù)集的泛化能力與多樣性。按照8∶1∶1的比例將數(shù)據(jù)集劃分為訓(xùn)練集、驗(yàn)證集和測試集。

4 "實(shí)驗(yàn)及結(jié)果分析

4.1 "實(shí)驗(yàn)配置

基于AutoDL云服務(wù)器開展實(shí)驗(yàn)研究，實(shí)驗(yàn)配置的操作系統(tǒng)為Ubuntu 20.04，CUDA版本為11.3，語言為Python 3.8，CPU為Intel（R） Xeon（R） Platinum 8350C，GPU為NVIDIA GeForce RTX 3090（24 GB）。實(shí)驗(yàn)參數(shù)設(shè)置如下：初始學(xué)習(xí)率為0.01，周期學(xué)習(xí)率為0.01，動(dòng)量為0.937，權(quán)重衰減正則項(xiàng)為0.05，訓(xùn)練樣本數(shù)為32，線程數(shù)為16，訓(xùn)練迭代301次。

4.2 "實(shí)驗(yàn)評價(jià)指標(biāo)

本文所采用實(shí)驗(yàn)評價(jià)指標(biāo)為：識(shí)別精確度P（precision）、召回率R（recall）、識(shí)別精度均值m（mAP）、調(diào)和平均值F1（F1-score）、參數(shù)量（Params）、檢測速度S（frames per second，F(xiàn)PS）。評價(jià)指標(biāo)的計(jì)算式為

， （2）

， （3）

， （4）

， （5）

式（2）～式（5）中：TP為真正例；FN為假反例；FP為假正例；Api為第i次識(shí)別的平均精度；K為所需識(shí)別目標(biāo)（煤或矸石）的數(shù)量。

4.3 "消融實(shí)驗(yàn)

為驗(yàn)證各改進(jìn)模塊的有效性，在煤矸數(shù)據(jù)集上以相同的訓(xùn)練策略進(jìn)行消融實(shí)驗(yàn)。消融實(shí)驗(yàn)設(shè)計(jì)見表2。消融實(shí)驗(yàn)結(jié)果見表3和圖6。

在表2與圖6中，對比模型A和模型B可知，引入K-means++算法，使P下降了0.2個(gè)百分點(diǎn)，R提升了2.8個(gè)百分點(diǎn)，m提升了1.9個(gè)百分點(diǎn)，F(xiàn)1提升了2個(gè)百分點(diǎn)。模型B通過聚類算法，提高了聚類質(zhì)量以及收斂速度。

對比模型A和模型C可知，引入RepLKNet網(wǎng)絡(luò)，使P提升了1.8個(gè)百分點(diǎn)，R提升了1.7個(gè)百分點(diǎn)，m提升了2.2個(gè)百分點(diǎn)，F(xiàn)1提升了1個(gè)百分點(diǎn)。模型C利用大核卷積，使目標(biāo)特征提取能力提高，改善了煤矸漏檢與識(shí)別精度低的問題。

對比模型A和模型D可知，引入BiFPN網(wǎng)絡(luò)，使P提升了0.3個(gè)百分點(diǎn)，R提升了3.7個(gè)百分點(diǎn)，m提升了2.5個(gè)百分點(diǎn)，F(xiàn)1提升了2個(gè)百分點(diǎn)。模型D利用BiFPN網(wǎng)絡(luò)的雙向跨尺度連接與批量歸一化融合操作，提升了模型對目標(biāo)多尺度特征的融合能力，改善了煤矸誤檢的問題。

對比模型A和模型E可知，在YOLOv5s基礎(chǔ)上添加了K-means++算法、RepLKNet模塊與BiFPN網(wǎng)絡(luò)。三者融合使P提升了2.6個(gè)百分點(diǎn)，R提升了3.9個(gè)百分點(diǎn)，m提升了3.3個(gè)百分點(diǎn)，F(xiàn)1提升了3個(gè)百分點(diǎn)。模型E綜合利用3個(gè)改進(jìn)模塊的優(yōu)勢，極大提升了煤矸檢測精度，可滿足煤礦復(fù)雜工況下的煤矸識(shí)別需求。

4.4 "對比實(shí)驗(yàn)

為客觀評價(jià)改進(jìn)后的模型檢測性能，基于同一數(shù)據(jù)集，保持訓(xùn)練環(huán)境不變，對其他幾種算法進(jìn)行測試。實(shí)驗(yàn)對比了SSD算法、端到端目標(biāo)檢測跟蹤器（DETR）算法、Faster-RCNN算法、YOLOv5n算法、YOLOv5s算法、YOLOv5m算法、YOLOv7-tiny算法、YOLOv8算法，實(shí)驗(yàn)結(jié)果見表4和圖7。

在檢測精度方面，KRB-YOLOv5s算法的mAP曲線在第100輪迭代后逐步攀升并高于其他8種算法，其mAP值為94.5%，說明其對煤矸的識(shí)別效果最佳。SSD算法的召回率最低，僅為79.5%，說明其對煤矸的漏檢率最高，而DETR算法的識(shí)別精確度最低，僅為79.4%，說明其對煤矸的誤檢率最高。

在檢測速度方面，KRB-YOLOv5s算法檢測速度為125 幀/s，低于YOLOv5n算法、YOLOv5s算法和YOLOv7-tiny算法，但參考圖像領(lǐng)域的實(shí)時(shí)檢測標(biāo)準(zhǔn)（檢測速度大于等于60 幀/s），其仍能充分滿足煤矸識(shí)別的實(shí)時(shí)檢測要求。DETR算法與Faster-RCNN算法的參數(shù)量較高，導(dǎo)致模型計(jì)算復(fù)雜性提升，使得二者的檢測速度均低于30 幀/s，難以滿足煤矸的實(shí)時(shí)檢測需求。

4.5 "檢測結(jié)果分析

為驗(yàn)證KRB-YOLOv5s算法的優(yōu)越性，對KRB-YOLOv5s算法、SSD算法、DETR算法、Faster-RCNN算法、YOLOv5s算法、YOLOv7-tiny算法的檢測結(jié)果進(jìn)行可視化呈現(xiàn)，見圖8和圖9。檢測結(jié)果中藍(lán)色標(biāo)簽代表矸石（gangue），紅色標(biāo)簽代表煤（coal），綠色圓圈代表漏檢現(xiàn)象，黃色圓圈代表誤檢現(xiàn)象，紫色代表檢測框定位偏差現(xiàn)象。

由圖8和圖9可知，在高噪聲環(huán)境中，SSD算法出現(xiàn)檢測框定位偏差問題，F(xiàn)aster-RCNN算法和YOLOv5s算法均出現(xiàn)誤檢問題。在低照度環(huán)境中，YOLOv5s算法出現(xiàn)預(yù)測框定位偏差問題，而Faster-RCNN算法出現(xiàn)誤檢問題。在高粉塵環(huán)境中，SSD算法、DETR算法、Faster-RCNN算法和YOLOv5s算法均存在漏檢現(xiàn)象。在堆疊環(huán)境中，SSD算法出現(xiàn)預(yù)測框定位偏差問題，YOLOv5s算法與Faster-RCNN算法存在誤檢問題，DETR算法、YOLOv5s算法和YOLOv7-tiny算法的煤矸識(shí)別精度均低于KRB-YOLOv5s算法。在上述4種復(fù)雜工況環(huán)境中，KRB-YOLOv5s算法未出現(xiàn)誤檢、漏檢與檢測框定位偏差問題，并且對煤矸的檢測置信度得分均高于其他4種檢測算法，表明KRB-YOLOv5s算法更適用于煤礦復(fù)雜環(huán)境中的煤矸實(shí)時(shí)檢測任務(wù)。

5 "結(jié)論

（1）提出了一種基于KRB- YOLOv5s算法的煤矸識(shí)別方法，通過在YOLOv5s網(wǎng)絡(luò)中分別引入K-means++算法、RepLKNet模塊和BiFPN網(wǎng)絡(luò)，提升了算法對煤矸關(guān)鍵特征的提取能力、多尺度特征融合能力以及識(shí)別精度。

（2）消融實(shí)驗(yàn)結(jié)果表明，各改進(jìn)模塊對YOLOv5s算法的檢測結(jié)果均有提升，尤其是RepLKNet網(wǎng)絡(luò)和BiFPN網(wǎng)絡(luò)，分別將識(shí)別精度均

值提升了2.2個(gè)百分點(diǎn)和2.5個(gè)百分點(diǎn)，驗(yàn)證了所提出的KRB-YOLOv5s算法中各改進(jìn)模塊的有效性。

（3）對比實(shí)驗(yàn)結(jié)果表明，與SSD算法、DETR算法、Faster-RCNN算法、YOLOv5n算法、YOLOv5s算法、YOLOv5m算法、YOLOv7-tiny算法、YOLOv8算法相比，KRB-YOLOv5s算法的魯棒性和穩(wěn)定性最好，在高粉塵、低照度、高噪聲與堆疊的復(fù)雜背景中對煤矸的識(shí)別精度均值最高（mAP達(dá)94.5%），且未出現(xiàn)誤檢與漏檢現(xiàn)象，從而驗(yàn)證了所提出的KRB-YOLOv5s算法的優(yōu)越性。

參考文獻(xiàn)（References）：

[1] 張倩，馬愿，李國麗，等.頻域分解和深度學(xué)習(xí)算法在短期負(fù)荷及光伏功率預(yù)測中的應(yīng)用[J].中國電機(jī)工程學(xué)報(bào)，2019，39（8）：2221-2230，5.

ZHANG Qian，MA Yuan，LI Guoli，et al.Applications of frequency domain decomposition and deep learning algorithms in short-term load and photovoltaic power forecasting[J].Proceedings of the CSEE，2019， 39（8）：2221-2230，5.

[2] 邢海燕，王松弘澤，弋鳴，等.基于IPSO-GRU深度學(xué)習(xí)算法的海底管道缺陷尺寸磁記憶定量反演模型[J].工程科學(xué)學(xué)報(bào)，2022，44（5）：911-919.

XING Haiyan，WANG Songhongze，YI Ming，et al.Metal magnetic memory quantitative inversion model based on IPSO-GRU algorithm for detecting submarine pipeline defect[J].Chinese Journal of Engineering，2022，44（5）：911-919.

[3] 胡明娣，吳怡，宋堯，等.單幅圖像去雨數(shù)據(jù)集和深度學(xué)習(xí)算法的聯(lián)合評估與展望[J].中國圖象圖形學(xué)報(bào)，2022，27（5）：1359-1391.

HU Mingdi，WU Yi，SONG Yao，et al.The integrated evaluation and review of single image rain removal based datasets and deep learning methods[J].Journal of Image and Graphics，2022，27（5）：1359-1391.

[4] 藍(lán)朝楨，盧萬杰，于君明，等.異源遙感影像特征匹配的深度學(xué)習(xí)算法[J].測繪學(xué)報(bào)，2021，50（2）：189-202.

LAN Chaozhen，LU Wanjie，YU Junming，et al.Deep learning algorithm for feature matching of cross modality remote sensing images[J].Acta Geodaetica et Cartographica Sinica，2021，50（2）：189-202.

[5] GIRSHICK R，DONAHUE J，DARRELL T，et al.Rich feature hierarchies for accurate object detection and semantic segmentation[C]//2014 IEEE Conference on Computer Vision and Pattern Recognition，June 23-28，2014，Columbus，OH，USA.IEEE，2014：580-587.

[6] 黃繼鵬，史穎歡，高陽.面向小目標(biāo)的多尺度Faster-RCNN檢測算法[J].計(jì)算機(jī)研究與發(fā)展，2019，56（2）：319-327.

HUANG Jipeng，SHI Yinghuan，GAO Yang.Multi-scale Faster-RCNN algorithm for small object detection[J].Journal of Computer Research and Development，2019，56（2）：319-327.

[7] 楊麗榮，曹沖，劉順.改進(jìn)Mask RCNN算法對礦石分割定位的研究[J].礦業(yè)研究與開發(fā)，2023，43（4）：209-216.

YANG Lirong，CAO Chong，LIU Shun.Study on improved Mask RCNN algorithm for ore segmentation and localization[J].Mining Research and Development，2023，43（4）：209-216.

[8] 田智慧，孫鹽鹽，魏海濤.基于SSD模型的交通標(biāo)志檢測算法[J].計(jì)算機(jī)應(yīng)用與軟件，2021，38（12）：201-206.

TIAN Zhihui，SUN Yanyan，WEI Haitao.Traffic sign detection algorithm based on SSD model[J].Computer Applications and Software， 2021，38（12）：201-206.

[9] 張慶賀，陳晨，袁亮，等.基于DIC和YOLO算法的復(fù)雜裂隙巖石破壞過程動(dòng)態(tài)裂隙早期智能識(shí)別[J].煤炭學(xué)報(bào)，2022，47（3）：1208-1219.

ZHANG Qinghe，CHEN Chen，YUAN Liang，et al.Early and intelligent recognition of dynamic cracks during damage of complex fractured rock masses based on DIC and YOLO algorithms [J].Journal of China Coal Society，2022，47（3）：1208-1219.

[10] JIANG P Y，ERGU D J，Liu F Y，et al.A Review of Yolo algorithm developments[J].Procedia Computer Science，2022，199：1066-1073.

[11] DIWAN T，ANIRUDH G，TEMBHURNE J V.Object detection using YOLO：challenges， architectural successors， datasets and applications [J].Multimedia Tools and Applications，2023，82（6）：9243-9275.

[12] 茅智慧，朱佳利，吳鑫，等.基于YOLO的自動(dòng)駕駛目標(biāo)檢測研究綜述[J].計(jì)算機(jī)工程與應(yīng)用，2022，58（15）：68-77.

MAO Zhihui，ZHU Jiali，WU Xin，et al.Review of YOLO based target detection for autonomous driving[J].Computer Engineering and Applications，2022，58（15）：68-77.

[13] 司壘，譚超，朱嘉皓，等.基于X射線圖像和激光點(diǎn)云的煤矸識(shí)別方法[J].儀器儀表學(xué)報(bào)，2022，43（9）：193-205.

SI Lei，TAN Chao，ZHU Jiahao，et al.A coal gangue recognition method based on X-ray image and laser point cloud[J].Chinese Journal of Scientific Instrument，2022，43（9）：193-205.

[14] 郭永存，王希，何磊，等.基于TW-RN優(yōu)化CNN的煤矸識(shí)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 on coal and gangue recognition method based on TW-RN optimized CNN[J].Coal Science and Technology，2022，50（1）：228-236.

[15] 郜亞松，張步勤，郎利影.基于深度學(xué)習(xí)的煤矸石識(shí)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 and gangue recognition technology and implementation based on deep learning[J]. Coal Science and Technology，2021，49（12）：202-208.

[16] 蔣磊，馬六章，楊克虎，等.基于MFCC和FD-CNN卷積神經(jīng)網(wǎng)絡(luò)的綜放工作面煤矸智能識(shí)別[J].煤炭學(xué)報(bào)，2020，45（S2）：1109-1117.

JIANG Lei，MA Liuzhang，YANG Kehu，et al.Coal and gangue intelligent separation based on MFCC and FD-CNN convolutional neural network for top coal caving mining[J].Journal of China Coal Society，2020，45（S2）：1109-1117.

[17] 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(dòng)化，2023，49（4）：106-112.

ZHANG Lei，WANG Haosheng，LEI Weiqiang，et al.Coal gangue target detection of belt conveyor based on YOLOv5s-SDE[J].Journal of Mine Automation，2023，49（4）：106-112.

[18] 沈科，季亮，張?jiān)?，?基于改進(jìn)YOLOv5s模型的煤矸目標(biāo)檢測[J].工礦自動(dòng)化，2021，47（11）：107-111，118.

SHEN Ke，JI Liang，ZHANG Yuanhao，et al.Research on coal and gangue detection algorithm based on improved YOLOv5s model[J]. Industry and Mine Automation，2021，47（11）：107-111，118.

[19] DING X H，ZHANG X Y，HAN J G，et al.Scaling up your kernels to 3131：revisiting large kernel design in CNNs[C]//2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition，June 18-24，2022，New Orleans，LA，USA.IEEE，2022：11963-11975.

[20] LI H，DENG L B，YANG C，et al.Enhanced YOLOv3 tiny network for real-time ship detection from visual image[J].IEEE Access，2021，9： 16692-16706.