-
题名基于YOLO的矿井外因火灾早期识别轻量化算法
- 1
-
-
作者
王凯
卢锋
王纪硕
黄露露
王炎林
马艳飞
-
机构
中国矿业大学煤矿瓦斯与火灾防治教育部重点实验室
中国矿业大学煤矿灾害防控全国重点实验室
江苏省概念验证中心(中国矿业大学)
中国矿业大学煤矿瓦斯治理国家工程研究中心
-
出处
《煤炭学报》
北大核心
2025年第9期4194-4206,共13页
-
基金
国家自然科学基金资助项目(52374242)
国家重点研发计划资助项目(2022YFC3004800)。
-
文摘
煤矿井下外因火灾致灾因素众多且一旦发火致灾后果严重,火灾隐患的早期识别与处置成为风险防控的有效手段,但井下环境干扰因素繁多,且当前无公开的煤矿井下外因火灾数据集,使得现有目标检测算法对外因火灾早期识别的速度与检测精度面临诸多挑战。为解决矿井复杂环境下外因火灾早期难以精准识别的难题,基于You Only Look Once v8s(YOLOv8s)将DCNv3可变形卷积模块嵌入到特征提取网络中,引入RepGFPN重参数化特征金字塔,并添加P_(2)小目标检测层等措施构建了Ⅵ–YOLO模型,同时构建了6400张多场景火灾图像、矿井无火图像和矿井模拟火灾图像的可见光火灾探测数据集。通过开展Ⅵ–YOLO模型与其他主流单阶段目标检测算法对比实验,基于OpenⅥNO与TensorRT对Ⅵ–YOLO模型进行推理加速,验证了模型在CPU设备和GPU设备部署应用的可行性,并将模型部署于低算力平台Jetson Nano B01中,验证了边缘端部署的可行性。结果表明,Ⅵ–YOLO模型相比基线模型mAP@0.5提升了2.4%,召回率提升0.8%,多尺度火灾特征的有效检测能力更佳;Ⅵ–YOLO模型mAP@0.5达90.1%,大幅超越同类单阶段目标检测算法,Ⅵ–YOLO模型检测速度为25 f/s,满足了井下视觉区域内火灾实时检测需求;在OpenⅥNO框架进行结构优化和模型精度量化后,半精度模型的推理时间为49.6 ms,减少了301.9 ms,检测速度达到19 f/s,速度提升约6.3倍;在TensorRT框架进行结构优化和模型精度量化,半精度模型的推理时间为4.6 ms,减少了32.4 ms,检测速度为118 f/s,速度提升4.7倍;在Jetson Nano B01部署及TensorRT框架下,单精度模型推理速度提升至12.3 f/s,mAP@0.5为97.6%,半精度模型推理速度提升至15.2 f/s,mAP@0.5为97.5%,为模型在CPU、GPU设备和低算力设备的部署应用提供了新思路。
-
关键词
YOLOv8
外因火灾
可变形卷积
小目标检测
推理加速
-
Keywords
YOLOv8
exogenous fire
deformable convolution
small target detection
inference acceleration
-
分类号
TD75
[矿业工程—矿井通风与安全]
-
