基于ADCG−YOLO的煤矿输送带异物检测OA

煤矿输送带异物检测受井下煤尘遮挡、光照不均及输送带振动等环境影响,导致多尺度异物特征难以稳定提取,且检测模型精度与实时性难以兼顾。针对上述问题,对YOLOv11n进行改进,提出一种面向煤矿输送带异物检测的ADCG−YOLO模型。将YOLOv11n骨干网络中的卷积模块替换为自适应核融合卷积,通过多尺度动态自适应卷积核强化对多尺度异物的特征提取;在骨干网络的C3k2模块中引入动态多分支混合模块,通过多路并行深度卷积分支提升多形态异物特征表征能力;在骨干网络与颈部网络之间加入通道混合模块,实现多尺度特征校准与通道增强;在颈部网络采用聚集分发−动态注意力尺度序列融合结构,强化小目标的跨尺度特征关联,提升多路径特征利用率。实验结果表明,ADCG−YOLO模型的mAP@0.5、mAP@0.5:0.95、精确率和召回率分别为92.56%,58.72%,89.24%与82.44%,较YOLOv11n分别提升了4.17%,2.14%,2.67%和4.44%,且帧率达136帧/s,在检测精度和实时性之间取得了较好的平衡;在小尺度细长目标、多尺度遮挡目标、低显著性目标、低对比度目标及特殊形状目标场景下,ADCG−YOLO模型能够减少漏检、误检,且检测框与目标区域匹配度较高;Grad−CAM++热力图分析显示,ADCG−YOLO模型增强了对目标区域的聚焦能力,可有效抑制背景区域的无关响应。