煤矿去雾场景下的传送带异物检测算法OA

针对煤矿井下雾状环境导致监控画面模糊的问题,提出一种融合门控分层自注意力Transformer去雾算法。通过分层自注意力机制,在多尺度感受野内动态且精准地调整注意力的分配,并且引入具有长期记忆能力的门控循环单元来选择性留存关键场景的特征信息,对获取的监控图像进行自适应增强处理;针对井下监控系统难以快速精准识别传送带异物的问题,提出一种频域增强多尺度卷积YOLOv11传送带异物检测算法,将图像通过快速傅里叶变换从空间域映射到频率域,强化细节特征,随后再逆变换返回空间域,深度融合多尺度扩张卷积模块来提取不同尺寸目标的鲁棒性特征。结果表明:融合门控分层自注意力Transformer去雾算法在NH-HAZE数据集上的PSNR值与SSIM指数分别达到20.37 dB和0.7932,相较于Dehamer方法,性能提升了1.16 dB和0.0731,能有效提升矿井雾霾图像的清晰度与结构保真度;频域增强多尺度卷积YOLOv11传送带异物检测算法在Dehaze-Belt数据集上的mAP是92.2%,比YOLOv11算法提高了2.1个百分点,在保持高精度的同时满足了井下实时检测需求。研究验证了所构建去雾与检测算法的有效性与工程适用性,可为煤矿井下智能监控系统的可靠运行提供技术支撑。