基于改进YOLO11的煤矿钻杆智能化计数算法OA

为解决煤矿井下钻杆拆卸过程中人工计数效率低、误差率高以及现有视觉计数方法在低光照、粉尘干扰等复杂环境下鲁棒性不足的问题,提出了一种基于改进YOLO11的煤矿钻杆智能检测与计数方法YOLO11-DP(YOLO11-Drill Pipe)。检测阶段,对YOLO11网络结构进行轻量化多尺度特征增强,引入轻量化EfficientNetV2主干网络,集成移动翻转瓶颈卷积(MBConv)和融合移动翻转瓶颈卷积(Fused-MBConv)模块,并采用分层注意力机制,在浅层引入高效通道注意力机制(ECA)强化边缘特征响应,中高层引入卷积注意力模块(CBAM)提升目标区域的聚焦能力以增强多尺度特征提取和细节捕捉能力。特征融合阶段,采用改进的PANFPN(Path Aggregation Network-Feature Pyramid Network)结构,使用深度可分离卷积(DWConv)和残差模块代替标准卷积,有效提升了模型对钻杆密集排列和遮挡场景的特征区分能力;设计了旋转框标注策略精确描述任意角度的钻杆目标,引入对角度变化敏感的KLD(Kullback-Leibler Divergence)损失函数提升旋转目标检测精度;采用K-means聚类算法分析数据集的高宽比分布,并优化锚框配置,使模型更契合钻杆细长的几何特征。计数阶段,结合DeepSORT目标跟踪算法,通过位移、角度、速度3个特征构建多条件联合判定机制,有效抑制由遮挡、轨迹中断、动态模糊及相似动作干扰导致的计数错误。现场试验结果表明,与原始YOLO11模型相比,YOLO11-DP模型对于倾斜的钻杆能够较为精准地覆盖,引入所有改进策略后模型在钻杆检测任务中平均精度均值mAP@0.5由76.8%提高至88.2%,计数误差率降低至6.4%。