针对传统震动,射线识别方法在目前工业实践中普适性差,识别效率低以及基于机器学习图像法的手动设计特征的识别方法识别速度低以及定位困难等诸多问题,本课题研究设计实现的检测模型在煤矸石上表现良好,较大程度的推动了自动化生产的可行性。本文提出了轻量型目标检测深度学习网络的煤和矸石识别的方法,使用结合CBAM注意力模块的Mobile Net V3搭建Yolo V3的特征提取网络,减少模型参数,在保证网络模型的准确率的前提下提升网络的检测速度和实际可用性。另外为了进一步增强网络的准确率,以及锚框的收敛速度,采用了CIOU算法替换原有的交并比算法。最后在图像数据预处理上,对训练数据集采用mosaic数据增强的方法进行数据增强,可以丰富检测物体的背景,增强识别网络的泛化能力。最终经实验验证,本文所采用的改进策略以及数据增强技术实现的检测模型相比原模型的模型在控制了一定的精度下降的前提下,参数体积下降了93%,有效的达到了轻量化检测模型的目的。本次研究的工作内容大致包括以下部分:(1)煤和矸石样本图像采集以及检测图像数据库建立。本次研究初期主要针对峰峰矿区的煤和矸石样本,通过一定的样本组合策略,然后使用高清相机进行样本图像拍摄,总计共采集了图像数据5万张,最后使用图像标注软件进行人工标注,从而达到构成含有图像和目标的检测数据库。(2)深度目标检测网络结构和优化算法的研究与改进。根据研究目的中的轻量和高效的要求,本次研究摒弃了Yolo V3检测网络中特征提取网络部分,通过采用低参数量的Mobile Net V3网络结构来重新构建检测网络中的特征提取模。另外由于Mobile Net V3结构中采用深度可分离卷积替换了传统的卷积计算,所以在一定程度上会损失一定的表征能力。网络中虽然采用SE注意力模块对网络表征能力进行了增强,但是对于煤和矸石的复杂生产环境而言,具有更高表征能力的CBAM注意力机制模块才能应对。所以在使用Mobile Net V3进行搭建Yolo V3之前,需要对Mobile Net V3本身进行结构替换。另外,为了进一步的提升网络预测锚框的精度,并使得最终网络预测锚框更能够贴近真实锚框的形状,本文采用CIOU这一新的评价指标,由于该算法引入了高宽比的因素,所以网络最终的预测的锚框会更接近与真实锚框。另外,由于该算法是直接对距离进行优化,相比其他算法具有较高的收敛速度,所以本次研究中将采用该算法替换原优化算法中Io U算法,至此完成对整个Yolo V3结构上的重构。(3)深度检测网络的训练,由于本文所设计实现的网络目前尚未有人对此有研究,故没有可用的预训练权重,所以为了降低检测网络训练难度,网络的训练将会分为两个阶段。第一个阶段,仅针对添加了CBAM的Mobile Net V3特征提取部分进行分类器训练,将分类器的准确率提升到一定程度后,完成分类器的训练。在第二阶段中,将第一阶段的预训练权重加载进入CBAMMobile Net V3-Yolo V3的特征提取网络结构中,完成各种参数设定后开始检测网络的训练,以此来提升检测网络的训练速度。