金属矿山

作者：江松,孔若男,李鹏程,卢才武,章赛,李萌

单位：1. 西安建筑科技大学资源工程学院,陕西 西安 710055;2. 中钢集团马鞍山矿山研究总院股份有限公司,安徽 马鞍山 243000;3. 金属矿山安全与健康国家重点实验室,安徽 马鞍山 243000;4. 西安市智慧工业感知计算与决策重点实验室,陕西 西安 710055;5. 冀东水泥铜川有限公司,陕西 铜川 727100;6. 西安建筑科技大学管理学院,陕西 西安 710055

关键词：金属露天矿,无人矿卡,YOLOX,卷积神经网络,Swin Transformer,障碍物检测,

基金：国家自然科学基金项目( 编号: 52104146);陕西省自然科学基金项目( 编号: 2021JQ-509);中国博士后科学基金项目( 编号:2022M722925);陕西省社会科学基金项目(编号:2020R005)。

随着金属露天矿开采深度不断加大,道路运输条件愈发复杂,无人矿车行驶在道路上面临着各种障碍物的安全隐患,因此对无人矿卡障碍物智能检测提出了更高要求。 提出了一种融合 Swin Transformer 与 CNN 的露天矿车前障碍物智能检测方法,障碍物检测模型需要建立长期依赖关系来处理不断增加的图像数据,Swin Transformer可以关注全局语义信息,有利于长期建模。 将 Swin Transformer 融入 YOLOX 模型的骨干特征提取网络中,充分利用多头注意力机制,对图像特征进行预处理,在加强特征提取网络中加入 CBAM 注意力机制模块,使模型在后续的特征提取中能够提取更多的表征信息。 该模型使用的数据集均来自实地矿山,并采用数据增强方式进行预处理。 经过实地矿山数据对比验证试验,结果表明:该方法能够有效识别背景复杂的金属露天矿区非结构化道路障碍物,检测精度达到 91. 57%mAP,检测速度达到 56. 86 fps,具有较好的小目标和多尺度目标检测性能,可以满足无人矿卡在金属露天矿区的高精度检测要求。

来源：2023年第05期

《金属矿山》期刊编辑部

查看金属矿山杂志2023年第05期