煤矿井下无人驾驶轨道电机车障碍物识别.pdfVIP

第

58

卷第

1

期浙

江

大

学

学

报(工学版)Vol.58

No.1

2024

年

1

月Journal

of

Zhejiang

University

(Engineering

Science)Jan.

2024

DOI:

10.3785/j.issn.1008-973X.2024.01.004

煤矿井下无人驾驶轨道电机车障碍物识别

1,31,2,31,2,31,3

杨豚，郭永存，王爽，马鑫

(1.

安徽理工大学

深部煤矿采动响应与灾害防控国家重点实验室，安徽

淮南

232001；2.

安徽理工大学

矿山智能装备与技术

安徽省重点实验室，安徽

淮南

232001；3.

安徽理工大学

机械工程学院，安徽

淮南

232001)

摘

要：针对现有煤矿井下无人驾驶轨道电机车因巷道环境恶劣导致障碍物识别精度低的问题，提出用于无人驾

驶电机车障碍物精准实时检测的PDM-YOLO模型.

基于YOLOv5，将模型C3模块中的传统卷积替换为部分卷积，

构建C3_P特征提取模块，有效减少模型的浮点运算量（FLOPs）与计算延迟.

采用改进后的解耦头，对传统YOLOv5

的预测头进行解耦，提高模型的收敛速度及对障碍物的识别精度.

优化Mosaic数据增强方法，丰富训练图像的特

征信息，提高模型的普适性和鲁棒性.

实验结果表明，PDM-YOLO模型在自制数据集上的平均检测精度（mAP）达

到96.3%，平均检测速度达到109.2

帧/s，PDM-YOLO模型在PASCAL

VOC公共数据集上的检测精度高于现有主流

的YOLO系列模型.

关键词：

无人驾驶电机车；YOLO；障碍物识别；部分卷积；解耦头；Mosaic数据增强

中图分类号：

TP

391

文献标志码：

A

文章编号：

1008−973X（2024）01−0029−11

Obstaclerecognitionofunmannedrailelectriclocomotivein

undergroundcoalmine

1,31,2,31,2,31,3

YANG

Tun,

GUO

Yongcun,

WANG

Shuang,

MA

Xin

(1.

StateKeyLaboratoryofMiningResponseandDisasterPreventionandControlinDeepCoalMines,AnhuiUniversityofScienceand

Technology,Huainan232001,China;

2.

AnhuiKeyLaboratoryofMineIntelligentEquipmentandTechnology,AnhuiUniversityofScience

andTechnology,Huainan232001,China;

3.

SchoolofMechanicalEngineering,AnhuiUniversityofScienceandTechnology,Huainan

232001,Chin