面向边缘计算的矿区障碍检测模型研究.pdfVIP

第52卷第11期煤炭科学技术Vol.52No.11

2024年11月CoalScienceandTechnologyNov.2024

阮顺领，王京，顾清华，等.面向边缘计算的矿区障碍检测模型研究[J].煤炭科学技术，2024,52(11)：141-152.

RUANShunling,WANGJing,GUQinghua,etal.Researchonminingareaobstacledetectionmodelforedgecom-

puting[J].CoalScienceandTechnology,2024,52(11):141-152.

■

移动扫码阅读

面向边缘计算的矿区障碍检测模型研究

阮顺领1-23，王京14，顾清华1-24,卢才武12

（1.西安建筑科技大学资源工程学院，陕西西安710055;2.西安市智慧工业感知计算与决策重点实验室，陕西西安710055；

3.西安优迈智慧矿山科技有限公司，陕西西安710055;4.西安建筑科技大学矿山系统工程研究所，陕西西安710055)

摘要：近年来，随着矿用卡车自动驾驶技术的兴起，使得矿区道路行车障碍物检测变得至关重要，

基于深度学习的目标检测模型应用于矿区道路障碍检测取得了显著的效果，为矿用卡车自动驾驶技

术的完善提供了可能。为解决现有模型应用于矿区障碍物检测，往往存在算法庞大与部署成本较高

的问题，提出一种面向边缘计算平台的改进YOLOv8矿区道路障碍检测模型，该模型针对资源有限

的边缘计算设备进行优化部署，以实现对障碍物的快速、精准检测。该模型在特征提取阶段，引入

深度可分离卷积和通道注意力机制，提高模型对障碍物整体特征提取能力，从而提升对不同尺寸障

碍物的检测精度；特征融合阶段采用BiFPN网络结构，轻量化颈部网络并自适应地调整融合权重，

减少余信息，提高特征的表达能力；使用局部卷积PConv对检测头进行重新设计，减少网络参数

量以提高检测效率；最后，通过引入Inner-CIoU函数对边界框损失进行优化，加快模型收敛速度并

提升边界框定位效果。实验结果显示，该网络在所使用的矿区障碍物数据集上，mAP@0.5仅下降

0.05的前提下，模型参数减少了44%，推理时间缩短了34%。相比其他轻量型检测网络，该模型在

实验硬件设备上的检测速度更快，且在精度和轻量化之间实现了更好的平衡，为障碍物检测模型的

实际部署提供了可行方案。

关键词：露天矿区；边缘计算；障碍检测；轻量化模型；模型部署

中图分类号:TD679;TP391;TP183文献标志码：A文章编号：0253-2336(2024)11-0141-12

Researchonminingareaobstacledetectionmodelforedgecomputing

RUANShunling/2,ANGJing*,GUQinghua24,LUCaiwu.?

(1.SchoolofResourceEngineering,XianUniversityofArchitectureandTechnology,Xian710055,China;2.XianKeyLaboratoryofPerceptualComput-

ingandDecisionMakingforSmartIndustry,Xian710055,China;3.XianU-MineIntelligentResearchInstituteCo.,Ltd.,Xian710055,China;4.Institute

ofMineSystemEngineer