(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210118307.6 (22)申请日 2022.02.08 (71)申请人 安徽理工大 学 地址 232000 安徽省淮南市山 南新区泰丰 大街168号 (72)发明人 郭永存　杨豚　王爽　童佳乐　 王文善　马鑫　 (51)Int.Cl. G06V 20/56(2022.01) G06V 10/80(2022.01) G06V 10/774(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于YOL Ov4-Tiny的矿井电机 车路况实 时检测方法 (57)摘要 本发明公开一种基于YOL Ov4‑Tiny的矿井电 机车路况实时检测方法， 包括： 采集煤矿井下巷 道有轨电机车运行路况图像， 对图像中包含的不 同检测目标进行标注， 创建矿井电机车图像数据 集； 对传统YOLOv 4‑Tiny网络结构进行改进， 得到 改进型YOLOv4 ‑Tiny网络； 基于所述矿井电机车 图像数据集， 优化网络训练参数， 多次训练所述 改进型YOLOv4 ‑Tiny网络， 最终得到最优改进型 YOLOv4‑Tiny网络模型； 验证所述最优改进型 YOLOv4‑Tiny网络模型的检测性能。 本发明通过 对YOLOv4 ‑Tiny算法进行改进， 在不影响检测速 度的条件下提高了算法的检测精度， 增强了算法 在复杂环 境条件下对多种目标的检测能力， 实现 了矿井电机车在复杂煤矿巷道路况条件下对多 种目标的精 准实时检测， 为实现矿井电机车的无 人驾驶提供技术支撑。 权利要求书1页 说明书4页 附图5页 CN 114529879 A 2022.05.24 CN 114529879 A 1.一种基于YOLOv4 ‑Tiny的矿井电机车路况实时检测方法， 其特征在于， 包括以下步 骤： S1： 采集煤矿井下巷道有轨电机车运行路况图像， 对图像中包含的不同检测目标进行 标注， 创建矿井电机车图像数据集； S2： 对深度学习目标检测YOLOv4 ‑Tiny算法的网络结构进行改进， 得到改进型YOLOv4 ‑ Tiny网络； S3： 基于所述矿井电机车图像数据集， 通过不断优化网络训练参数， 多次训练所述改进 型YOLOv4 ‑Tiny网络并测试， 最终得到最优改进型YOLOv4 ‑Tiny网络模型； S4： 测试最优改进型YOLOv4 ‑Tiny网络模型的检测性能， 并将未经标注的矿井电机车路 况图像导入所述 最优改进型YOLOv4 ‑Tiny网络模型中， 输出检测结果； S5： 将所述最优改进型YOLOv4 ‑Tiny网络模型应用到矿井电机车的实际运行场景中， 验 证所述最优改进型YOLOv4 ‑Tiny网络模型的实效性。 2.根据权利要求1所述的一种基于YOLOv4 ‑Tiny的矿井电机车路况实时检测方法， 其特 征在于， 对采集的所述电机车运行路况图像首先进 行旋转、 裁剪数据增强处理， 增加图像多 样性； 所述S1中的不同检测目标包括行人、 电机车、 信号灯与碎石共 四类， 采用LabelImg图 像标注软件对所述电机车运行路况图像中的所述不同检测目标进 行标注， 并将每一张标注 完成的图像转 化为YOLO格式。 3.根据权利要求2所述的一种基于YOLOv4 ‑Tiny的矿井电机车路况实时检测方法， 其特 征在于， 标注图像时， 分别用 “person”、“locomotive ”、“lamp”与“stone”作为所述行人、 所 述电机车、 所述信号灯与所述碎石的标签。 4.根据权利要求1所述的一种基于YOLOv4 ‑Tiny的矿井电机车路况实时检测方法， 其特 征在于， 所述改进型YOLOv4 ‑Tiny网络由骨干网络backbone、 颈部neck以及头部h ead三部分 组成； 所述骨干网络backbone用于提取输入图像特征； 所述颈部neck将所述骨干网络 backbone生成的特 征图进行 特征融合； 所述头 部head用于多目标分类 检测。 5.根据权利要求1 ‑4任一项所述的一种基于YOLOv4 ‑Tiny的矿井电机车路况实时检测 方法， 其特征在于， 对所述YOLOv4 ‑Tiny算法的改进措施包括： 在所述颈部neck引入空间金 字塔池化SPP模块， 增加网络特征融合能力； 将所述头部head原本的两尺度预测增加至四尺 度预测。 6.根据权利要求1所述的一种基于YOLOv4 ‑Tiny的矿井电机车路况实时检测方法， 其特 征在于， 输出所述最优改进型YOLOv4 ‑Tiny网络模型时， 所述网络训练参数最终设置为： 图 像输入尺寸为416 ×416； 一批样本训练数量batch为32； 一次性送入训练器的样本数量 subdivision为8； 动量momentum为0.9； 权重衰减正则项decay为0.0005； 迭代次数为10000 步； 初始学习率 为0.001， 并采用steps和scales参数用以更新学习率。 7.根据权利要求1所述的一种基于YOLOv4 ‑Tiny的矿井电机车路况实时检测方法， 其特 征在于， 所述最优改进型YOLOv4 ‑Tiny网络模型的所述检测结果包括网络模型对单一目标 的检测精度AP值、 对各类目标的平均检测速度mAP值以及平均检测速度。权　利　要　求　书 1/1 页 2 CN 114529879 A 2一种基于 YOLOv4‑Tiny的矿井电机车路况实时检测方 法 技术领域 [0001]本发明涉及目标检测技术领域， 具体是一种基于YOLOv4 ‑Tiny的矿井电机车路况 实时检测方法。 背景技术 [0002]煤矿安全一直是世界各国着重关注的问题， 近年来， 我国煤炭行业大力发展煤矿 智能化， 其 根本目的就是减少煤矿作业工人的数量， 减轻工人劳动强度， 提高作业 安全性。 [0003]煤矿井下巷道有轨电机车作为煤矿辅助运输的主要设备， 承担着运送人员以及相 关煤矿作业设备的任务。 截至目前， 矿井电机车仍然依靠人工驾驶。 发展矿井电机车的无人 驾驶不仅可以避免事故的频发， 同时可以减少 煤矿井下作业人员数量， 提高煤矿生产作业 安全性， 具有巨大 的经济效益和社会效益。 而传统的矿井电机车在轨道上运行时不能很好 的对周围的路况信息进 行自主识别并加以分析， 在煤矿井下巷道环 境差、 弯道多、 光照条件 不充分以及技 术保障手段的缺乏导 致矿井电机车的运输事故频发。 发明内容 [0004]本发明为实现煤矿井下巷道有轨电机车的无人驾驶， 对传统深度学习目标检测 YOLOv4‑Tiny算法进行改进， 提供了一种基于YOLOv4 ‑Tiny的矿井电机车路况实时检测方 法。 改进后的YOLOv4 ‑Tiny算法在不影 响检测速度的前提下大幅提高网络模 型的检测精度， 实现了矿井电机车在轨道运行时对周围目标的精 准实时检测， 为上述背 景技术提供解决方 案。 [0005]本发明所要解决的技 术问题由以下技 术方案实现： [0006]一种基于 YOLOv4‑Tiny的矿井电机车路况实时检测方法， 包括以下步骤： [0007]S1： 采集煤矿井下巷道有轨电机车运行路况图像， 对图像中包含的不同检测目标 进行标注， 创建矿井电机车图像数据集； [0008]S2： 对深度学习目标检测YOLOv4 ‑Tiny算法的网络结构进行改进， 得到改进型 YOLOv4‑Tiny网络； [0009]S3： 基于所述矿井电机车图像数据集， 通过不断优化网络训练参数， 多次训练所述 改进型YOLOv4 ‑Tiny网络并测试， 最终得到最优改进型YOLOv4 ‑Tiny网络模型； [0010]S4： 测试最优改进型YOLOv4 ‑Tiny网络模型的检测性能， 并将未经标注的矿井电机 车路况图像导入所述 最优改进型YOLOv4 ‑Tiny网络模型中， 输出检测结果； [0011]S5： 将所述最优改进型YOLOv4 ‑Tiny网络模型应用到矿井电机车的实际运行场景 中， 验证所述 最优改进型YOLOv4 ‑Tiny网络模型的实效性。 [0012]作为优选， 本 发明提供的一种基于YOLOv4 ‑Tiny的矿井电机车路况实 时检测方法， 对采集的所述电机车运行路况图像首先进 行旋转、 裁剪数据增强处理， 增加图像多样性； 所 述不同检测目标包括行人、 电机车、 信号灯与碎石共四类， 采用LabelImg图像标注软件对 所 述电机车运行路况图像中的所述不同检测目标进 行标注， 并将每一张标注完成的图像转化说　明　书 1/4 页 3 CN 114529879 A 3