基于改进YOLOv5s的带式输送机滚筒故障检测研究.pdf

基于改进 YOLOv5s 的带式输送机滚筒故障检测研究苗长云，孙丹丹（天津工业大学电子与信息工程学院，天津300387）摘要：针对目前带式输送机滚筒故障检测方法检测效率低、识别准确率不高、特征提取能力较差等问题，提出了一种基于改进 YOLOv5s 的带式输送机滚筒故障检测方法。在 YOLOv5s 网络模型中增加了小尺寸检测层，使尺寸较小的滚筒故障更易被检测到；在 Backbone 和 Neck 间引入卷积注意力机制（CBAM），提高目标检测的准确率；在 Neck 中引入高效通道注意力机制（ECA），增强对滚筒故障的特征提取能力。实验结果表明：在满足实时检测要求的前提下，改进 YOLOv5s 网络模型识别平均准确率均值达 94.46%，较改进前提升了 1.65%。改进 YOLOv5s 网络模型对滚筒开焊、包胶磨损和包胶脱落检测的平均准确率分别为 95.29%，96.43%，91.65%，较改进前分别提高了 1.56%，0.89%和 2.50%。设计了基于改进 YOLOv5s 的带式输送机滚筒故障检测系统，并对该系统进行验证：实验平台测试结果表明：基于改进 YOLOv5s 的带式输送机滚筒故障检测系统对滚筒开焊、包胶磨损和包胶脱落检测的平均准确率分别达 95.29%，96.43%，91.65%，3 种故障检测的平均准确率均值达 94.46%，检测速度约为 14 帧/s。现场测试结果表明：包胶磨损和包胶脱落的置信度分别为 0.92，0.97，且能准确地识别出滚筒的故障类型和位置，说明基于改进 YOLOv5s 的带式输送机滚筒故障检测系统具有可行性。关键词：带式输送机；滚筒故障检测；改进 YOLOv5s；小目标检测；卷积注意力机制；高效通道注意力机制中图分类号：TD634.1文献标志码：AResearchonfaultdetectionofbeltconveyordrumbasedonimprovedYOLOv5sMIAOChangyun,SUNDandan(SchoolofElectronicandInformationEngineering,TiangongUniversity,Tianjin300387,China)Abstract:Atpresent,thedetectionefficiencyofbeltconveyordrumfaultdetectionmethodsislow,therecognition accuracy is not high,and the feature extraction capability is poor.In order to solve the aboveproblems,abeltconveyordrumfaultdetectionmethodbasedonimprovedYOLOv5sisproposed.Asmall-sizeddetectionlayerhasbeenaddedtotheYOLOv5snetworkmodel,makingiteasiertodetectsmallerdrumfaults.Themethodintroducestheconvolutionalblockattentionmodule(CBAM)betweentheBackboneandNecktoimprovetheaccuracyoftargetdetection.Themethodintroducesefficientchannelattentionmechanism(ECA)inNecktoenhancefeatureextractioncapabilitiesfordrumfaults.Theexperimentalresultsshowthefollowingpoints.Onthepremiseofmeetingthereal-timedetectionrequirements,theaveragerecognitionaccuracyoftheimprovedYOLOv5snetworkmodelreaches94.46%,whichis1.65%higherthanbeforetheimprovement.TheaverageaccuracyoftheimprovedYOLOv5snetworkmodelfordetectingdrumopening,rubbercoatingwear,andrubbercoatingdetachmentare95.29%,96.43%,and91.65%,respectively,whichare1.56%,0.89%,and2.50%higherthanbeforetheimprovement.AbeltconveyordrumfaultdetectionsystembasedonimprovedYOLOv5sisdesignedandvalidated.TheexperimentalplatformtestresultsshowthattheaverageaccuracyofthebeltconveyordrumfaultdetectionsystembasedonimprovedYOLOv5sfordrumwelding,rubbercoatingwear,and收稿日期：2022-10-16；修回日期：2023-06-15；责任编辑：王晖，郑海霞。基金项目：国家自然科学基金面上项目（NSFC51274150）；天津市重点研发计划科技支撑项目（18YFZCGX00930）。作者简介：苗 长 云 （1962），男，吉 林 梅 河 口 人，教 授，博 士，主 要 研 究 方 向 为 光 电 检 测 技 术 与 系 统，E-mail：。引用格式：苗长云，孙丹丹.基于改进 YOLOv5s 的带式输送机滚筒故障检测研究J.工矿自动化，2023，49（7）：41-48.MIAOChangyun,SUNDandan.ResearchonfaultdetectionofbeltconveyordrumbasedonimprovedYOLOv5sJ.JournalofMineAutomation，2023，49（7）：41-48.第49卷第7期工矿自动化Vol.49No.72023年7月JournalofMineAutomationJul.2023文章编号：1671251X（2023）07004108DOI：10.13272/j.issn.1671-251x.2022100039rubbercoatingdetachmentdetectionreach95.29%,96.43%,and91.65%,respectively.Theaverageaccuracyofthethreetypesoffaultsreaches94.46%,andthedetectionspeedisabout14frames/s.Theon-sitetestresultsshow that the confidence levels for rubber coating wear and rubber coating detachment are 0.92 and 0.97,respectively.Thefaulttypeandlocationofthedrumcanbeaccuratelyidentified.ThisindicatesthattheimprovedYOLOv5s-basedbeltconveyordrumfaultdetectionsystemisfeasible.Key words:beltconveyor;drumfaultdetection;improvedYOLOv5s;smalltargetdetection;convolutionalblockattentionmechanism;efficientchannelattentionmechanism 0引言带式输送机是现代化生产中一种连续运输设备，已被广泛应用于煤炭、港口、电力、矿山、冶金、化工等领域1-2。带式输送机主要由输送带、机架、托辊、滚筒、张紧装置、传动装置等组成，其中滚筒是带式输送机主要的传动部件，由于其长期工作在复杂、条件恶劣的环境中，负荷大、负载不平衡，经常产生筒体开焊、包胶破损、包胶脱落等故障，造成重大安全事故，为此需要对滚筒故障进行实时检测。传统的带式输送机滚筒故障检测方法是靠检修人员通过观察滚筒表面状态主观判断滚筒故障，需要停机检测，不仅影响生产，而且检测效率低、准确性和安全性较差。近年来，随着信号处理技术与神经网络模型的快速发展，不少学者对滚筒故障检测进行了研究，并取得了一定进展。韩越3提出了基于 小 波 降 噪 的 集 合 经 验 模 态 分 解（EnsembleEmpiricalModeDecomposition，EEMD）包络解调算法，利用小波软阈值法将掺杂的噪声去除后进行EEMD，将其中能量较大的本征模态函数（IntrinsicModeFunction，IMF）分量进行希尔伯特变换，得到包络后的IMF 分量进行频谱分析，从而提取滚筒的故障特征频率。但微弱的故障信号难以提取，准确率仍有一定的提升空间。李丹宁等4提出了基于模糊神经网络的滚筒实时故障预警方法，实时采集滚筒表面温度并进行模糊化处理，以降低成本。但仅通过温度检测可能会造成误检，准确率不高。张强5提出了一种基于音频小波包分解和卷积神经网络（ConvolutionalNeuralNetwork，CNN）的滚筒故障检测方法，利用小波包分解算法将滚筒的音频数据分解为多个频段，利用 CNN 对各频带特征进行分类，自动提取滚筒的故障特征，提高了带式输送机滚筒故障诊断效率。但这种检测方法需要提取滚筒音频数据，由于工业现场环境复杂，具有一定难度。丁秀荣等6提出了一种基于热成像相机的滚筒检测方法，采用基于人工神经网络的深度学习模型进行目标检测和分割，实现滚筒故障检测。这种检测方法在检测精度上有所提升，但样本数据量较少，普适性不高。针 对 上 述 问 题，本 文 提 出 了 一 种 基 于 改 进YOLOv5s 的带式输送机滚筒故障检测方法。首先，在 YOLOv5s 网络模型中增加小尺寸检测层，增强对小 目 标 检 测 的 学 习 能 力。然 后，在 主 干 网 络（Backbone）和颈部网络（Neck）间引入卷积注意力机制（ConvolutionalBlockAttentionMechanism，CBAM），在通道维度和空间维度上进行特征优化，提高目标检测的准确率。最后，在 Neck 中引入高效通 道 注 意 力 机 制（Efficient Channel AttentionMechanism，ECA），在通道维度上关注重要信息，提升目标特征的提取能力。1YOLOv5s 网络模型及其改进1.1YOLOv5s 网络模型YOLOv5s 网络模型由输入端（Input）、Backbone、Neck 和 Head4 个部分组成7-11，如图 1所示。InputFocusCSP2_1CBSCBSCSP2_1ConvConvCSP2_1ConvConcatConcatConcatUpSampleCBSCSP2_1ConcatUpSampleCBSCBSCSP1_1CBSCSP1_3CBSCSP1_3CBSSPPCSP2_1BackboneNeckHeadYoloHeadYoloHeadYoloHead图1YOLOv5s 网络结构Fig.1YOLOv5snetworkstructureInput 对数据集进行预处理，主要包括输入图像尺寸自适应调整、数据增强及自适应锚框的计算。42工矿自动化第49卷Backbone 对特征进行初步提取，输出有效特征层。采用 CSPDarknet 进行特征提取，主要包含 Focus、SPP、CBS 及 CSP 模块12-13。Neck 进一步加强特征提取能力，采用特征金字塔结构（FeaturePyramidNetworks，FPN）14和路径聚合网络（Path-AggregationNetwork，PANet）15实现不同尺度特征信息的融合。Head 是 YOLOv5s 的分类器与回归器，用于检测大小不同的目标。YOLOv5s 网络模型由 3 个检测层组成，生成 3 个大小不同的特征向量预测图像特征，得到位置信息、类别信息和置信度。1.2改进 YOLOv5s 网络模型改进的 YOLOv5s 网络模型如图 2 所示。首先，增加小尺寸检测层，由原来的 3 个检测层变为 4 个检测层，因此 Head 也由原来的 3 个检测头变为 4 个检测头，使尺寸较小的滚筒故障更易被检测到。然后，在 Backbone 和 Neck 间引入 CBAM16，在通道维度和空间维度上进行特征优化，使滚筒故障特征更加明显，提高目标检测的准确率。最后，在 Neck 中引入 ECA17-19，在通道维度上进一步优化，以增强对滚筒故障的特征提取能力。InputFocusCSP2_1CBSCBSCSP2_1ConvConvCSP2_1ConvConcatCBAMConcatConcatECAECAUpSampleCBSCSP2_1ConcatCBSCSP2_1ConcatUpSampleECACBSUpSampleCBSECAECACBLCSP2_1ConcatECACSP1_1CBSCSP1_3CBSCSP1_3CBSSPPCSP2_1BackboneNeckHeadCBAMCBAMCBAMYoloHeadConvYoloHeadYoloHeadYoloHead图2改进 YOLOv5s 网络结构Fig.2ImprovedYOLOv5snetworkstructure1.2.1小尺寸检测层增加随着网络的加深，底层特征图经过多次卷积操作后，图像分辨率降低、目标信息模糊，导致小尺寸目标丢失，且滚筒故障的发生具有突发性和隐蔽性，微小故障在短时间内急剧扩大，造成安全事故。因此，在 YOLOv5s 网络模型中增加小尺寸检测层，由原来的 3 个检测层变为 4 个检测层，通过引入少量参数，减少底层特征信息的丢失，增强对小目标检测的学习能力。1.2.2Backbone 和 Neck 间区域改进YOLOv5s 网络模型对于检测环境较复杂的目标仍具有局限性，容易导致误检和漏检问题，检测准确率下降。由于卷积操作通过融合通道和空间信息来提取特征，因此，在 Backbone 和 Neck 间引入 CBAM，沿 2 个独立的维度即通道和空间维度依次学习特征，并进行自适应特征细化，强调或选择目标处理对象的重要信息，并且抑制无关的其他细节信息，从而起到提高模型检测精度的效果。CBAM 将通道和空间注意力机制进行结合。在通道维度上进行特征优化，获得特征图上需要重点关注的目标内容；在空间维度上进行特征优化，获得特征图上需要重点关注的目标位置。通道注意力机制是保持通道维度不变，压缩空间维度，先对输入的单个特征层分别进行全局平均池化和全局最大池化操作，经过共享全连接层后，将输出的 2 个特征图像进行加和操作，再经过 Sigmoid 激活，此时获得输入特征层每一个通道的权值，将得到的权值与原始的特征层相乘得到新的特征图。空间注意力机制是保持空间维度不变，压缩通道维度，将输入的特征图在每一个特征点的通道上取最大值和平均值，将最大值和平均值后的 2 个结果进行堆叠，经过一个卷积操作调整通道数，并经过 Sigmoid 激活，获得输入特征层每一个特征点的权值，将得到的权值与原始的特征层相乘得到新的特征图。1.2.3Neck 区域改进Neck 区域需要更好地利用网络所提取的特征信息，但经过自上而下的特征提取和多次卷积操作后，造成许多重要信息丢失，导致模型的准确率下降。因此，在 Neck 区域引入 ECA，在不改变输入特征图大小的情况下，对输入的特征图进行通道特征加强，提取通道间的依赖关系，进而提高模型的检测性能。ECA 属于通道注意力机制，相比于压缩和激励网络（SqueezeandExcitationNetworks，SENet）注意力机制，ECA 可以避免降维，去除了 SENet 的全连接层，直接在全局平均池化后的特征上进行一个一维卷积，高效实现局部跨通道交互。先对输入的特征图进行全局平均池化，使用适合的卷积核大小进行一维卷积操作后，将结果经过 Sigmoid 激活，得到的2023年第7期苗长云等：基于改进 YOLOv5s 的带式输送机滚筒故障检测研究43各个通道的权重与原始输入特征层相乘得到新的特征图。2基于改进 YOLOv5s 的滚筒故障检测2.1数据集制作工业现场中滚筒故障图像难以获得，而训练所需样本数据较多。因此，本文主要通过对实验室小型带式输送机的滚筒进行拍摄获取数据。数据集包括滚筒筒体开焊、包胶磨损和包胶脱落种图像数据，通过手动拍摄、视频取帧、煤矿现场拍摄 3 种手段获得原始数据集。为了使模型具有更强的鲁棒性和泛化能力，防止过拟合，通过亮暗变换、颜色随机、水平翻转、角度旋转等对原始数据集进行扩增，得到 19522 张滚筒图像，组成新的数据集。采用LabelImg 软件进行标注，按 82 比例划分训练集与验证集，按 62 比例划分训练集与测试集，得到12329 张训练集图像，3083 张验证集图像，4110 张测试集图像。2.2模型训练模型训练平台为 Windows10专业版操作系统、Intel（R）Core（TM）i77700CPU3.60GHz 处理器、NIVIDIAGeForceGTX1080Ti、CUDA10.2，使用 Pytorch1.2.0 搭建深度学习框架。为提升模型收敛速度，在模型的训练过程中采用随机梯度下降法进行学习和更新模型参数，训练超参数见表 1。表1训练超参数Table1Traininghyperparameterss训练超参数值初始学习率0.01学习率衰减0.0001动量0.973批处理大小32训练批次300图像输入尺寸4164162.3滚筒故障检测基于改进 YOLOv5s 的滚筒故障检测流程如图 3所示。首先将工业相机采集到的滚筒图像通过图像变换的方式进行数据扩增，使用得到的新数据集训练网络模型，在训练开始前，需要按照合适的比例划分训练集、验证集与测试集。然后，为了达到更好的训练效果，需要载入 YOLOv5s 预训练模型，修改相关参数后开始训练，训练集与验证集的损失函数会随着迭代次数的增加而发生变化，当训练集与验证集的损失值重合并趋于稳定时，表示损失函数达到收敛状态，此时模型的训练效果较好。最后，通过测试集对模型进行性能评估，若平均准确率与平均准确率均值均得到提升，则满足改进需求，否则应修改网络参数重新进行训练。获取滚筒图像将滚筒图像进行图像变换,扩充数据集划分训练集、验证集、测试集载入 YOLOv5s 预训练模型修改迭代次数、批处理大小、冻结训练与解冻训练等参数利用训练集训练模型,验证集初步评估训练效果利用测试集测试训练后的改进YOLOv5s 滚筒故障检测模型根据测试结果调整网络参数满足滚筒故障检测的实际要求?YN开始结束图3基于改进 YOLOv5s 的滚筒故障检测流程Fig.3DrumfaultdetectionprocessbasedonimprovedYOLOv5s 3改进 YOLOv5s 网络模型性能实验3.1消融实验以YOLOv5s 网络模型作为基础模型，采用不同改进策略进行消融实验，结果见表 2。表2消融实验结果Table2Ablationexperimentalresults改进策略平均准确率均值/%帧速率/（帧s1）小尺寸检测层CBAMECA92.8132.96993.7626.36693.8832.37593.8731.23894.4625.227由表 2 可看出，在 YOLOv5s 网络模型中单独增加小尺寸检测层后，平均准确率均值达 93.76%，较改进前提升了 0.95%，这是由于增加小尺寸检测层后，底层信息丢失减少，模型对小目标检测的学习能力进 一 步 提 高，且 帧 速 率 达 26.366 帧/s，降 低 了44工矿自动化第49卷6.603 帧/s，这是由于增加了检测层后模型的参数量和计算量都随之增加，检测速度变慢；在 YOLOv5s网络模型的 Backbone 和 Neck 间增加 CBAM 后，模型的平均准确率均值达 93.88%，较改进前提升了1.07%，这是由于增加 CBAM 注意力机制可使网络更加关注待检测目标，在通道维度和空间维度上进行了特征优化，提高了目标检测的准确率，且帧速率达32.375 帧/s；在 YOLOv5s 网络模型的 Neck 中增加ECA 后，模型的平均准确率均值达 93.87%，较改进前提升了 1.06%，这是由于增加 ECA 后模型在通道维度上提升了目标特征的提取能力，检测性能进一步提高，且帧速率达 31.238 帧/s；在 YOLOv5s 网络模型中加入小尺寸检测层、CBAM 和 ECA 后，改进YOLOv5s 网络模型平均准确率均值达 94.46%，较改进前提升了 1.65%，且帧速率降至 25.227 帧/s，这是由改进网络模型后参数量增加所致，但仍满足实时检测的要求。3.2分类实验YOLOv5s 网络模型与本文改进 YOLOv5s 网络模型在滚筒开焊、包胶磨损和包胶脱落 3 种故障类别上的性能对比，实验结果见表 3。表3YOLOv5s 网络模型改进前后性能对比Table3PerformancecomparisonbeforeandafterYOLOv5snetworkmodelimprovement模型类别平均准确率/%平均准确率均值/%参数量YOLOv5s滚筒开焊93.7392.817066239包胶磨损95.54包胶脱落89.15改进YOLOv5s滚筒开焊95.2994.467210354包胶磨损96.43包胶脱落91.65由表 3 可看出，改进 YOLOv5s 网络模型对滚筒开焊、包胶磨损和包胶脱落检测的平均准确率分别为 95.29%，96.43%，91.65%，较 改 进 前 分 别 提 升1.56%，0.89%和 2.50%，改进 YOLOv5s 网络模型的参数量整体上较改进前增加了 2.04%，平均准确率均值达 94.46%，较改进前增加了 1.65%。4带式输送机滚筒故障检测性能测试4.1带式输送机滚筒故障检测系统将改进 YOLOv5s 网络模型应用到带式输送机滚筒故障检测中，利用嵌入式平台设计带式输送机滚筒故障检测系统。该系统由 LED 光源、工业相机、滚筒故障检测器、报警器和上位机等组成，如图 4 所示。该系统利用 A5131MG75 面阵工业相机采集滚筒图像，通过以太网接口传输给滚筒故障检测器，滚筒故障检测器利用改进 YOLOv5s 网络模型对滚筒图像进行处理、故障检测与分类，并通过以太网将检测结果传输给上位机，当滚筒发生故障时，启动报警器报警。滚筒故障检测器报警器以太网LED工业相机上位机图4基于改进 YOLOv5s 的带式输送机滚筒故障检测系统架构Fig.4ArchitectureofbeltconveyordrumfaultdetectionsystembasedonimprovedYOLOv5s采用 JetsonNano20-21嵌入式开发板设计了滚筒故障检测器硬件，其由主处理器电路、USB 接口电路、通用输入输出（GeneralPurposeI/O，GPIO）接口电路、HDMI 接口电路、以太网接口电路等组成，如图 5 所示。主处理器电路包含 CPU 和 GPU，用于滚筒图像处理、故障检测与分类；USB 接口电路是主处理器电路与鼠标和键盘间的接口电路，用于输入滚筒故障检测器设置命令；主处理器电路通过 GPIO 接口电路与报警器相连；主处理器电路通过 HDMI 接口电路与显示器相连，以图形化界面的方式显示故障信息；以太网接口电路 1 是主处理器电路与工业相机间的接口电路，用于传输采集的滚筒图像；以太网接口电路 2 是主处理器电路与以太网间的接口电路，用于将滚筒故障信息传送给上位机。Jetson Nano主处理器电路GPIO接口电路USB接口电路以太网接口电路 1HDMI接口电路以太网接口电路 2报警器鼠标、键盘工业相机显示器上位机以太网图5带式输送机滚筒故障检测器硬件框架Fig.5Hardwareframeofthebeltconveyordrumfaultdetector采用 Python 语言设计了滚筒故障检测器软件。使用 Ubuntu18.04操作系统，配置相应环境和各项依赖包，将基于改进 YOLOv5s 网络模型的滚筒故障检测方法移植到嵌入式开发板中。4.2实验室测试将基于改进 YOLOv5s 的滚筒故障检测算法移2023年第7期苗长云等：基于改进 YOLOv5s 的带式输送机滚筒故障检测研究45植到嵌入式开发板 JetsonNano 中进行实验，搭建带式输送机滚筒故障检测系统实验平台，如图 6 所示。工业相机上位机报警器Jetson Nano图6带式输送机滚筒故障检测系统实验平台Fig.6Experimentalplatformofbeltconveyordrumfaultdetectionsystem实验数据来源于工业相机在实验室采集的模拟滚筒故障（包括滚筒开焊、包胶磨损和包胶脱落 3 种表面故障）视频。利用带式输送机滚筒故障检测系统对模拟图像和视频进行检测，结合带式输送机工程设计要求和实验需求，工业相机最高在 2.0m/s 的传动速度下采集视频，滚筒故障检测可视化结果如图 7 所示。（a）滚筒开焊、包胶磨损（b）滚筒开焊、包胶脱落滚筒开焊 0.95滚筒开焊 0.94fps=15.00fps=15.15save1.MOVsave1.MOVsave1.MOVsave1.MOV包胶脱落 0.94包胶磨损 0.97图7带式输送机滚筒故障检测可视化结果Fig.7Visualresultofthebeltconveyordrumfaultdetection可看出在实时速度为 15.15 帧/s 时，滚筒开焊的置信度为 0.95，包胶磨损的置信度为 0.97；在实时速度为 15.00 帧/s 时，滚筒开焊的置信度为 0.94，包胶脱落的置信度为 0.94。基于改进 YOLOv5 的带式输送机滚筒故障检测系统实验结果见表 4。可看出系统对滚筒开焊、包胶 磨 损 和 包 胶 脱 落 检 测 的 平 均 准 确 率 分 别 达95.29%，96.43%，91.65%，3 种故障检测的平均准确率均值达 94.46%。表4带式输送机滚筒故障检测系统检测性能Table4Detectionperformanceofthebeltconveyordrumfalutdetectionsystem%类别精确率召回率平均准确率平均准确率均值滚筒开焊93.1090.9895.2994.46包胶磨损97.1295.3396.43包胶脱落98.2190.8591.65控制终端显示界面如图 8 所示，可看出滚筒故障类别、位置信息和实时检测速度，检测速度约为14 帧/s。图8控制终端显示界面Fig.8Displayinterfaceofcontrolterminal实验结果表明，基于改进 YOLOv5s 的带式输送机滚筒故障检测系统准确性和可靠性较高，并满足实时检测要求。4.3现场测试为了进一步验证带式输送机滚筒故障检测系统的实际适用性，收集了山西省大同市某煤矿故障停机时拍摄的少量滚筒故障（包胶磨损和包胶脱落）图像进行测试，该矿井下环境昏暗，拍摄时进行了光源补光处理，检测结果如图 9 所示。可看出包胶磨损和包胶脱落的置信度分别为 0.92，0.97，且可以较为准确地检测出滚筒的故障类型和位置。5结论1）在 YOLOv5s 网络模型中增加了小尺寸检测层，增强了对小目标检测的学习能力；在 Backbone和 Neck 间引入了 CBAM，在通道维度和空间维度上进 行 特 征 优 化，提 高 了 目 标 检 测 的 准 确 率；在Neck 中引入了 ECA，提升了目标特征的提取能力。2）通过消融实验可知，与 YOLOv5s 网络模型相46工矿自动化第49卷比，改进 YOLOv5s 网络模型的平均准确率均值增加了 1.65%，帧速率达 25.227 帧/s，可进行实时检测。3）改进 YOLOv5s 网络模型对滚筒开焊、包胶磨损和包胶脱落检测的平均准确率分别为 95.29%，96.43%，91.65%，较改进前分别提升了 1.56%，0.89%和 2.50%。4）设计了基于改进 YOLOv5s 的带式输送机滚筒故障检测系统。实验结果表明，基于改进 YOLOv5s的带式输送机滚筒故障检测方法对滚筒开焊、包胶磨损和包胶脱落检测的平均准确率分别达 95.29%，96.43%，91.65%，3 种故障检测的平均准确率均值达94.46%，检测速度约为 14 帧/s。现场测试结果表明，包胶磨损和包胶脱落的置信度分别为 0.92，0.97，并能准确地检测出滚筒的故障信息，说明设计的带式输送机滚筒故障检测系统具有可行性。参考文献（References）：ANDREJIOVA M，GRINCOVA A，MARASOVA D.MeasurementandsimulationofimpactweardamagetoindustrialconveyorbeltsJ.Wear，2016，368：400-407.1刘洋.机器视觉的输送带纵向撕裂故障检测系统信号采集器的研究D.天津：天津工业大学，2016.LIU Yang.Study on signal collector of conveyor beltlongitudinal tear fault detection system for machinevisionD.Tianjin：TianjinPolytechnicUniversity，2016.2韩越.带式输送机驱动滚筒轴承故障特征提取分析研究J.煤矿机械，2021，42（10）：162-165.3HANYue.AnalysisandstudyonfaultfeatureextractionofdrivingrollerbearingofbeltconveyorJ.CoalMineMachinery，2021，42（10）：162-165.李丹宁，郑闯.一种模糊神经网络的采煤机滚筒温度实时故障预警方法J.煤炭科学技术，2021，49（增刊1）：161-166.LI Danning，ZHENG Chuang.A real-time fault earlywarningmethodofshearerdrumtemperaturebasedonfuzzyneuralnetworkJ.CoalScienceandTechnology，2021，49（S1）：161-166.4张强.基于新型检测方法的带式输送机滚筒故障诊断J.机械管理开发，2022，37（6）：144-145，151.ZHANGQiang.Faultdiagnosisofbeltconveyorrollerbased on new detection methodJ.MechanicalManagement and Development，2022，37（6）：144-145，151.5丁秀荣，薛正福，王芝兰.矿用带式输送机滚筒故障检测系统应用研究J.能源与环保，2022，44（4）：205-210.DING Xiurong，XUE Zhengfu，WANG Zhilan.Applicationresearchonfaultdetectionsystemofminebelt conveyor roller runningJ.China Energy andEnvironmentalProtection，2022，44（4）：205-210.6李现国，李斌，刘宗鹏，等.井下视频行人检测方法J.工矿自动化，2020，46（2）：54-58.LIXianguo，LIBin，LIUZongpeng，etal.Undergroundvideo pedestrian detection methodJ.Industry andMineAutomation，2020，46（2）：54-58.7REDMONJ，DIVVALAS，GIRSHICKR，etal.Youonlylookonce：unified，real-timeobjectdetectionC.The 29th IEEE Conference on Computer Vision andPatternRecognition，LasVegas，2016：779-788.8BOCHKOVSKIYA，WANGCY，LIAOHY，etal.YOLOv4：optimal speed and accuracy of objectdetectionEB/OL.2021-06-04.https:/arxiv.org/abs/2004.10934.9REDMON J，FARHADI A.YOLOv3：an incrementalimprovementEB/OL.2021-06-04.https:/arxiv.org/abs/1804.02767.10SINGHSK.Multiplefaultdetectionofrollingbearingthrough ensemble empirical mode decomposition ofvibrationsignalJ.InternationalJournalofEngineeringandAdvancedTechnology，2019，9（2）：2724-2726.11潘杨，张守京，杨文彬.基于改进YOLOv5的棉花异纤检测方法J.棉纺织技术，2022，50（10）：37-43.PAN Yang，ZHANG Shoujing，YANG Wenbin.Detection method of foreign fiber in cotton based onimproved YOLOv5J.Cotton Textile Technology，2022，50（10）：37-43.12孙耀泽，高军伟.基于改进YOLOv5的轮对踏面缺陷检测J.激光与光电子学进展，2022，59（22）：228-234.SUNYaoze，GAOJunwei.Defectdetectionofwheelset13（b）包胶脱落（a）包胶磨损包胶脱落 0.97包胶磨损 0.92图9煤矿现场带式输送机滚筒故障检测结果Fig.9Faultdetectionresultsofbeltconveyordrumincoalminefield2023年第7期苗长云等：基于改进 YOLOv5s 的带式输送机滚筒故障检测研究47tread based on improved YOLOv5J.Laser&OptoelectronicsProgress，2022，59（22）：228-234.LIN T S，DOLLAR P，GIRSHICK R，et al.Featurepyramid networks for object detectionC.IEEEConferenceonComputerVisionandPatternRecognition（CVPR），Honolulu，2017：936-944.14LIUShu，QILu，QINHaifeng，etal.Pathaggregationnetwork for instance segmentationC.IEEE/CVFConferenceonComputerVisionandPatternRecognition，SaltLakeCity，2018：8759-8768.15章程军，胡晓兵，牛洪超.基于改进YOLOv5的车辆目标检测研究J.四川大学学报（自然科学版），2022，59（5）：79-87.ZHANG Chengjun，HU Xiaobing，NIU Hongcha