基于DFD-YOLO的矿井钢丝绳表面微小损伤检测算法

《Applied Sciences》:The DFD-YOLO Algorithm for Detecting Small-Scale Surface Damage on Mining Steel Ropes

【字体: 大 中 小 】 时间:2026年08月29日 来源:Applied Sciences 2.5

编辑推荐:

  为了解决现有矿井钢丝绳(MWR,Mining Wire Ropes)视觉检测算法存在的检测精度低、微小缺陷识别能力有限以及计算成本高等局限性,研究人员首先采用NAFNet来减轻输入图像中的运动模糊。随后,研究人员提出了DFD-YOLO,一种基于YOLOv11的

  
为了解决现有矿井钢丝绳(MWR,Mining Wire Ropes)视觉检测算法存在的检测精度低、微小缺陷识别能力有限以及计算成本高等局限性,研究人员首先采用NAFNet来减轻输入图像中的运动模糊。随后,研究人员提出了DFD-YOLO,一种基于YOLOv11的改进型小目标检测算法。DGEConv模块结合了深度可分离卷积和Ghost卷积,并嵌入了高效通道注意力(ECA,Efficient Channel Attention)机制,以替换原始网络中的标准卷积层。此外,在骨干网络(backbone)和颈部网络(neck)之间引入了基于膨胀卷积的多分支FEM-S模块。在中间C3k2层和FEM-S模块之间嵌入了面向检测的D-SwinIR模块。另外,网络中加入了专用的小目标检测头。实验结果表明,DFD-YOLO在保持低计算复杂度的同时,实现了0.952的mAP@0.5(平均精度均值,阈值0.5)。与原始YOLOv11相比,所提出的模型在mAP@0.5上实现了12.5%的相对提升,推理速度提升了10.0%。该模型仅需2.5百万参数和6.2 GFLOPs(十亿次浮点运算)。这些结果表明,DFD-YOLO为MWR缺陷检测提供了高检测精度和计算效率。
**基于DFD-YOLO的矿井钢丝绳表面微小损伤检测算法解读**

**一、研究背景与问题提出**

矿山提升设备是矿业生产中的关键装备,在煤炭装载与运输中扮演着重要角色。矿井钢丝绳(MWR,Mining Wire Ropes)作为提升系统的核心部件,其状态直接关系生产安全、运输效率与经济效益。然而,恶劣的运行工况使MWR长期承受重载、反复弯曲与扭转、摩擦以及环境腐蚀,易产生断丝、磨损、裂纹等缺陷,不仅缩短钢丝绳使用寿命,更对设备和人员安全构成严重威胁。因此,可靠检测MWR损伤对保障矿山安全稳定运行至关重要。

当前MWR检测方法主要包括人工目视检查、电磁检测、超声检测和涡流检测。其中,人工目视检查主观性强;电磁检测易受外部干扰且对微小表面缺陷灵敏度有限;超声和涡流检测效率较低且依赖操作经验。这些局限限制了它们在MWR连续在线检测中的应用。随着深度学习与机器视觉的发展,基于图像的检测为MWR自动化检测提供了新途径。然而,在线检测面临诸多挑战:图像中常含有运动模糊、金属反射、高度重复的表面纹理以及视觉特征微弱的极小缺陷。现有方法很少能在统一框架内同时处理图像退化、弱缺陷表达、背景干扰、精确定位和计算效率问题。

**二、研究内容与总体结论**

为解决上述挑战,研究人员提出DFD-YOLO,一种基于YOLOv11改进的微小表面损伤检测模型。该模型引入了轻量级DGEConv模块和额外的小目标检测头,以强化微小特征提取与定位;引入FEM-S和D-SwinIR模块,以增强上下文特征表示并抑制高纹理背景干扰;同时建立基于NAFNet的图像去模糊与检测网络集成的流程。实验表明,DFD-YOLO在保持低计算复杂度的同时实现了0.952的mAP@0.5,较原始YOLOv11相对提升12.5%,推理速度提升10%,仅需250万参数和6.2 GFLOPs。该研究为复杂工业环境下的在线钢丝绳检测提供了兼顾精度、速度与计算效率的可行方案,论文发表在《Applied Sciences》。

**三、关键技术方法**

研究样本来源包括两个数据集。数据集A包含由专业实验室MWR成像设备采集的3056张图像和真实矿井环境采集的3256张图像,覆盖5种背景和4种MWR类型,经数据增强后共12624个样本;数据集B包含从独立矿井采集的1026张低质量图像。关键技术方法包括:其一,采用NAFNet(一种基于U-Net的单阶段去模糊网络)进行图像预处理,缓解运动模糊并增强纹理;其二,提出DGEConv模块,将深度可分离卷积与Ghost卷积结合,并嵌入高效通道注意力(ECA)机制以替代标准卷积;其三,设计FEM-S模块,采用多分支膨胀卷积结构增强感受野与上下文信息提取;其四,嵌入面向检测的D-SwinIR模块,基于窗口自注意力增强微小损伤特征表达;其五,在特征金字塔网络(FPN)底部增加独立的小目标检测头。

**四、实验结果与分析**

**1. 图像增强实验分析**

研究人员对比了NAFNet增强前后的图像训练结果。实验显示,经过图像增强后,mAP@0.5从0.835提升至0.846,表明NAFNet预处理在当前实验设置下能够有效提升缺陷检测性能。

**2. 对比实验**

为验证DGEConv的有效性,研究人员在相同数据集上对多种卷积模块进行了对比实验,结果显示DGEConv取得了89.6%的mAP@0.5,精确率和召回率均高于其他模型,且计算量(GFLOPs)从6.3降至4.1。为确定D-SwinIR模块最优嵌入位置,研究人员在五个不同位置进行了对比实验。结果表明,将D-SwinIR嵌入第二个C3k2层之后效果最佳,其mAP@0.5、精确率和召回率分别提升4.9%、3.4%和5.3%。混淆矩阵分析显示,改进模型对三类缺陷的预测精度均有显著提升:断丝从0.88升至0.93,裂纹从0.79升至0.92,磨损从0.75升至0.89。在与YOLOv5、YOLOv8、YOLOv9、YOLOv10、YOLOv11、Faster R-CNN和SSD等主流模型的对比中,DFD-YOLO取得95.2%的mAP@0.5,优于所有对比模型,同时仅含250万参数、6.2 GFLOPs,推理速度达124 FPS(每秒处理帧数),实现了精度与速度的良好平衡。在低质量数据集B上的测试表明,mAP@0.5、精确率和召回率仅分别下降0.9%、0.4%和0.5%,验证了模型的鲁棒性与泛化能力。

**3. 消融实验**

基于原始YOLOv11逐步引入DGEConv、FEM-S、D-SwinIR和小目标检测头。结果发现,仅替换DGEConv后参数减少29.6%,计算量降低35%,速度提升17 FPS,mAP@0.5提升5%。随着其余模块引入,推理速度未显著增加但检测精度持续提升。所有模块集成后,相比原始模型,mAP@0.5提升12.5%,推理速度提升10%,参数仅2.5M,GFLOPs为6.2,充分表明DFD-YOLO在MWR缺陷检测中实现了优良的检测精度和实时性能。

**4. 实验结果可视化**

可视化对比显示,原始YOLOv11模型存在漏检、误检和低置信度问题,例如将断丝误判为磨损、漏检微小断丝、或对断丝的置信度仅为0.61。而DFD-YOLO能正确识别微小缺陷,断丝检测置信度提升至0.88,较原始模型提升45%,其他检测置信度也提升13%至26%,直观展现了改进模型在微小缺陷检测上的准确性、有效性和鲁棒性。

**五、讨论与结论**

讨论部分强调,与现有研究相比,本工作的贡献在于在一个集成框架中共同解决图像退化、弱微小缺陷表达、复杂背景干扰、定位和计算效率问题。NAFNet用于减轻运动模糊,DGEConv减少计算冗余,FEM-S和D-SwinIR增强上下文缺陷表达,额外的小目标检测头改善定位能力。由于不同方法采用的数据集和硬件平台不同,数值结果不可直接比较,因此对比侧重于方法论贡献和功能差异。

研究结论翻译如下:针对矿井钢丝绳表面缺陷尺寸小、纹理弱以及背景干扰的挑战,研究人员提出了基于YOLOv11的检测算法DFD-YOLO。可以得出以下结论:(1)基于NAFNet的图像预处理有效缓解了在线采集的MWR图像中的模糊伪影,从而提升了检测精度。(2)DGEConv模块替换了骨干网络和颈部网络中的标准卷积,增强了特征提取能力,同时有效降低了模型的计算复杂度和开销。(3)在骨干网络与颈部网络之间引入FEM-S模块,通过加强多尺度特征融合以及跨通道和空间域的全局信息建模,提升了小目标检测能力。(4)设计并嵌入在中间层C3k2与FEM-S之间的D-SwinIR模块,增强了模型感知能力,抑制了复杂背景干扰,进一步提高了检测精度。(5)小目标检测头解决了浅层语义信息不足的问题,在一定程度上增强了微小缺陷的检测能力。实验结果表明,与YOLOv11相比,DFD-YOLO使mAP@0.5从84.6%提升至95.2%,GFLOPs从6.3降至6.2,参数减少7.4%,FPS从113提升至124。这些改进在降低计算复杂度的同时提升了检测速度和精度。尽管当前数据集规模和多样性有限,未来工作将结合多模态信息和时序特征建模方法,以增强对早期MWR损伤的检测能力,并探索在更多实际工业场景中的应用潜力。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号