基于透视变换和SNc-YOLOv5的大块煤识别方法应用

于涛

摘要：为了提高带式输送机大块煤识别的准确率，避免大块煤堆积对皮带造成的磨损，延长输送机的使用寿命，提出了基于透视变换和SNc-YOLOv5的大块煤识别方法，该方法首先利用透视变换技术对原始图像进行处理，有效地将图像中的非输送机区域滤除，并对输送机区域进行坐标矫正；然后，采用SNc-YOLOv5模型对经过标准化处理的图像进行深度学习建模，得到大块煤识别模型；最后，通过试验分析和现场应用对该方法进行有效性验证。结果表明：该方法在1号煤矿数据集的试验分析精确率为94.8%，召回率为83.2%，在2号煤矿数据集的试验分析精确率为92.8%，召回率为85.3%，现场应用置信度达到0.9，与其他方法进行比较，精确率和召回率指标均优于其他方法；该方法在图像预处理阶段提取带式输送机区域对图像进行标准化，仅对感兴趣区域进行处理，提高了大块煤识别的准确率。该算法部署到某煤矿现场，能够实现实时监测，为带式输送机的安全运行和延长使用寿命提供了有力保障。

关键词：大块煤识别；带式输送机；透视变换；图像标准化

中图分类号：TD 712文献标志码：A

文章编号：1672-9315（2024）01-0054-10

DOI：10.13800/j.cnki.xakjdxxb.2024.0106开放科学（资源服务）标识码（OSID）：

Application of large block coal recognition method based on perspective transformation and SNc-YOLOv5

YU  Tao

（National Energy Group Xinjiang Energy Co.，Ltd.，Xinjiang Urumqi 830011，China）

Abstract：To enhance the precision of identifying large coal chunks in belt conveyors，mitigate belt wear from coal accumulation and   increase the longevity of belt conveyors，a novel method rooted in perspective transformation and SNc-YOLOv5 was proposed.Firstly，the perspective transformation was utilized to refine the original image，successfully omitting areas unrelated to the conveyor and adjusting the conveyors coordinates.Then，the SNc-YOLOv5 model was undertaken to establish deep learning model on these standardized images，yielding a model adept at recognizing large block coal.The efficacy of this approach was confirmed through both test analysis and on-site application.The results show that  the precision rate on the dataset of  Mine 1 is 94.8%，with a recall rate of 83.2%，while on Mine 2s dataset，the precision rate is 92.8%，with a recall rate of 85.3%.In field applications，the confidence level reaches 0.9，compared  with alternative techniques，this method outperforms in terms of both accuracy and recall.By focusing on the conveyor region during image preprocessing，the method not only standardizes the image but also elevates the precision of large block coal  identification，which thus continuous real-time surveillance，fortifying the safety and longevity of belt conveyors.

Key words：large block coal  identification；belt conveyor；perspective transformation；normalisation

0引言

中國作为全球最大的产煤国和煤炭消费国，煤矿的安全开采与运输显得十分重要。国家8部委发布的《煤矿智能化建设指南2021版》[1-2]，提出科学、规范、有序地推进矿井智能化建设，加快建成一批不同类型、不同模式的智能化矿井，其中带式输送机智能化检测是智能化矿井的重要组成部分[3]。矿井下开采环境复杂，煤矿开采过程中往往会出现未被充分破碎的大块煤，大块煤是指粒度>50 mm的煤块[4]。若大块煤在运输过程中未被及时分拣出来，容易导致带式输送机的输送带出现易位、撕裂等问题，影响安全生产[5-6]。因此，在带式输送机运输煤流的过程中，对大块煤进行实时检测并报警具有重要意义。通过推动带式输送机的智能化检测，输送带能够更加高效、安全地进行煤炭运输，提高输送机的使用寿命。

近年来，在煤矿开采智能化的趋势下，煤矿井下已逐步实现监控摄像覆盖，以供工作人员实时监控[7]。随着机器视觉和目标检测模型的发展，许多学者对大块煤识别进行了研究，张维等指出摄像机角度和相对位置会导致相邻帧同一块煤块尺寸不一致的透视问题[8]；PU等基于VGG16网络和迁移学习的思想，建立了异物识别模型，并表现出了较好的准确性；但模型的适用范围可能受到物体大小、光照等因素的限制，无法适用于其他物体的图像识别[9]；程健等考虑到输送机背景对煤识别目标的干扰，利用改进的高斯混合模型去除背景的影响，但该方法易受粉尘、煤灰等干扰，误报较多[10]；吴守鹏等提出的双向特征金字塔网络对大块煤识别问题进行优化，通过构建双向特征金字塔网络来提取更具有代表性的特征，并且在网络结构上进行了一些改进，从而使得该方法表现出了较高的准确率，但该文献所用数据集图像数量较少，模型泛化性较差[11]；WANG等在SSD检测算法的基础上，通过改进损失函数和优化锚框比例等方式，实现了对矿井输送带上煤的识别，但算法复杂程度较高，计算量较大[12]；郝帅等提出一种融合卷积块注意力模型的YOLOv5目标检测算法，对所选样本的准确率达到了94.7%，但对数据集的预处理效果不理想，环境干扰较为严重[13]；SONG等提出了一种基于改进的YOLOv5模型的大块煤检测方法，该方法使用了Mosaic数据增强方法、SENet注意力模块和BiFPN加权特征金字塔融合方法，以提高检测精度和收敛速度，但该模型对于煤的形态和颜色变化较大的情况下，会出现误检或漏检情况[14]。

现有研究在矿井下煤的识别已经有较高的准确性，但进行验证的数据集数量较少，针对矿井下摄像头与输送带的角度和相对位置引起的相邻帧的图像上同一块大块煤尺寸一致问题相关研究较少。为了解决这些问题，提出了基于坐标校正和SNc-YOLOv5的煤矿带式输送机大块煤识别方法。该方法首先采用透视变换对图像进行坐标校正，对数据集图像进行标准化处理，排除复杂背景和摄像头角度的干扰，然后对YOLOv5模型的Neck网络结构进行改进，采用改进后的SNc-YOLOv5模型进行大块煤识别。为了验证该方法的有效性，采用内蒙某煤矿的带式输送机工作的监控视频进行试验验证，并将该算法应用到现场进行实时验证。

1理论基础

1.1透视变换

透视变换是一种将二维图像投影到三维视平面上，再转换到二维坐标下的变换方式[15]。通过透视中心、像点和目标点三点共线的条件，按照透视旋转定律，使透视面绕透视轴旋转某一角度，从而破坏原有的投影光线束，并保持承影面上投影几何图形不变。透视变换的原理如图1所示。

像素空间点（，）经过透视变换映射到世界坐标系（X，Y，Z）下，如图2所示，将摄像头范围内的输送机质心与地面垂直接触点看作世界坐标系的原点O，其中X为摄像头的视角方向，Z轴为摄像头透视方向，h为摄像头位置到世界坐标系原点O的垂直距离，P为摄像头光学中心，（，）为用以定位到图像中某个确定的像素点，m、n分別为图像的宽度和高度。

像素空间表示（，）与图像空间表示（，）实际上是同一个位置，将像素坐标映射到世界坐标系时需要转换单位，两者之间通过式（1）和（2）可进行转换。

u（c）=n2+kc（1）

v（r）=m2-kc（2）

式中m，n分别为图像的宽度和高度；c，r分别为该像素点在现实图像中的x轴、y轴大小；k为像素和距离单位之间的比例关系，即每米占多少个像素点。

1.2YOLOv5算法

YOLOv5是一阶段目标检测算法，其算法模型示意如图3所示。其显著特征包括高精度、轻量级，同时支持多种设备和各种检测任务[16]。YOLOv5的架构涵盖了Backbone网络、Neck网络、Head网络以及损失函数，这些组件协同工作，使得算法能够高效地对输入图像进行检测，输出关于物体位置和类别的详细信息。输入端采用了Mosaic数据增强方式，通过随机排布、随机缩放和随机裁剪等操作，将多个输入图片拼接在一起，以增加数据的多样性和提升算法的鲁棒性，同时还能增加数据集中小目标的数量[17-18]。Backbone部分采用CSPDarknet53作为主干网络，由卷积模块（Conv）、瓶颈层（C3）和空间金字塔池化（SPP）等模块构成，用于提取图像的特征并获取多尺度信息。Neck部分采用了“FPN+PAN”的结构，结合了特征金字塔和路径聚合网络，利用CSP2结构增强特征的融合能力和表达能力。最后，Prediction部分使用CIOU Loss作为Bounding box的损失函数，综合考虑目标框的位置、大小和形状等因素，优化模型参数，提高目标位置和类别的预测精度[19]。YOLOv5的网络结构通过Mosaic数据增强、CSPDarknet53主干网络、“FPN+PAN”结构的Neck以及CIOU Loss损失函数的预测端，实现了高效准确的目标检测能力[20]。

通过调整网络的深度倍数（depth_mutiple）和宽度倍数（width_mutiple）来实现模型参数和大小的依次增加，YOLOv5根据网络结构的深度与宽度，分为4个不同版本：YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x[21]，4种模型结构的深度和宽度参数见表1，模型差异对比见表2。

2文中提出的方法

带式输送机运输视频背景复杂，摄像头角度以及同一块煤块在视频中近大远小等问题会导致大块煤识别准确率低。为了解决这一问题，文中采用透视变换方法对图像进行标准化处理，将图像矩阵与透视矩阵相乘，消除复杂背景、摄像头角度以及煤块在视频中近大远小问题的影响，采用SNc-YOLOv5模型对标准化的图像进行模型训练，得到大块煤识别模型。文中提出方法的流程如图4所示。

2.1图像标准化

在大块煤标注中，将粒度>50 mm的煤块进行标注。采用DarkLable标注工具进行人工标注，得到大块煤图像数据集。将图像进行标准化，其透视变换通用公式为

[x′y′z′]=T·[uvw]（3）

式中（u，v）为原始的图像像素坐标；w取值为1；T为透视变换矩阵，一般情况下，将其分为3部分。

T=a00a01a02

a10a11a12

a20a21a22=T1T2

T3a22（4）

式中T1=a00a01

a10a11为线性变换矩阵；T2=a02

a12为对图像进行平移；T3=[a20a21]对图像进行透视变换；a22一般取1。

若原始平面和新平面不是平行的，透视变换后的图像会有2个角的残缺，因此式（4）可变换为式（5）和式（6）

x=x′z′=a00u+a10v+a20a01u+a12v+a22（5）

y=y′z′=a00u+a10v+a20a01u+a12v+a22（6）

式（4）中除a22外有8个未知量，以图像中带式输送机端点的4个像素点为参考点，并设4个点分别为A（xa，ya）、B（xb，yb）、C（xc，yc）、D（xd，yd），定义新平面上与之对应点的坐标A′（x′a，y′a）、B′（x′b，y′b）、C′（x′c，y′c）、D′（x′d，y′d），代入可以求解透视矩阵。

a00=xb-xa+a01xb

a10=xd-xa+a01xc

a20=xa

a01=yb-ya+a02yb

a11=yd-ya+a12yc

a21=ya

a02=Δx3Δx2

Δy3Δy3Δx1Δx2

Δy1Δy2

a12=Δx1Δx3

Δy1Δy3Δx1Δx2

Δy1Δy2（7）

将图像与求解的透视变换矩阵相乘，可以对图像进行标准化处理。

2.2SNc-YOLOv5模型结构

通过SNc（Slim-Neck by GSConv）模型[22]改进了YOLOv5的Neck网络，保持了识别精度的同时降低了模型的复杂度，SNc结构分为3种模型：GSConv、GSbottleneck和VoV GSCSP。GSConv模型采用深度可分离卷积[23]（DSC）与标准卷积（SC）相结合的方式，DSC可以降低计算复杂度，SC模型可以缓解因DSC模型特征提取和融合能力低导致的识别准确率低的问题。如图5（a）所示，通过DWConv生成SC信息来执行DSC操作，并将生成的信息与之前的信息进行融合。GSConv模块最大限度地减少了深度卷积缺陷对模型的负面影响，并有效地利用了深度卷积的低计算量。在GSConv的基础上引入GSbottleneck模块，模型结构如图5（b）所示，使用GSbottleneck来替代C3中的Bottleneck模块，将输入特征图分为2个通道，并为其分配不同的权重。2个通道按照通道数进行组合连接，增强了模型表达非线性函数的能力，解决了梯度消失问题。图5（c）展示了VoV GSCSP模块的结构，在VoV GSCSP中，输入特征图将通道数分成2部分，第1部分首先经过Conv进行卷积，之后由堆叠的GSbottleneck模块提取特征。另一部分作为残差连接，仅通过一个Conv进行卷积。2部分根据通道数进行融合连接，最后通过Conv卷积输出。VoV GSCSP不仅兼容GSConv的所有优点，还具有GSbottleneck带来的所有优点。VoV GSCSP的分割通道方法能够实现丰富的梯度组合，避免梯度信息的重复并提高学习能力。

结合上述的改进，在YOLOv5的Neck部分用GSConv模块代替Conv模块，以减少特征金字塔结构升级带来的参数数量和计算量，C3模块替换为VoV GSCSP模块，并通过堆叠的GSbottleneck提取特征，以更好地兼容GSConv模块，改进的SNc-YOLOv5模型结构如图6所示。

将变换后的图像数据集ST按照3∶1划分为训练集（Train set）、验证集（Validation set）[24]。将训练集输入到SNc-YOLOv5进行训练，得到大块煤识别模型。在SNc-YOLOv5模型的训练过程中，在前向传播过程中，模型对输入图像进行卷积和池化处理，提取高级特征信息，并生成预测框，其中包括大块煤的位置坐标和置信度分数。在反向传播阶段，模型使用损失函数评估预测框与实际标签的差异，通过参数调整来最小化误差。经过多次迭代，SNc-YOLOv5模型生成了高效的大块煤检测模型，可用于新图像的煤块位置预测，性能评估通常通过验证集的多种指标来确保泛化性能。

3应用与分析

3.1试验分析

3.1.1数据集概述

数据集主要源自内蒙某2个煤矿的带式输送机监控视频。1号煤矿S1和2号煤矿S2的基本情况见表3。用DarkLable标注工具标注大块煤图像21 422张，以png格式存储。

3.1.2应用环境配置

运行环境为Windows 10，CPU为英特尔Xeon E5-2670 0@2.60GHz八核，内存8个1 333 MHz的DDR3，内存为64GB，GPU为NVIDIA GeForcr GTX 1080，显存8GB，利用Cuda11.4和Cudnn8.2.4的驱动程序支持GPU加速，数据训练使用SNc-YOLOv5s目标检测网络训练，Python版本为3.9，试验中使用Pytorch1.10.2深度学习框架。文中方法与YOLOv5[25]、YOLOv8[26]目标检测模型，文献[13]和文献[14]方法进行对比，文献[13]的方法，通过自适应直方图均衡算法來增强煤矿井下输送带图像的对比度，在YOLOv5算法框架下引入卷积块注意力模型提升目标检测精度，文献[14]的方法通过数据增强方法扩大数据集，并对YOLOv5算法进行改进提升特征提取能力。

3.1.3测试与试验结果

依次选取S1数据集中每张图像的4个点坐标（600，180），（800，180），（200，500），（1 100，500）和S2数据集中每张图像的4个点坐标（660，0），（920，0），（260，1 079），（1 260，1 079）输入到透视变换矩阵中得到变换后的数据集，如图7所示。将数据集S中每张图像按照式（8）进行透视变换得到数据集ST，数据集Si与ST对比如图8所示。

ST=T×Si；i=1，2（8）

通过精确率（Precision）和召回率（Recall）来衡量该方法对大块煤识别效果[27]，使用31叙述的数据集和3.1.2叙述的应用环境进行方法的验证。在模型训练过程中，初始学习率设定为001，设置权重衰减为0.000 5来避免过拟合，选择了动量因子为0.98稳定训练过程并避免陷入局部最优解，类别损失系数设置为0.5，IOU损失系数设置为7.5，DFL损失系数设置为1.5，Batch-size设置为8，最大迭代次数为100。

为了验证该方法的有效性，运用不同的数据集将文中方法与文献[13]和文献[14]的方法进行对比，通过精确率和召回率指标来进行评价，对比情况见表4，在数据集S1上训练了3种方法的检测模型，对比曲线如图9所示，5种方法检测结果如图10所示。

从训练的结果来看，通过裁剪消除了复杂背景的影响，通过透视变换矩阵对数据集进行变换，消除了摄像頭角度以及近大远小的影响，从而统一了大块煤的尺寸标准。文中提出的方法相较于YOLOv5、YOLOv8目标检测模型，以及文献[13]和文献[14]的方法，精确率和召回率指标均有所上升，SNc-YOLOv5模型相较于YOLOv5、YOLOv8目标检测模型在S1数据集的大块煤检测精度上分别提高了9%和6.3%，相较于文献[13]和文献[14]的模型检测精度分别提高了7.9%和8%，在S2数据集上大块煤检测精度相较于YOLOv5、YOLOv8目标检测模型分别提高了7.2%和2.9%，相较于文献[13]和文献[14]的模型检测精度分别提高了5%和8.7%，表明文中方法有更好的准确性。

3.2现场应用分析

为了进一步验证大块煤识别算法的实际适用性，将文中算法应用在内蒙某煤矿选煤厂进行现场试验。以宏博亚泰KBA127（A）-F9204IRH摄像头为图像采集设备，摄像头参数见表5。选煤厂现场带式输送机、摄像头以及光源之间的相对位置如图11所示。

在现场应用中，文中算法将现场采集到的视频进行预处理，得到标准化后的数据集，现场数据集标准化前后对比如图12所示，文中算法现场应用的示意如图13所示。

大块煤识别算法在选煤厂现场应用的识别结果如图14所示。算法对实时监控视频进行透视变换改变了视频尺寸，红框内为大块煤识别算法现场应用的实时结果，算法识别为大块煤的置信度达到0.9。现场应用结果表明，文中提出的大块煤识别算法能够准确地识别大块煤，满足现场实时识别要求。

4结论

1）文中提出的基于透视变换对图像标准化处理的方法能够剔除大块煤大小标准不统一以及周围复杂环境的影响，相较于文献[14]的方法，精确率提高了10%，有效降低了环境因素对识别工作的影响，可以作为大块煤识别或带式输送机异物检测领域的预处理方法。

2）可以有效对矿井带式输送机上的大块煤进行识别，对1号煤矿的识别精确率达到94.8%，现场应用结果表明，算法识别为大块煤的置信度达到0.9，文中方法能够实时进行大块煤监测，满足现场生产需求。

3）文中方法在模型泛化性方面表现较差，未来可以在提高模型泛化性上做工作。

参考文献（References）：

[1]王国法，王虹，任怀伟，等.智慧煤矿2025情景目标和发展路径[J].煤炭学报，2018，43（2）：295-305.

WANG Guofa，WANG Hong，REN Huaiwei，et al.2025 scenarios and development path of intelligent coal mine[J].Journal of China Coal Society，2018，43（2）：295-305.

[2]董书宁，刘再斌，程建远，等.煤炭智能开采地质保障技术及展望[J].煤田地质与勘探，2021，49（1）：21-31.

DONG Shuning，LIU Zaibin，CHENG Jianyuan，et al.Technologies and prospect of geological guarantee for intelligent coal mining[J].Coal Geology & Exploration，2021，49（1）：21-31.

[3]贾建称，巩泽文，靳德武，等.煤炭地质学“十三五”主要进展及展望[J].煤田地质与勘探，2021，49（1）：32-44.

JIA Jiancheng，GONG Zewen，JIN Dewu，et al.The main progress in the 13th five-year plan and the prospect of coal geology[J].Coal Geology & Exploration，2021，49（1）：32-44.

[4]程德强，徐进洋，寇旗旗，等.融合残差信息轻量级网络的运煤皮带异物分类[J].煤炭学报，2022，47（3）：1361-1369.

CHENG Deqiang，XU Jinyang，KOU Qiqi，et al. Lightweight network based on residual information for foreign body classifcation on coal conveyor belt[J].Journal of China Coal Society，2022，47（3）：1361-1369.

[5]张玉涛，张梦凡，史学强，等.基于深度学习的井下运动目标跟踪算法研究 [J].煤炭工程，2022，54（10）：151-155.

ZHANG Yutao，ZHANG Mengfan，SHI Xueqiang，et al.Object tracking algorithm of moving objects in underground mine based on deep learning [J].Coal Engineering，2022，54（10）：151-155.

[6]羅南超，郑伯川.视频监控领域深度特征编码的行人检测算法[J].西安科技大学学报，2019，39（4）：701-707.

LUO Nanchao，ZHENG Bochuan.Deep feature coding for pedestrian detection in video surveillance[J].Journal of Xian University of Science and Technology，2019，39（4）：701-707.

[7]赵安新，杨金桥，杨浩波，等.基于改进DeepSORT和FastReID的室内多目标人员跨镜识别与跟踪[J].西安科技大学学报，2023，43（3）：622-630.

ZHAO Anxin，YANG Jinqiao，YANG Haobo，et al.Indoor multi-object personnel recognition and tracking across camera based on optimized DeepSORT and FastRelD[J].Journal of Xian University of Science and Technology，2023，43（3）：622-630.

[8]张维，徐华龙.三维模型与视频监控融合关键技术研究[J].煤矿安全，2019，50（10）：112-114

ZHANG Wei，XU Hualong.Research on key technologies of 3D model and video monitoring fusion[J].Safety in Coal Mines，2019，50（10）：112-114

[9]PU Y，APEL D B，SZMIGIEL A，et al.Image recognition of coal and coal gangue using a convolutional neural network and transfer learning[J].Energies，2019，12，1735.doi：10.3390/en12091735.

[10]程健，王东伟，杨凌凯，等.一种改进的高斯混合模型煤矸石视频检测方法[J].中南大学学报（自然科学版），2018，49（1）：118-123.

CHENG Jian，WANG Dongwei，YANG Lingkai，et al.An improved Gaussian mixture model forcoal gangue video detection[J].Journal of Central South University（Science and Technology），2018，49（1）：118-123.

[11]吴守鹏，丁恩杰，俞啸.基于改进FPN的输送带异物识别方法[J].煤矿安全，2019，50（12）：127-130.

WU Shoupeng，DING Enjie，YU Xiao.Foreign body identifcation of belt based on improved FPN[J].Safety in Coal Mines，2019，50（12）：127-130.

[12] WANG Y B，WANG Y J，DANG L F.Video detection of foreign objects on the surface of belt conveyor underground coal mine based on improved SSD[J].Journal of Ambient Intelligence and Humanized Computing，2023，14：5507-5516.

[13]郝帅，张旭，马旭，等.基于CBAM-YOLOv5的煤矿输送带异物检测[J].煤炭学报，2022，47（11）：4147-4156.

HAO Shuai，ZHANG  Xu，MA Xu，et al. Foreign object detection in coal mine conveyor belt based on CBAM-YOLOv5[J].Journal of China Coal Society，2022，47（11）：4147-4156.

[14]SONG Q，LIU Z，JIANG H.Coal gangue detection me-thod based on improved YOLOv5[C]//2022 3rd international conference on big data，Artificial Intelligence and Internet of Things Engineering（ICBAIE）.IEEE，2022：466-469.

[15]XU C，LIU Y，DING F，et al.Recognition and grasping of disorderly stacked wood planks using a local image patch and point pair feature method[J].Sensors，2020，20（21）：6235.

[16]SHI Y，LI J，YU Z，et al.Multi-Barley seed detection using iPhone images and YOLOv5 model[J].Foods，2022，11（21）：3531.

[17]ZHANG J，Karkee M，ZHANG Q，et al.Multi-class object detection using faster R-CNN and estimation of shaking locations for automated shake-and-catch apple harvesting[J].Computers and Electronics in Agriculture，2020，173：105384.

[18]肖进胜，刘恩雨，朱力，等.改进的基于卷积神经网络的图像超分辨率算法[J].光学学报，2017，37（3）：103-111.

XIAO Jinsheng，LIU Enyu，ZHU Li，et al.Improved image super-resolution algorithm based on convolutional neural network[J].Acta Optica Sinica，2017，37（3）：103-111.

[19]李紅艳，李春庚，安居白，等.注意力机制改进卷积神经网络的遥感图像目标检测[J].中国图象图形学报，2019，24（8）：1400-1408.

LI Hongyan，LI Chungeng，AN Jubai，et al.Attention mechanism improves CNN remote sensing image object detection[J].Chinese Journal of Image and Graphics，2019，24（8）：1400-1408.

[20] INAM H.Smart and automated infrastructure management：A deep learning approach for crack detection in bridge images[J].Sustainability，2023，15（3）：1866-1866.

[21]纪俊卿，张亚靓，孟祥川，等.自适应小波阈值滚动轴承故障振动信号降噪方法[J].哈尔滨理工大学学报，2021，26（2）：124-130.

JI Junqing，ZHANG Yaliang，MENG Xiangchuan，et al.Adaptive wavelet threshold rolling bearing fault vibration signal denoising method [J].Journal of Harbin University of Science and Technology，2021，26（2）：124-130.

[22]赵安新，杨金桥，史新国，等.视觉行人重识别研究方法分析及评价指标探讨[J].西安科技大学学报，2022，42（5）：1003-1012.

ZHAO Anxin，YANG Jinqiao，SHI Xinguo，et al.Analysis of visual person re-identifcations research methods and evaluation indicator discussion[J].Journal of Xian University of Science and Technology，2022，42（5）：1003-1012.

[23]杨慧剑，孟亮.基于改进的YOLOv5的航拍图像中小目标检测算法[J].计算机工程与科学，2023，45（6）：1063-1070.

YANG Huijian，Meng Liang.A small target detection algorithm based on improved YOLOv5 in aerial image[J]. Computer Engineering and Science，2023，45（6）：1063-1070.

[24]刘浩翰，樊一鸣，贺怀清，等.改进YOLOv7-tiny的目标检测轻量化模型[J].计算机工程与应用，2023，59（14）：166-175.

LIU Haohan，FAN Yiming，HE Huaiqing，et al.Improved YOLOv7-tinys object detection lightweight model [J]. Computer Engineering and Applications，2023，59（14）：166-175.

[25]王渊，郭卫，张传伟，等.融合注意力机制和先验知识的刮板输送机异常煤块检测[J].西安科技大学学报，2023，43（1）：192-200.

WANG Yuan，GUO Wei，ZHANG Chuanwei，et al.Detection of abnormal coal block in scraper conveyor integrating attention mechanism and prior knowledge[J].Journal of Xian University of Science and Technology，2023，43（1）：192-200.

（责任编辑：刘洁）