第42卷第03期2023年03月煤炭技术CoalTechnologyVol.42No.03Mar.2023doi:10.13301/j.cnki.ct.2023.03.0290引言我国作为世界上的煤炭生产大国，在煤炭开采过程中对矿井的安全生产具有很高的要求。国务院曾发布的安全生产规划中指出，我国安全生产的基础较为薄弱，尤其是煤炭行业仍处于事故多发前列。据统计，在2020年全国煤矿较大事故和重大事故较前1年有所减少，但带式输送机运输火灾事故发生的起数仍在前列。输送带火灾突发性强、发展迅猛、烟气蔓延较为广泛且具有一定的危害性，严重威胁到井下作业人员的安全逃生。为了消除火灾隐患减少井下灾害发生，因此输送带火灾检测方法的有效性、准确性和实时性显得尤为关键。由于传统的传感器受距离和风速等原因的影响，不能及时、准确地检测到发火态势。因此利用感温、感烟等多参数传感器的传统火灾探测方法，已经难以满足现阶段智能化矿井火灾检测的需求。近年来，伴随着YOLO检测系列算法的迅猛发展，已将其应用到火灾检测领域。赵媛媛等人通过添加更小分辨率的特征尺度来学习，并提升满足高低层特征融合能力来提高图像浅层信息的学习，但在提高小火焰目标的检测准确水基于改进YOLOv3的带式输送机巷道火灾检测方法*王伟峰1，任浩1，姚涵文2，张宝宝3，何地1（1.西安科技大学安全科学与工程学院，西安710054；2.国网乐山供电公司，四川乐山614000；3.中国石油兰州石化公司，兰州730060）摘要：随着煤矿电气化和机械化程度的提高，矿用输送带的使用在提供高效巷道运输的同时也带来了火灾隐患。针对现有火灾检测模型存在准确率低和对小火焰识别差的问题，提出一种改进的YOLOv3火灾检测算法模型。首先，为了解决火灾数据正负样本数量分布不均衡的问题，选用FocalLoss函数作为此改进模型的损失函数；其次，融合多尺度特征和注意力机制，对原始YOLOv3网络模型中的特征提取结构进行改进，通过减少卷积后处理的火焰特征缩小和边缘信息丢失，使得检测精度进一步提高；最终，经多次训练学习验证，改进后的输送带火焰检测模型平均精度93.81%，较原始YOLOv3模型提升了3.25%。关键词：YOLOv3；输送带火焰检测；注意力机制；特征融合中图分类号：TD752;TP391.41文献标志码：A文章编号：1008－8725（2023）03－155－05BeltConveyorRoadwayFireDetectionMethodBasedonImprovedYOLOv3WANGWeifeng1，RENHao1，YAOHanwen2，ZHANGBaobao3，HEDi1（1.CollegeofSafetyScienceandEngineering,Xi′anUniversityofScienceandTechno...
