💻 informatica

Coal Mine Drill Pipe Detection Algorithm Integrating Large-Kernel Separation and Coordinate Locking Mechanisms

Dit artikel stelt een lichtgewicht op YOLO11n gebaseerd algoritme voor de detectie van boorpijpen in complexe ondergrondse kolenmijnomgevingen voor, dat Large Separable Kernel Attention en Coordinate Attention integreert om de robuustheid van kenmerken tegen occlusie en variaties in verlichting te verbeteren, samen met een InterpIoU-verlies om de regressienauwkeurigheid voor slanke doelwitten te verbeteren, waarbij superieure generalisatie, verminderde missingspercentages en hoge real-time inferentiesnelheden worden bereikt.

Oorspronkelijke auteurs: Canjun Xiao, Zaisheng Jiang, Chenyu Wang, Junxiang Yang, Siliang Zheng, Youping Li, Dongdong Chen, Shengrong Xie

Gepubliceerd 2026-10-21

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Canjun Xiao, Zaisheng Jiang, Chenyu Wang, Junxiang Yang, Siliang Zheng, Youping Li, Dongdong Chen, Shengrong Xie

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Diep onder het aardoppervlak, in de donkere en stoffige gangen van een kolenmijn, is een cruciale operatie gaande. Werkers en machines boren diep in het gesteente om gevangen gas te laten ontsnappen, een noodzakelijke stap om explosies te voorkomen en het mijnbouwproces veiliger te maken. Om te weten of de taak correct is uitgevoerd, moeten ze exact tellen hoeveel lange, dunne metalen buizen in de grond zijn gestoken. Als de telling fout is, kan het gas mogelijk niet goed worden afgevoerd, wat een dodelijk gevaar oplevert. Decennialang vertrouwde dit tellen op menselijke ogen of sensoren die gemakkelijk kapotgaan in de barre omgeving. Nu richten onderzoekers zich op camera's en kunstmatige intelligentie om dit probleem op te lossen, in de hoop de mijnen een betrouwbaar, onvermoeibaar oog te geven dat door de chaos van de ondergrondse wereld kan kijken.

De uitdaging is echter dat deze ondergrondse tunnels niet lijken op een schoon laboratorium. Ze zijn gevuld met rondzwevend stof, plotselinge uitbarstingen van verblindend licht door lassen of lampen, en zware machines die constant het zicht blokkeren. De buizen zelf zijn lang en slank, en zien er vaak uit als dunne lijnen die gemakkelijk kunnen verdwijnen achter een buizenrek of de arm van een arbeider. Standaard computervisiestelsels, die meestal zijn getraind op heldere, goed verlichte foto's van alledaagse objecten, hebben hier enorme moeite mee. Ze raken gemakkelijk in de war door de ruis, waardoor ze de buizen uit het oog verliezen of een schaduw voor een buis aanzien. Wanneer deze systemen falen, stopt het automatische tellen en moet de mijn terugvallen op handmatige controles, wat het werk vertraagt en menselijke fouten opnieuw introduceert.

Een team van onderzoekers van universiteiten en kolenmijnbouwbedrijven in China heeft een nieuwe manier ontwikkeld om computers deze buizen duidelijk te laten zien. Ze begonnen met een modern, lichtgewicht detectiesysteem—een type software ontworpen om objecten snel in afbeeldingen te vinden. Maar ze realiseerden zich dat de standaardversie niet gebouwd was voor de specifieke hoofdpijn van een kolenmijn. Om dit op te lossen, hebben ze de "hersenen" van de software herontworpen zodat deze aandacht schenkt aan de juiste zaken. In plaats van alleen naar kleine fragmenten van een afbeelding te kijken, hebben ze het systeem geleerd om naar het hele plaatje tegelijk te kijken, waarbij ze gebroken stukken van een buis met elkaar verbinden, zelfs wanneer een machine of een wolk stof de buis in tweeën splitst. Ze voegden ook een speciaal mechanisme toe dat vastklikt op de fysieke randen van de buis, wat het systeem helpt om de schittering van een fel licht of de verwarring van een donkere hoek te negeren.

De onderzoekers testten hun nieuwe systeem op een zeer rigoureuze manier. In plaats van het alleen foto's te tonen van dezelfde mijn waarvoor het getraind was, testten ze het op volledig andere mijnen met andere verlichting, andere apparatuur en andere lay-outs. Deze aanpak, bekend als testen op "out-of-distribution" data, is vergelijkbaar met het leren rijden aan een student in een rustige woonwijk en die student vervolgens direct testen op een drukke, regenachtige snelweg om te zien of hij de weg echt aankan. De resultaten lieten zien dat hun verbeterde systeem veel betrouwbaarder was dan de standaardversies. Het slaagde erin de buizen te vinden onder moeilijke omstandigheden waar andere systemen faalden, waardoor het aantal gemiste buizen met een merkbare marge werd verminderd.

Wat betreft de ruwe cijfers detecteerde het nieuwe systeem de buizen met een nauwkeurigheid van 88,7 procent in deze moeilijke, onbekende omgevingen, wat een aanzienlijke sprong is ten opzichte van de baseline. Het werd ook beter in het correct tellen van de buizen in videobeelden, waarbij de nauwkeurigheid van de uiteindelijke telling met meer dan negen procentpunten verbeterde in de meest uitdagende videotests. Misschien wel het belangrijkste voor een echte mijn: het systeem bleef snel en efficiënt. Het vereiste geen enorme, dure computers om te draaien; het kon meer dan 1.300 afbeeldingen per seconde verwerken, wat veel sneller is dan de snelheid van een standaard videocamera. Dit betekent dat het systeem kan draaien op de kleine, robuuste computers die al in de mijnen geïnstalleerd zijn, waardoor real-time feedback wordt gegeven zonder het boorproces te vertragen.

De onderzoekers ontdekten ook dat hun aanpassingen het beste werkten wanneer de buizen gedeeltelijk verborgen waren of wanneer het licht extreem was. In tests waarbij verblindende schittering voorkwam of buizen werden geblokkeerd door andere machines, behield het nieuwe systeem zijn focus op de metalen staaf, terwijl oudere systemen het doel vaak volledig kwijtraakten. De onderzoekers merkten echter op dat het systeem nog steeds beperkingen ervaart wanneer de buizen extreem ver weg zijn en verschijnen als minuscule stipjes in het beeld, een probleem dat nog opgelost moet worden. Ondanks dit bewijst de studie dat door kunstmatige intelligentie af te stemmen op de specifieke, chaotische realiteit onder de grond, we instrumenten kunnen creëren die niet alleen slim zijn, maar ook echt robuust genoeg om te werken waar mensen niet altijd kunnen zijn. Deze vooruitgang brengt de kolensector een stap dichter bij volledig geautomatiseerde, veiligere booroperaties, waarbij de telling altijd klopt en het gevaar altijd lager is.

Technische Samenvatting: Algoritme voor detectie van boorbuizen in kolenmijnen met integratie van grote-kernel scheiding en coördinat-vergrendelingsmechanismen

Probleemstelling
Ondergrondse boorwerkzaamheden in kolenmijnen vereisen een nauwkeurige, continue telling van boorbuizen om de naleving van gasafwatering en boringdrukverlichting te evalueren. Traditionele contactgebaseerde sensoren falen echter onder zware omstandigheden, terwijl bestaande computer vision-oplossingen worstelen met de specifieke omgevingsuitdagingen ondergronds. Deze omgevingen worden gekenmerkt door significante dynamische variaties, frequente occlusies van doelwitten door pijpleidingen en machines, intense lichtreflecties, lokale lage verlichting en alomtegenwoordig stof. Conventionele objectdetectiemodellen, met name die getraind op standaard datasets, lijden aan ernstige overfitting en snelle degradatie van de generalisatie wanneer ze worden ingezet in deze onbekende, dynamische werkzones. Specifiek maakt de slanke geometrie van boorbuizen hun randkenmerken kwetsbaar; ze zijn gevoelig voor fysieke afbreking en fotometrische verstoring, wat leidt tot hoge missiecijfers en instabiele bounding box-regressie voor slanke doelwitten.

Methodologie
De auteurs stellen een lichtgewicht algoritme voor de detectie van boorbuizen voor, gebaseerd op het YOLO11n-netwerk, dat specifiek is ontworpen om de uitdagingen van generalisatie en regressie van slanke doelwitten in complexe omgevingen aan te pakken. De aanpak richt zich op twee kernarchitecturale paden: kenmerkversterking en bounding box-regressie.

Kenmerkversterking (LSCA-module):
Aan het einde van het backbone-netwerk wordt de standaard C2PSA-module vervangen door een Large Separable Kernel Coordinate Attention (LSCA) module. Deze module integreert twee parallelle takken om achtergrondruis te ontkoppelen en de topologische connectiviteit te verbeteren:
- Tak A (Large-Kernel Spatial Attention): Maakt gebruik van Large Separable Kernel Attention (LSKA) met gedcomposeerde $1\times k$ en $k\times 1$ convoluties (met dilatatie) om het receptieve veld uit te breiden. Dit overbrugt fysieke occlusiegrenzen, waardoor het netwerk de gefragmenteerde kenmerken van boorbuizen kan verbinden die worden gehinderd door pijpleidingen of machines.
- Tak B (Coordinate Attention): Maakt gebruik van Coordinate Attention (CA) om hoogte- en breedtemaskers te genereren. Deze tak voert orthogonale pooling uit om nauwkeurig de fysieke randen van de boorbuizen vast te leggen, waardoor interferentie van intense lichtinval en stof wordt weerstaan.
- Fusie: De outputs van beide takken worden gefuseerd via een enkele elementgewijze vermenigvuldiging met de oorspronkelijke feature map, waarbij hoogfrequente randdetails behouden blijven terwijl dubbele priors worden geïnjecteerd voor cross-occlusie connectiviteit en randvergrendeling.
Flexibele Regressieverlies (InterpIoU):
Om de gevoeligheid van bounding box-regressie voor extreme aspectratio's (gebruikelijk bij slanke boorbuizen) aan te pakken, introduceren de auteurs een Interpolation-based Flexible Regression Loss (InterpIoU). Standaard verliesfuncties veroorzaken vaak gradiëntoscillaties wanneer de korte zijde van een voorspelde box licht afwijkt, wat leidt tot box-jitter. InterpIoU construeert een transitionele geïnterpoleerde box ( $B_i$ ) tussen de voorspelde box ( $B_p$ ) en de ground truth ( $B_g$ ) met behulp van een coëfficiënt $\lambda=0.5$ . De verliesfunctie vervangt de standaard overlapterm door de Intersection over Union (IoU) van deze geïnterpoleerde box, terwijl de centrumafstand en aspectratio-straffen van CIoU behouden blijven. Dit creëert een vloeiende gradiënttransitie die divergentie van de korte zijde onderdrukt en lokalisatie stabiliseert.
Dataset en Validatiestrategie:
De studie maakt gebruik van een dataset verzameld van negen verschillende boorlocaties. Cruciaal is dat de auteurs een Out-of-Distribution (OOD) validatiestrategie hanteren op basis van spatiotemporele fysieke isolatie. De testset is samengesteld uit locaties en tijdstippen die strikt gescheiden zijn van de trainingsdata om het werkelijke generalisatievermogen van het model op onbekende werkzones objectief te evalueren, in plaats van te vertrouwen op willekeurige data-splitsingen.

Belangrijkste Bijdragen

LSCA-mechanisme: De integratie van grote-kernel scheiding en coördinat-vergrendeling in een parallel multiplicatief fusiemodule, specifiek afgestemd op de occlusie- en schitteringskenmerken van ondergrondse boorbuitscenes.
InterpIoU-verlies: Een nieuw regressieverlies afgestemd op slanke rigide lichamen dat gradiëntoscillaties veroorzaakt door extreme aspectratio's vermindert, wat de compactheid van de bounding box verbetert.
OOD Evaluatiekader: De constructie van een rigoureuze validatieset gebaseerd op ruimtelijke en temporele isolatie om real-world deployment scenario's te reflecteren waar modellen te maken krijgen met onbekende dynamische condities.
Lichtgewicht Architectuur: Het voorgestelde model behoudt een lichtgewicht profiel (2,561 M parameters) geschikt voor edge-deployment, terwijl het de baseline-modellen aanzienlijk overtreft in nauwkeurigheid.

Experimentele Resultaten
Experimenten werden uitgevoerd op een NVIDIA RTX 5880 Ada GPU met een dataset van meer dan 6.000 afbeeldingen (uitgebreid naar ~14.500 via niet-destructieve augmentatie). Het verbeterde model werd vergeleken met mainstream lichtgewicht detectoren (YOLOv5n, v8n, 11n, 12n, 26n).

Generalisatieprestaties: Op de OOD-testset bereikte het voorgestelde model 88,7% mAP@50 en 43,7% mAP@50-95, wat respectievelijk verbeteringen van 2,0% en 2,2% betekent ten opzichte van de baseline YOLO11n.
Anti-interferentie Capaciteit: Onder complexe omstandigheden (schittering, occlusie, stof) werd het missiecijfer verminderd met 1,4% (naar 18,3%) en nam de recall toe met 1,4% (naar 81,7%). Gelaagde analyse toonde significante winsten in situaties met felle schittering (precisie nam met 5,4 procentpunt toe) en scenario's met gemiddelde highlights (missiecijfer verminderd met 3,8 procentpunt).
Efficiëntie: Het model behoudt een hoge inferentiesnelheid van 1303,8 fps met 2,561 M parameters en 6,4 GFLOPs. Hoewel het iets langzamer is dan de baseline (1556,1 fps), blijft het ruim boven de framerates van standaard ondergrondse surveillancecamera's.
Telling Nauwkeurigheid: Wanneer gekoppeld aan de ByteTrack tracker, verhoogde het verbeterde model de teltauwkeurigheid op vijf uitdagende videocases met 9,1 procentpunt vergeleken met de baseline (gemiddeld 78,7% vs. 69,7%), wat robuuste ondersteuning biedt voor automatische tel-logica.

Betekenis
Het artikel stelt dat het voorgestelde algoritme een robuuste, direct inzetbare visuele perceptieoplossing biedt voor geautomatiseerde boorbuitsoperaties in ondergrondse kolenmijnen. Door de specifieke faalmodi van detectie van slanke doelwitten in dynamische, met hoge interferentie belaste omgevingen aan te pakken, overwint de methode de generalisatiebeperkingen van conventionele modellen. De integratie van de LSCA-module en InterpIoU-verlies onderdrukt effectief achtergrondruis en stabiliseert lokalisatie, wat een fundament legt voor de intelligente en onbemande ontwikkeling van mijnbouwapparatuur. De auteurs merken op dat hoewel de methode de prestaties aanzienlijk verbetert, verre kleine doelwitten momenteel een grens vormen, wat wijst op toekomstig werk met hogere-resolutie inputs of specifieke shallow detection heads.

Meer zoals dit