煤矿皮带跑偏撕裂智能检测系统 YOLOv3

煤矿皮带跑偏撕裂智能检测系统能够通过深度学习技术实时监测运输皮带的状况，当煤矿皮带跑偏撕裂智能检测系统监测到皮带出现撕裂跑偏时，立刻抓拍告警并中止皮带的运输，及时通知后台工作人员在第一时间到现场维修皮带。煤矿皮带跑偏撕裂智能检测系统可以提升后台监控人员对煤矿现场的管控效率，减少因皮带意外情况发生更多的损失。

从YOLOv1到YOLOv3，每一代性能的提升都与backbone（骨干网络）的改进密切相关。在YOLOv3中，作者不仅提供了darknet-53，还提供了轻量级的tiny-darknet。如果你想检测精度与速度兼备，可以选择darknet-53作为backbone；如果你想达到更快的检测速度，精度方面可以妥协。那么tiny-darknet是你很好的选择。总之，YOLOv3的灵活性使得它在实际工程中得到很多人的青睐。相比于 YOLOv2 的 骨干网络，YOLOv3 进行了较大的改进。借助残差网络的思想，YOLOv3 将原来的 darknet-19 改进为darknet-53。

随着社会发展和人们生活水平的进步，大家对于煤矿行业安全生产作业更加重视。同时越来越多的煤矿行业也在用AI技术提升煤矿安全作业降低损失。煤矿井下是一个环境多变复杂，每时每刻都可能出现安全隐患，容易发生安全事故。皮带跑偏是煤矿行业中常见的问题之一，由于煤炭的偏向受力不均，导致皮带跑偏以及撕裂。以至于造成故障停机影响生产效率，给煤矿安全生产带来极为不利的影响。煤矿皮带跑偏撕裂智能检测系统应运而生。

class Detect(nn.Module):
    stride = None  # strides computed during build
    onnx_dynamic = False  # ONNX export parameter

    def __init__(self, nc=80, anchors=(), ch=(), inplace=True):  # detection layer
        super().__init__()
        self.nc = nc  # number of classes
        self.no = nc + 5  # number of outputs per anchor
        self.nl = len(anchors)  # number of detection layers
        self.na = len(anchors[0]) // 2  # number of anchors
        self.grid = [torch.zeros(1)] * self.nl  # init grid
        self.anchor_grid = [torch.zeros(1)] * self.nl  # init anchor grid
        self.register_buffer('anchors', torch.tensor(anchors).float().view(self.nl, -1, 2))  # shape(nl,na,2)
        self.m = nn.ModuleList(nn.Conv2d(x, self.no * self.na, 1) for x in ch)  # output conv
        self.inplace = inplace  # use in-place ops (e.g. slice assignment)

    def forward(self, x):
        z = []  # inference output
        for i in range(self.nl):
            x[i] = self.m[i](x[i])  # conv
            bs, _, ny, nx = x[i].shape  # x(bs,255,20,20) to x(bs,3,20,20,85)
            x[i] = x[i].view(bs, self.na, self.no, ny, nx).permute(0, 1, 3, 4, 2).contiguous()

            if not self.training:  # inference
                if self.onnx_dynamic or self.grid[i].shape[2:4] != x[i].shape[2:4]:
                    self.grid[i], self.anchor_grid[i] = self._make_grid(nx, ny, i)

                y = x[i].sigmoid()
                if self.inplace:
                    y[..., 0:2] = (y[..., 0:2] * 2 - 0.5 + self.grid[i]) * self.stride[i]  # xy
                    y[..., 2:4] = (y[..., 2:4] * 2) ** 2 * self.anchor_grid[i]  # wh
                else:  # for YOLOv5 on AWS Inferentia https://github.com/ultralytics/yolov5/pull/2953
                    xy = (y[..., 0:2] * 2 - 0.5 + self.grid[i]) * self.stride[i]  # xy
                    wh = (y[..., 2:4] * 2) ** 2 * self.anchor_grid[i]  # wh
                    y = torch.cat((xy, wh, y[..., 4:]), -1)
                z.append(y.view(bs, -1, self.no))

        return x if self.training else (torch.cat(z, 1), x)

    def _make_grid(self, nx=20, ny=20, i=0):
        d = self.anchors[i].device
        if check_version(torch.__version__, '1.10.0'):  # torch>=1.10.0 meshgrid workaround for torch>=0.7 compatibility
            yv, xv = torch.meshgrid([torch.arange(ny).to(d), torch.arange(nx).to(d)], indexing='ij')
        else:
            yv, xv = torch.meshgrid([torch.arange(ny).to(d), torch.arange(nx).to(d)])
        grid = torch.stack((xv, yv), 2).expand((1, self.na, ny, nx, 2)).float()
        anchor_grid = (self.anchors[i].clone() * self.stride[i]) \
            .view((1, self.na, 1, 1, 2)).expand((1, self.na, ny, nx, 2)).float()
        return grid, anchor_grid

煤矿皮带跑偏撕裂智能检测系统基于计算机智能视觉分析，不需人工干预自动识别传送皮带跑偏撕裂等情况，当煤矿皮带跑偏撕裂智能检测系统检测出皮带跑偏撕裂后，立即反馈给负责人员提高人工监管效率。煤矿皮带跑偏撕裂智能检测系统提升了人工监管识别的效率，降低了误报漏报导致现场发生更大损失的可能。