程学珍， 赵振国， 刘兴军， 李继明， 赵 猛

(1.山东科技大学 a.电气与自动化工程学院；b.电子信息工程学院，山东 青岛 266590；2.中国工商银行股份有限公司临沂分行，山东 临沂 276000)

0 引 言

煤矿粉尘的降尘处理是清洁、环保、安全地使用煤炭资源的重要保障，而自动粉尘检测是实现降尘过程的前提。传统的尘雾图像检测算法主要是基于尘雾的形状、色彩、纹理、飘动等特征进行识别。例如Genovese等[1-3]分别将尘雾的不同特征用于检测，但是检测模型存在难以充分提取特征的不足，在尘雾区域较小时，检测效果较差。

近年来，深度学习算法在目标识别与检测领域取得了突破性进展[4]，尘雾图像检测方面，目前应用比较广泛的是基于区域与基于回归两种算法。基于区域的算法又称为两阶段目标检测算法，如CNN[5-8]，Fast RCNN[9]，Faster RCNN[10-12]等。Frizzi等[6-7]分别将卷积神经网络用于尘雾图像检测，取得了比传统方法更好的效果；富雅捷等[8]使用卷积神经网络作为特征提取器，利用支持向量机训练；Zhang等[11-12]利用Faster R-CNN提取尘雾特定的详细特征，提高尘雾检测率。此类方法检测精度高，但检测速度较慢。基于回归的算法又被称为一阶段目标检测算法，如YOLOv4[13-14]、SSD[15]等。李海滨等[14]采用YOLOv4-tiny检测煤尘浓度,提高了检测速度；刘丽娟等[15]利用SSD对尘雾图像进行识别。此类方法运算速度更快，但检测精度略低于两阶段算法。由于煤矿井下粉尘图像背景复杂，现有算法中的卷积神经网络受到粉尘图像空间多样性的影响，不能同时兼顾检测精度与速度。……