类型a：这篇文档报告了一项原创研究，因此属于类型a。

主要作者和研究机构
本研究的主要作者包括吴立刚（Ligang Wu）、陈乐（Le Chen）、李家龙（Jialong Li）、石建华（Jianhua Shi）和万加福（Jiafu Wan），他们分别来自山西大同大学机械与电气工程学院、山西大同大学煤炭工程学院以及华南理工大学机械与汽车工程学院。该研究发表于2024年的《测量科学与技术》（Measurement Science and Technology）期刊上。

学术背景
本研究的领域是计算机视觉与深度学习在工业应用中的结合，特别是针对煤矿运输过程中块煤（lump coal）的实时监测问题。块煤由于体积大、质量重，在煤矿输送带运行中可能造成堵塞甚至损坏设备，从而带来安全隐患和经济损失。传统方法依赖人工识别，效率低下且易受地下工作环境（如低光照和高粉尘）干扰。因此，开发一种低成本、高效且智能化的块煤检测方法成为迫切需求。

本研究旨在通过改进YOLOv8（You Only Look Once version 8）算法，提出一种名为SNW YOLOv8的新模型，以实现对块煤的高精度实时监测。具体目标包括提高模型对低分辨率小目标的检测能力、优化模型的轻量化设计以便于嵌入式部署，以及提升模型在复杂环境下的鲁棒性和泛化能力。

研究流程
本研究的工作流程分为以下几个步骤：

1. 数据收集与预处理
   研究团队从中国山西省某煤矿采集了用于训练和测试的数据集，使用KBA127A防爆摄像机拍摄图像，分辨率为640×640 DPI。数据集中包含800张训练图像、200张验证图像和200张测试图像。为减少运动模糊和提升图像对比度，采用自适应直方图均衡化（Adaptive Histogram Equalization, AHE）对图像进行预处理。标注工作由专业人员完成，标注信息保存为YOLO格式。

2. 模型架构设计
   SNW YOLOv8模型基于YOLOv8进行改进，包含四个主要部分：输入层、特征提取网络、特征融合网络和输出层。

   • 特征提取网络：引入了Space-to-Depth Convolution（SPD-Conv）模块，用于提取低分辨率小目标的特征。SPD-Conv通过将特征图划分为多个子特征图并沿通道维度拼接，减少了信息损失。
     
   • 注意力机制：结合Normalization-based Attention Module（NAM），通过批归一化（Batch Normalization, BN）调整权重稀疏性，增强模型对关键特征的关注。
     
   • 损失函数优化：采用Wise-IoU v3（WIoU v3）损失函数，通过动态聚焦机制减少距离和宽高比惩罚项的干扰，同时提升定位性能。
     

3. 实验设置
   实验在Windows 10系统上进行，硬件配置包括Intel Core i9-10900K CPU和NVIDIA GeForce RTX 4090 GPU。深度学习框架为PyTorch 2.0.1，编程语言为Python 3.9。超参数经过优化，包括学习率设为0.1、批量大小为16、训练轮数为500等。

4. 模型评估
   使用多种指标对模型性能进行评估，包括精确率（Precision, P）、召回率（Recall, R）、平均精度均值（mAP@0.5 和 mAP@0.5:0.95）、F1分数以及每秒帧率（Frames Per Second, FPS）。此外，还进行了消融实验（Ablation Study）以验证各模块的有效性，并与其他主流目标检测算法（如YOLOv3、YOLOv5、YOLOv7等）进行对比分析。

主要结果
1. SNW YOLOv8的性能提升
实验结果显示，SNW YOLOv8在精确率和召回率方面分别比原始YOLOv8提升了15.82%和11.71%，达到69.83%和63.13%。mAP@0.5和mAP@0.5:0.95分别提高了17.77%和30.43%。此外，SNW YOLOv8的实时检测速度达到192.93 FPS，比YOLOv8快39.10%。

1. 消融实验结果
   消融实验表明，SPD-Conv显著提升了模型对小目标的召回率，NAM机制使精确率提高了5.83%，而WIoU v3则全面提升了模型性能。综合使用这三个模块后，模型的谐波均值（Harmonic Mean, F1）达到0.63，为所有对比模型中的最高值。

2. 与其他注意力机制的比较
   在与SE、CBAM、CA、ECA和LSK等注意力机制的对比中，NAM表现出更高的检测速度（192.93 FPS）和更高的精确率（分别高出2.80%至12.34%）。此外，NAM的召回率也优于其他机制，进一步证明其在块煤检测中的优越性。

3. 轻量化优势
   SNW YOLOv8的参数量仅为6.04百万，模型体积压缩至12.3 MB，远低于其他主流模型（如YOLOv5的92.7 MB）。这使其更适合在资源受限的矿井环境中部署。

结论与意义
本研究成功开发了一种改进的SNW YOLOv8模型，用于煤矿输送带上块煤的实时监测。该模型在检测精度、实时性和轻量化设计方面均表现出色，具有重要的科学价值和应用前景。

科学价值体现在三个方面：
1. 提出了SPD-Conv模块，有效解决了低分辨率小目标检测难题；
2. 引入了NAM机制，增强了模型对关键特征的提取能力；
3. 优化了WIoU v3损失函数，显著提升了模型的定位性能。

应用价值在于，SNW YOLOv8能够快速准确地检测块煤，从而预防输送带故障，降低煤矿生产中的安全风险和经济损失。此外，该模型的轻量化设计使其易于嵌入智能监控系统，为煤矿智能化提供了新思路。

研究亮点
1. 创新性地结合SPD-Conv、NAM和WIoU v3模块，显著提升了模型性能；
2. 首次在块煤检测任务中实现了高精度（69.83%）和高速度（192.93 FPS）的平衡；
3. 成功将模型参数量压缩至6.04百万，体积仅为12.3 MB，适合嵌入式部署；
4. 通过消融实验验证了各模块的独立贡献，为后续研究提供了参考依据。

其他有价值内容
研究团队还将SNW YOLOv8集成到一个基于PyQt5和OpenCV的实时监控系统中，展示了其在实际应用中的可行性。未来研究计划包括改进运动模糊图像的去模糊算法，以及进一步优化模型在复杂环境中的鲁棒性和精度。