-
题名煤矿井下暗光环境人员行为检测研究
- 1
-
-
作者
董芳凯
赵美卿
黄伟龙
-
机构
山西工程技术学院机械工程系
中北大学机械工程学院
中国科学院海西研究院泉州装备制造研究中心
-
出处
《工矿自动化》
北大核心
2025年第1期21-30,144,共11页
-
基金
山西省教育厅2022年度高等学校科技创新项目(2022L704)
阳泉市科技计划项目(2022JH051)。
-
文摘
煤矿井下环境复杂,对部分作业现场人员行为进行检测时易出现漏检与误检问题。针对该问题,提出了一种煤矿井下暗光环境人员行为检测方法,包括暗光环境图像增强和行为检测2个部分。暗光环境图像增强基于自校准光照学习(SCI)进行改进,由图像增强网络和校准网络构成。人员行为检测通过引入Dynamic Head检测、跨尺度融合模块和Focal-EIoU损失函数来改进YOLOv8n模型。SCI+网络增强后的图像作为人员行为检测模型检测的对象,完成井下暗光环境人员行为的检测任务。实验结果表明:(1)井下暗光环境人员行为检测方法的m AP@0.5为87.6%,较YOLOv8n提升了2.5%,较SSD,Faster RCNN,YOLOv5s,RT-DETR-L分别提升了15.7%,11.5%,0.9%,4.3%。(2)井下暗光环境人员行为检测方法的参数量为3.6×106个,计算量为11.6×109,检测速度为95.24帧/s。(3)在公开数据集EXDark上,井下暗光环境人员行为检测方法的mAP@0.5为74.7%,较YOLOv8n提升了1.5%,表明该方法具有较强的泛化能力。
-
关键词
暗光环境
井下人员行为检测
自校准光照学习
图像增强
SCI+网络
Dynamic
Head
跨尺度融合模块
Focal-EIoU损失函数
YOLOv8n
-
Keywords
low-light environment
underground mine worker behavior detection
self-calibrated illumination learning
image enhancement
SCI+network
Dynamic Head
cross-scale fusion module
Focal-EIoU loss function
YOLOv8n
-
分类号
TD67
[矿业工程—矿山机电]
-
