露天矿无人矿车道路障碍端到端多目标检测研究
崔智翔1
江松2
毛晶3
孔若男4
王靖5
1.西安建筑科技大学 资源工程学院,陕西 西安 710055;中国矿业大学 煤炭精细勘探与智能开发全国重点实验室,江苏 徐州 2211162.西安建筑科技大学 资源工程学院,陕西 西安 710055;中国矿业大学 煤炭精细勘探与智能开发全国重点实验室,江苏 徐州 221116;金属矿山安全与健康国家重点实验室,安徽 马鞍山 2430003.西安优迈智慧矿山科技有限公司,陕西 西安 7100754.深圳市中金岭南有色金属股份有限公司,广东 深圳 5123255.中钢集团马鞍山矿山研究总院股份有限公司,安徽 马鞍山 243000
摘要：采矿工程正在快速向自动化、智能化方向发展,智慧矿山建设已成为未来趋势,其中露天矿区无人矿车的多目标环境感知是无人化运输的关键步骤.针对复杂非结构化道路中的碾压坑洼、水坑、车辆及人员等多元障碍物带来的安全风险,现有端到端算法在露天矿动态复杂环境中面临小目标信息丢失、多尺度特征融合不足、样本不均衡以及模型复杂度与精度难以兼顾的挑战.为此,提出面向露天矿无人矿车的端到端多目标检测模型You Only Look Once-Mine Multi-target Detection(YOLO-MMD):对于露天矿非结构地形所引起的观测像素信息缺失问题,通过引入Space-to-Depth Convolution(SPD-Conv),将图像空间信息转化为深度信息,有效保留非结构化场景中小目标的细粒度感知能力,同时提升计算效率;为提高上下文信息的有效利用,在检测层嵌入Efficient Multi-Scale Attention(EMA),实现像素级跨通道交互与空间信息聚合,增强多尺度特征融合能力且不显著增加计算负担;此外,考虑露天矿不同障碍物目标对象的样本不均衡问题,设计In-Focaler-IoU损失函数,在关注稀少目标样本的同时配合辅助边界框,提升边界框回归效率与收敛速度.研究结果显示,YOLO-MMD模型可有效检测存在遮挡、模糊等复杂条件下的多目标对象,且在检测精度与模型复杂度间实现了最优平衡——其mAP(平均精度均值)达 0.939,模型大小仅 4.56 MB,浮点运算量为 5.8 G.这一性能表现为无人矿车的安全行驶提供了可靠的环境感知解决方案.
关键词：矿山无人驾驶多目标检测YOLO矿山计算机视觉环境感知
分类号：TD624(矿山电工)
资助基金：国家自然科学基金(52374136)中国矿业大学煤炭精细勘探与智能开发全国重点实验室开放研究课题资助项目(SKLCRSM23KFO1C)
论文发表日期：2025-09-30
在线出版日期：2025-09-12（本平台首次上网日期，不代表文献的发表时间）
页数：9( 16-24 )
英文信息