基于DYCS-YOLOv8n的井下无人驾驶电机车多目标检测
许谨辉1
王文善1
王爽2
王文钺1
赵婷婷1
1.安徽理工大学煤炭无人化开采数智技术全国重点实验室,安徽淮南 232001;安徽理工大学机电工程学院,安徽淮南 2320012.安徽理工大学煤炭无人化开采数智技术全国重点实验室,安徽淮南 232001;安徽理工大学矿山智能技术与装备省部共建协同创新中心,安徽淮南 232001;安徽理工大学机电工程学院,安徽淮南 232001
摘要：针对井下无人驾驶电机车因光线暗、噪声大及运动模糊等因素导致图像特征难提取、细节易丢失、小尺寸目标难识别等问题,提出了一种基于DYCS-YOLOv8n的井下无人驾驶电机车多目标检测模型.在YOLOv8n的基础上引入卷积注意力模块(CBAM),通过空间和通道双重注意力机制,提高了对关键特征的提取能力;增加小目标检测层,由原来的3层增加到4层,从而更好地提取细小特征,提升了对小尺寸目标的检测性能;采用动态上采样算子DySample,根据输入特征自适应地调整采样策略,更好地保留图像中的边缘和局部细节,避免了图像关键信息损失.采用自建的井下无人驾驶电机车数据集进行实验,结果表明:①DYCS-YOLOv8n模型的平均精度均值(mAP@0.5)达97.5％,较YOLOv8n模型提高了 3.4％,且检测速度达46.35帧/s,满足实时性检测需求.②与YOLO系列主流目标检测模型相比,DYCS-YOLOv8n模型的mAP@0.5最优,在保持轻量化的同时保证了较快的计算速度.③在噪声、低光照等复杂井下场景下,DYCS-YOLOv8n模型对行人、轨道、信号灯的平均检测置信度较高,未出现漏与误检情况.
关键词：井下无人驾驶电机车多目标检测YOLOv8n卷积注意力机制小目标检测动态上采样
分类号：TD64(矿山电工)
资助基金：国家自然科学基金(52274152)安徽省智能矿山技术与装备工程研究中心开放基金项目(AIMTEERC202405)安徽理工大学高层次引进人才科研启动基金(2023yjrc95)
论文发表日期：2025-04-30
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：8( 86-92,130 )
英文信息