基于改进YOLOv8n的煤矿井下受限场景目标检测算法
褚菲1
闫成浩2
张淇2
张勇2
李会军2
1.中国矿业大学信息与控制工程学院,江苏徐州 221116;中国矿业大学地下空间智能控制教育部工程研究中心,江苏徐州 2211162.中国矿业大学信息与控制工程学院,江苏徐州 221116
摘要：在煤矿井下受限场景中由于目标尺度变化复杂、目标部分被遮挡和有效特征提取困难,导致目标检测精度低.针对上述问题,提出一种基于改进YOLOv8n的煤矿井下受限场景目标检测算法.在主干特征提取网络采用感受野注意力卷积(RFAConv),更好地处理受限环境下的目标空间位置信息,并根据特征的重要性动态调整权重,从而更关注目标的关键特征;在颈部网络引入高效多尺度注意力(EMA)模块,融合不同尺度的特征信息,提高了对尺度变化目标的检测精度;将新型可变形卷积(DCNv3)与动态检测头(Dynamic Head)结合,通过将尺度感知注意力、空间感知注意力和任务感知注意力相统一,有助于模型关注空间尺度信息和适应不同的检测任务,提高了对多尺度目标和部分被遮挡目标的检测能力;引入考虑预测框权重分配的Unified-IOU(U-IOU)损失函数,通过动态调整在不同质量预测框上的关注度,使模型更专注于高质量预测框,提高模型的收敛速度和精度.实验结果表明,针对CUMT-BelT数据集,改进YOLOv8n在煤矿井下输送带异物检测中的mAP@0.5相较于YOLOv8n提高了 5.6％;针对DsLMF数据集,改进YOLOv8n在不同综采工作面作业场景下的总体mAP@0.5相较于YOLOv8n提高了 4.8％,有效减少了误检和重复检测的情况.
关键词：目标检测煤矿井下受限场景YOLOv8n感受野注意力卷积高效多尺度注意力可变形卷积动态检测头
分类号：TD67(矿山电工)
资助基金：国家自然科学基金(62533016)中央高校基础研究基金项目(2022ZZCX01K01)
论文发表日期：2025-08-30
在线出版日期：2025-09-18（本平台首次上网日期，不代表文献的发表时间）
页数：8( 43-50 )
英文信息