基于改进YOLOv8模型的井下人员入侵带式输送机危险区域智能识别

• Published in: 工矿自动化 Vol. 51; no. 1; pp. 11 - 103
• Main Authors: 毛清华, 苏毅楠, 贺高峰, 翟姣, 王荣泉, 尚新芒
• Format: Journal Article
• Language: Chinese
• Published: 陕西省矿山机电装备智能检测与控制重点实验室,陕西西安 710054%陕西小保当矿业有限公司,陕西榆林 719004%西安重装韩城煤矿机械有限公司,陕西韩城 715400 2025; 西安科技大学机械工程学院,陕西西安 710054
• Subjects: 煤矿带式输送机; C2fER模块; YOLOv8模型; 遮挡目标检测; 人员入侵危险区域; personnel intrusion into hazardous areas; coal mine belt conveyor; occluded target detection; 特征强化加权双向特征金字塔网络结构; multi-scale fusion; C2fER module; 小目标检测; 多尺度融合; YOLOv8 model; small target detection; Feature Enhancement Weighted Bi-Directional Feature Pyramid Network(FE-BiFPN)
• ISSN: 1671-251X
• DOI: 10.13272/j.issn.1671-251x.2024110002

TD528; 针对煤矿带式输送机场景存在尘雾干扰严重、背景环境复杂、人员尺度多变且易遮挡等因素导致人员入侵危险区域识别准确率不高等问题,提出一种基于改进YOLOv8模型的井下人员入侵带式输送机危险区域智能识别系统.改进YOLOv8模型通过替换主干网络C2f模块为C2fER模块,加强模型的细节特征提取能力,提升模型对小目标人员的识别性能;通过在颈部网络引入特征强化加权双向特征金字塔网络(FE-BiFPN)结构,提高模型的特征融合能力,从而提升模型对多尺度人员目标的识别效果;通过引入分离增强注意力模块(SEAM)增强模型在复杂背景下对局部特征的关注度,提升模型对遮挡目标人员的识别能力;通过引入WIoU损失函数增强训练效果,提升模型识别准确率.消融实验结果表明:改进YOLOv8模型的准确率较基线模型YOLOv8s提升2.3％,mAP@0.5提升3.4％,识别速度为104帧/s.人员识别实验结果表明:与YOLOv10m,YOLOv8s-CA、YOLOv8s-SPDConv和YOLO8n模型相比,改进YOLOv8模型对小目标、多尺度目标、遮挡目标的识别效果均更佳,识别准确率为90.2％,mAP@0.5为87.2％.人员入侵危险区域实验结果表明:井下人员入侵带式输送机危险区域智能识别系统判别人员入侵危险区域的平均准确率为93.25％,满足识别需求.