基于改進YOLOv8n 的井下人員多目標檢測

摘要：針對井下危險區域人員監測視頻存在光照不均勻、目標尺度不一致、遮擋等復雜情況，基于YOLOv8n 網絡結構，提出一種改進的井下人員多目標檢測算法—YOLOv8n?MSMLAS。該算法對YOLOv8n 的Neck 層進行改進，添加多尺度空間增強注意力機制（MultiSEAM），以增強對遮擋目標的檢測性能；在C2f 模塊中引入混合局部通道注意力（MLCA）機制，構建C2f?MLCA 模塊，以融合局部和全局特征信息，提高特征表達能力；在Head 層檢測頭中嵌入自適應空間特征融合（ASFF）模塊，以增強對小尺度目標的檢測性能。實驗結果表明：① 與Faster R?CNN，SSD，RT?DETR，YOLOv5s，YOLOv7 等主流模型相比，YOLOv8n?MSMLAS 綜合性能表現最佳，mAP@0.5 和mAP@0.5：0.95 分別達到93.4% 和60.1%，FPS 為80.0 幀/s，參數量為5.80×106 個，較好平衡了模型的檢測精度和復雜度。② YOLOv8n?MSMLAS 在光照不均、目標尺度不一致、遮擋等條件下表現出較好的檢測性能，適用于現場檢測。

關鍵詞：煤礦井下危險區域；井下人員多目標檢測；YOLOv8n；多尺度空間增強注意力機制；自適應空間特征融合；輕量化混合局部通道注意力機制

中圖分類號：TD323 文獻標志碼：A

0 引言

煤礦井下作業環境復雜多變，存在諸多安全隱患，一些危險區域如瓦斯等有害氣體超標區域、重要設備區域、絞車運行的斜巷等，一般禁止人員進入。由于井下環境的特殊性，依賴人工查看危險區域監控視頻的告警方式不能達到理想效果。隨著深度學習技術的不斷成熟，采用基于深度學習的計算機視覺算法對井下危險區域的人員進行實時監測，已成為確保煤礦安全生產的重要手段。