来源：期刊VIP网 时间：
作者：褚菲;闫成浩;张淇;张勇;李会军;
单位：中国矿业大学信息与控制工程学院;中国矿业大学地下空间智能控制教育部工程研究中心;
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
基金资助：国家自然科学基金重点项目（62533016）;; 中央高校基础研究基金项目（2022ZZCX01K01）
