来源：期刊VIP网 时间：
作者：潘红光;卫泽尘;雷心宇;姚超修;蒋泽;张立斌;
单位：西安科技大学电气与控制工程学院;中煤科工集团常州研究院有限公司;天地(常州)自动化股份有限公司;
摘要：基于深度学习的人员行为识别方法在煤矿井下应用存在对多类别行为识别缺乏系统性分类架构、光线昏暗和低清晰度图像导致细节丢失、矿工姿态和视角差异引发特征形变等问题。提出一种煤矿井下人员行为识别模型CoordEF-YOLOv9t。该模型分别从边缘细节与空间位置特征提取2个方面对YOLOv9t进行改进：YOLOv9t中RepNCSPELAN4模块的卷积操作在捕捉细微或模糊边缘时易导致细节模糊，针对该问题，设计了融合Sobel算子的边缘特征提取模块（EFEM），在RepNCSPELAN4模块中嵌入EFEM，增强主干网络与颈部网络对人体边缘细节的感知能力。传统卷积神经网络难以感知位置信息并充分学习人员位置与动作的空间特征，针对该问题，在颈部网络末端引入坐标卷积，提升模型对人员行为位置信息的感知能力。实验结果表明，CoordEFYOLOv9t精确率P为73.4%，召回率R为73.7%,m AP@0.5为74.8%,mAP@0.5:0.95为61.1%，相较于YOLOv9t分别提升1.2%,3.2%,1.0%,2.1%；与RT-DETR,YOLOv11,YOLOv12等主流模型相比，CoordEF-YOLOv9t综合性能更优，能更精准地识别煤矿井下人员行为。
关键词：井下人员行为识别;;YOLOv9t;;边缘特征提取;;空间位置特征提取;;Sobel算子;;坐标卷积
基金资助：国家自然科学基金联合基金（区域创新发展联合基金）重点支持项目（U24A2092）;; 陕西省教育厅科学研究计划服务地方专项——产业化培育项目（23JC049）;; 天地（常州）自动化股份有限公司科研项目（2024GY0002）
