来源：期刊VIP网 时间：
作者：许谨辉;王文善;王爽;王文钺;赵婷婷;
单位：安徽理工大学煤炭无人化开采数智技术全国重点实验室;安徽理工大学机电工程学院;安徽理工大学矿山智能技术与装备省部共建协同创新中心;
摘要：针对井下无人驾驶电机车因光线暗、噪声大及运动模糊等因素导致图像特征难提取、细节易丢失、小尺寸目标难识别等问题，提出了一种基于DYCS-YOLOv8n的井下无人驾驶电机车多目标检测模型。在YOLOv8n的基础上引入卷积注意力模块（CBAM），通过空间和通道双重注意力机制，提高了对关键特征的提取能力；增加小目标检测层，由原来的3层增加到4层，从而更好地提取细小特征，提升了对小尺寸目标的检测性能；采用动态上采样算子DySample，根据输入特征自适应地调整采样策略，更好地保留图像中的边缘和局部细节，避免了图像关键信息损失。采用自建的井下无人驾驶电机车数据集进行实验，结果表明：(1) DYCS-YOLOv8n模型的平均精度均值(mAP@0.5)达97.5%，较YOLOv8n模型提高了3.4%，且检测速度达46.35帧/s，满足实时性检测需求。(2)与YOLO系列主流目标检测模型相比，DYCS-YOLOv8n模型的mAP@0.5最优，在保持轻量化的同时保证了较快的计算速度。(3)在噪声、低光照等复杂井下场景下，DYCS-YOLOv8n模型对行人、轨道、信号灯的平均检测置信度较高，未出现漏与误检情况。
关键词：井下无人驾驶;电机车;多目标检测;YOLOv8n;卷积注意力机制;小目标检测;动态上采样
基金资助：国家自然科学基金面上项目（52274152）; 安徽省智能矿山技术与装备工程研究中心开放基金项目（AIMTEERC202405）; 安徽理工大学高层次引进人才科研启动基金项目（2023yjrc95）
