来源：期刊VIP网 时间：
作者：董芳凯;赵美卿;黄伟龙;
单位：山西工程技术学院机械工程系;中北大学机械工程学院;中国科学院海西研究院泉州装备制造研究中心;
摘要：煤矿井下环境复杂，对部分作业现场人员行为进行检测时易出现漏检与误检问题。针对该问题，提出了一种煤矿井下暗光环境人员行为检测方法，包括暗光环境图像增强和行为检测2个部分。暗光环境图像增强基于自校准光照学习（SCI）进行改进，由图像增强网络和校准网络构成。人员行为检测通过引入Dynamic Head检测、跨尺度融合模块和Focal-EIoU损失函数来改进YOLOv8n模型。SCI+网络增强后的图像作为人员行为检测模型检测的对象，完成井下暗光环境人员行为的检测任务。实验结果表明：(1)井下暗光环境人员行为检测方法的m AP@0.5为87.6%，较YOLOv8n提升了2.5%，较SSD,Faster RCNN,YOLOv5s,RT-DETR-L分别提升了15.7%,11.5%,0.9%,4.3%。(2)井下暗光环境人员行为检测方法的参数量为3.6×106个，计算量为11.6×109，检测速度为95.24帧/s。(3)在公开数据集EXDark上，井下暗光环境人员行为检测方法的mAP@0.5为74.7%，较YOLOv8n提升了1.5%，表明该方法具有较强的泛化能力。
关键词：暗光环境;井下人员行为检测;自校准光照学习;图像增强;SCI+网络;Dynamic Head;跨尺度融合模块;Focal-EIoU损失函数;YOLOv8n
基金资助：山西省教育厅2022年度高等学校科技创新项目（2022L704）; 阳泉市科技计划项目（2022JH051）
