来源：期刊VIP网 时间：
作者：曹帅;董立红;邓凡;高峰;
单位：西安科技大学计算机科学与技术学院;
摘要：目前的小目标检测方法虽然提高了小目标检测效果，但针对的多为常规场景，而煤矿井下环境恶劣，在井下小目标检测过程中存在小目标特征信息提取困难的问题。针对上述问题，提出了一种基于YOLOv7-SE的煤矿井下场景小目标检测方法。首先，将模拟退火（SA）算法与k-means++聚类算法融合，通过优化YOLOv7模型中初始锚框值的估计，准确捕捉井下小目标；然后，在YOLOv7骨干网络中增加新的检测层得到井下小目标高分辨率特征图，减少大量煤尘对井下小目标特征表示的干扰；最后，在骨干网络中的聚合网络模块后引入双层注意力机制，强化井下小目标的特征表示。实验结果表明：(1) YOLOv7-SE网络模型训练后的损失函数值稳定在0.05附近，说明YOLOv7-SE网络模型参数设置合理。(2)基于YOLOv7-SE网络模型的安全帽检测平均精度（AP）较FasterR-CNN, RetinaNet, CenterNet, FCOS, SSD, YOLOv5, YOLOv7分别提升了13.86%, 25.3%,16.13%,12.71%,15.53%,11.59%,12.20%。基于YOLOv7-SE网络模型的自救器检测AP较Faster R-CNN,RetinaNet, CenterNet, FCOS, SSD, YOLOv5, YOLOv7分别提升了12.37%, 20.16%, 15.22%, 8.35%, 19.42%,9.64%,7.38%。YOLOv7-SE网络模型的每秒传输帧数（FPS）较Faster R-CNN,RetinaNe,CenterNet,FCOS,SSD,YOLOv5分别提升了42.56,44.43,31.74,39.84,22.74,23.34帧/s，较YOLOv7下降了9.36帧/s。说明YOLOv7-SE网络模型保证检测速度的同时，有效强化了YOLOv7-SE网络模型对井下小目标的特征提取能力。(3)在对安全帽和自救器的检测中，YOLOv7-SE网络模型有效改善了漏检和误检问题，提高了检测精度。
关键词：煤矿井下;小目标检测;特征提取;YOLOv7;聚类分析;模拟退火
基金资助：陕西省自然科学基础研究计划项目（2019JLM-11）; 陕西省教育厅科研计划专项项目（8146119003）; 陕西省自然科学基金项目（2018JQ5095）
