基于改进YOLOv7的矿井人员检测算法

摘要

矿井人员的实时检测是建设智慧矿山必不可少的内容，通过视频监测井下人员，从而实现危险区域预警及联动控制，对于矿井安全生产具有重要意义。现阶段可见光图像识别技术针对井下昏暗环境中人员的辨识还有待完善。针对井下光照不均、煤尘干扰严重导致监控视频存在噪声多、图像模糊等问题，提出一种改进YOLOv7的矿井人员检测算法。首先，针对ELAN模块直接拼接形成通道隔离的问题，提出基于通道重组与特征关注的复杂场景检测方式；其次，针对特征融合结果未侧重预期目标且模型缺乏针对性策略提升小目标检测性能，在颈部多尺度融合网络添加ACmix模块，兼顾全局特征和局部特征，提升了算法对小目标的检测能力；最后，引入Efficient IOU Loss提升算法收敛速度的同时减小目标框及先验框高度和宽度的差值，实现更加精准的定位。通过公开行人数据集及自建矿井人员检测数据集验证表明：该算法较YOLOv7模型相比，检测精度提升了3.1%，达到89.4%；召回率提升了3.8%，达到86.4%；速度提升了15.8%，达到68.8FPS；满足矿井人员实时检测的工作要求。

关键词

矿井人员检测 / YOLOv7 / 自注意力 / ACmix / 损失函数

基金资助

国家自然科学基金（52174198）