基于改進(jìn)YOLOv8 模型的井下人員入侵帶式輸送機(jī)危險(xiǎn)區(qū)域智能識(shí)別

摘要：針對(duì)煤礦帶式輸送機(jī)場(chǎng)景存在塵霧干擾嚴(yán)重、背景環(huán)境復(fù)雜、人員尺度多變且易遮擋等因素導(dǎo)致人員入侵危險(xiǎn)區(qū)域識(shí)別準(zhǔn)確率不高等問題，提出一種基于改進(jìn)YOLOv8 模型的井下人員入侵帶式輸送機(jī)危險(xiǎn)區(qū)域智能識(shí)別系統(tǒng)。改進(jìn)YOLOv8 模型通過替換主干網(wǎng)絡(luò)C2f 模塊為C2fER 模塊，加強(qiáng)模型的細(xì)節(jié)特征提取能力，提升模型對(duì)小目標(biāo)人員的識(shí)別性能；通過在頸部網(wǎng)絡(luò)引入特征強(qiáng)化加權(quán)雙向特征金字塔網(wǎng)絡(luò)（FE?BiFPN） 結(jié)構(gòu)，提高模型的特征融合能力，從而提升模型對(duì)多尺度人員目標(biāo)的識(shí)別效果；通過引入分離增強(qiáng)注意力模塊（SEAM） 增強(qiáng)模型在復(fù)雜背景下對(duì)局部特征的關(guān)注度，提升模型對(duì)遮擋目標(biāo)人員的識(shí)別能力；通過引入WIoU 損失函數(shù)增強(qiáng)訓(xùn)練效果，提升模型識(shí)別準(zhǔn)確率。消融實(shí)驗(yàn)結(jié)果表明：改進(jìn)YOLOv8 模型的準(zhǔn)確率較基線模型YOLOv8s 提升2.3%， mAP@0.5 提升3.4%，識(shí)別速度為104 幀/s。人員識(shí)別實(shí)驗(yàn)結(jié)果表明：與YOLOv10m， YOLOv8s?CA、YOLOv8s?SPDConv 和YOLO8n 模型相比，改進(jìn)YOLOv8 模型對(duì)小目標(biāo)、多尺度目標(biāo)、遮擋目標(biāo)的識(shí)別效果均更佳，識(shí)別準(zhǔn)確率為90.2%，mAP@0.5 為87.2%。人員入侵危險(xiǎn)區(qū)域?qū)嶒?yàn)結(jié)果表明：井下人員入侵帶式輸送機(jī)危險(xiǎn)區(qū)域智能識(shí)別系統(tǒng)判別人員入侵危險(xiǎn)區(qū)域的平均準(zhǔn)確率為93.25%，滿足識(shí)別需求。

關(guān)鍵詞：煤礦帶式輸送機(jī)；人員入侵危險(xiǎn)區(qū)域；YOLOv8 模型；遮擋目標(biāo)檢測(cè)；小目標(biāo)檢測(cè)；多尺度融合；C2fER 模塊；特征強(qiáng)化加權(quán)雙向特征金字塔網(wǎng)絡(luò)結(jié)構(gòu)

中圖分類號(hào)：TD528 文獻(xiàn)標(biāo)志碼：A

0 引言

煤礦智能化是未來煤炭工業(yè)高質(zhì)量發(fā)展的核心支撐[1-2]，帶式輸送機(jī)的智能監(jiān)測(cè)是實(shí)現(xiàn)煤礦智能化的重要組成部分。帶式輸送機(jī)運(yùn)行時(shí)膠帶寬度范圍為危險(xiǎn)區(qū)域，人員誤入危險(xiǎn)區(qū)域可能造成人員傷亡，影響煤礦安全生產(chǎn)。但帶式輸送機(jī)所處環(huán)境復(fù)雜，塵霧干擾嚴(yán)重，人員尺度多變且易遮擋，導(dǎo)致人員入侵危險(xiǎn)區(qū)域的識(shí)別準(zhǔn)確率不高[3]。因此，研究井下人員入侵帶式輸送機(jī)危險(xiǎn)區(qū)域智能識(shí)別方法對(duì)保障帶式輸送機(jī)安全生產(chǎn)具有重要意義。

隨著視頻AI 識(shí)別與人員定位技術(shù)的發(fā)展，人員入侵智能識(shí)別成為研究熱點(diǎn)。在基于人員定位技術(shù)的人員入侵識(shí)別方面，K. Chan 等[4]利用全球定位系統(tǒng)技術(shù)建立危險(xiǎn)區(qū)域預(yù)警模型，根據(jù)可穿戴式設(shè)備獲取的人員位置與危險(xiǎn)區(qū)域的距離識(shí)別人員入侵；Huang Yusheng 等[5]利用低功率藍(lán)牙結(jié)合實(shí)時(shí)定位技術(shù)識(shí)別人員運(yùn)動(dòng)位置，實(shí)現(xiàn)人員入侵危險(xiǎn)區(qū)域檢測(cè)；Tang Qiang 等[6]提出一種基于電子圍欄的危險(xiǎn)區(qū)域檢測(cè)方法，通過分析已發(fā)送脈沖信號(hào)的反饋確定入侵信號(hào)的類型和位置，結(jié)合入侵視頻判定人員入侵。然而煤礦井下環(huán)境復(fù)雜，現(xiàn)有人員定位技術(shù)在煤礦井下復(fù)雜環(huán)境信號(hào)容易被干擾，動(dòng)態(tài)定位精度難以滿足井下人員入侵帶式輸送機(jī)危險(xiǎn)區(qū)域識(shí)別的要求。

在基于視頻AI 的人員入侵識(shí)別方面，吳浩楠等[7]提出利用改進(jìn)YOLOv8 模型實(shí)現(xiàn)對(duì)鐵路沿線攝像頭視角內(nèi)人員入侵的實(shí)時(shí)檢測(cè)；Mei Xinyu 等[8]提出一種采用YOLOv5 模型識(shí)別人員邊框關(guān)鍵點(diǎn)的方法，實(shí)現(xiàn)對(duì)建筑工地危險(xiǎn)區(qū)域入侵檢測(cè)；J. Park 等[9]采用基于卷積神經(jīng)網(wǎng)絡(luò)（Convolution Neural Network，CNN）的像素分類器對(duì)紅外圖像進(jìn)行人體檢測(cè)，實(shí)現(xiàn)危險(xiǎn)區(qū)域入侵識(shí)別；Cao Zhiwei 等[10]提出基于動(dòng)態(tài)入侵區(qū)域和輕量級(jí)神經(jīng)網(wǎng)絡(luò)的鐵路入侵檢測(cè)方法，實(shí)現(xiàn)對(duì)鐵路危險(xiǎn)區(qū)域在線檢測(cè)。上述研究可被概括為采用深度神經(jīng)網(wǎng)絡(luò)識(shí)別人員、采用入侵判別規(guī)則判斷入侵，然而煤礦井下人員檢測(cè)難度較大，識(shí)別精度較低，從而影響入侵檢測(cè)的準(zhǔn)確性。為提升人員識(shí)別的準(zhǔn)確率，邵小強(qiáng)等[11]采用融入Transformer 自注意力模塊的改進(jìn)ShuffleNetV2 代替YOLOv5s 主干網(wǎng)絡(luò)，將頸部網(wǎng)絡(luò)中的金字塔注意力網(wǎng)絡(luò)（PyramidAttention Network，PAN）替換為雙向特征金字塔網(wǎng)絡(luò)（Bi-directional Feature Pyramid Network， BiFPN） ， 提升人員目標(biāo)的特征提取和多尺度特征融合能力；ZhuJi 等[12]采用并行的多尺度檢測(cè)網(wǎng)絡(luò)和人體解析網(wǎng)絡(luò)，動(dòng)態(tài)調(diào)節(jié)預(yù)測(cè)特征圖的尺度和焦點(diǎn)，實(shí)現(xiàn)更全面的人員目標(biāo)檢測(cè)；戚玲瓏等[13]提出一種改進(jìn)YOLOv7檢測(cè)算法，通過改良主干網(wǎng)絡(luò)卷積模塊、融合注意力機(jī)制模塊及替換更有效的損失函數(shù)來提高對(duì)小尺度目標(biāo)的敏感度。張秀再等[14]提出一種改進(jìn)單步多框目標(biāo)檢測(cè)（Single Shot MultiBox Detector， SSD）網(wǎng)絡(luò)，通過在特征提取網(wǎng)絡(luò)中加入金字塔特征加強(qiáng)模塊，并利用上下文信息融合模塊以提升不同尺度特征的融合效果，提高行人特征表達(dá)能力；Han Zhixiong 等[15]提出一種多尺度多粒度順序網(wǎng)絡(luò)，利用多尺度感興趣區(qū)域特性，聚合多尺度特性聚合編碼器，增強(qiáng)語義信息提取能力，提升了對(duì)尺度變化顯著、存在遮擋目標(biāo)的檢測(cè)能力；陳偉等[16]提出基于YOLOv8 模型的改進(jìn)方法，將原有模型卷積替換為感受野注意卷積（Receptive Field Attention Convolution，RFAConv），引入高效多尺度注意力（Efficient Multiscale Attention，EMA）模塊實(shí)現(xiàn)人員特征的高效捕捉。現(xiàn)有研究在提升人員識(shí)別準(zhǔn)確率方面取得了一定成果，其中以YOLOv8模型為基礎(chǔ)的研究更為突出，但由于帶式輸送機(jī)周圍環(huán)境同時(shí)存在光照不均、設(shè)備遮擋、人員尺度多變等因素影響，目前對(duì)人員入侵帶式輸送機(jī)危險(xiǎn)區(qū)域的識(shí)別未能并行解決人員特征提取困難、多尺度特征融合效果不佳、遮擋及小目標(biāo)識(shí)別準(zhǔn)確率低等問題。

針對(duì)上述問題，本文以YOLOv8s 為基礎(chǔ)網(wǎng)絡(luò)，提出一種基于改進(jìn)YOLOv8 的井下人員入侵帶式輸送機(jī)危險(xiǎn)區(qū)域智能識(shí)別系統(tǒng)。通過引入C2fER 模塊、BiFPN 機(jī)制、分離增強(qiáng)注意力模塊（Separated andEnhancement Attention Module，SEAM）和WIoU 損失函數(shù)，提升模型特征提取和融合能力，提高對(duì)多尺度人員目標(biāo)的識(shí)別效果，以及小目標(biāo)及遮擋人員識(shí)別準(zhǔn)確率。

1 系統(tǒng)結(jié)構(gòu)

井下人員入侵帶式輸送機(jī)危險(xiǎn)區(qū)域智能識(shí)別系統(tǒng)主要包括圖像采集模塊、危險(xiǎn)區(qū)域標(biāo)定模塊、人員檢測(cè)模塊和入侵判別模塊4 個(gè)部分， 如圖1 所示。首先，圖像采集模塊采集人員實(shí)時(shí)視頻數(shù)據(jù)，并采用基于邊界約束和非線性上下文正則化的去霧去塵方法[17]對(duì)圖像進(jìn)行去霧增強(qiáng)預(yù)處理；其次，危險(xiǎn)區(qū)域標(biāo)定模塊讀取帶式輸送機(jī)區(qū)域所有監(jiān)控?cái)z像頭圖像，根據(jù)不同圖像視角依次進(jìn)行危險(xiǎn)區(qū)域標(biāo)注，并保存危險(xiǎn)區(qū)域信息；然后，人員檢測(cè)模塊進(jìn)行人員在線智能識(shí)別，保存人員錨框關(guān)鍵點(diǎn)信息；最后，入侵判別模塊分別讀取人員錨框關(guān)鍵點(diǎn)及對(duì)應(yīng)的危險(xiǎn)區(qū)域像素坐標(biāo)信息，根據(jù)入侵判別規(guī)則判斷是否入侵，若出現(xiàn)人員入侵異常則發(fā)出報(bào)警信號(hào)，并將異常狀態(tài)信息傳入數(shù)據(jù)庫進(jìn)行信息存儲(chǔ)管理。

2 系統(tǒng)實(shí)現(xiàn)

2.1 井下人員智能識(shí)別

2.1.1 改進(jìn)YOLOv8 模型結(jié)構(gòu)

YOLOv8[18]具有良好的泛化性和較快的處理速度，但在煤礦帶式輸送機(jī)復(fù)雜運(yùn)行環(huán)境中，人員姿態(tài)多樣、尺度不一，并且存在設(shè)備遮擋等情況，導(dǎo)致識(shí)別人員入侵危險(xiǎn)區(qū)域困難。本文以YOLOv8s 網(wǎng)絡(luò)為基礎(chǔ)，針對(duì)多尺度融合和遮擋小目標(biāo)檢測(cè)問題，提出改進(jìn)YOLOv8 模型，其整體結(jié)構(gòu)如圖2 所示。針對(duì)小目標(biāo)檢測(cè)精度較低問題，在主干網(wǎng)絡(luò)中嵌入C2fER模塊，強(qiáng)調(diào)感受野內(nèi)部不同特征之間的差異，增強(qiáng)模型細(xì)節(jié)特征表達(dá)能力。針對(duì)人員目標(biāo)尺度跨幅較大問題，在頸部網(wǎng)絡(luò)融合改進(jìn)BiFPN 結(jié)構(gòu)，促進(jìn)多尺度特征融合，增強(qiáng)模型對(duì)不同尺度人員目標(biāo)的特征識(shí)別能力；針對(duì)遮擋人員識(shí)別困難問題，通過在頸部網(wǎng)絡(luò)中引入SEAM，在多個(gè)尺度上捕捉遮擋人員可見部分特征，削弱背景冗余信息干擾，提高遮擋人員的檢測(cè)精度。針對(duì)訓(xùn)練數(shù)據(jù)集難易樣本分布不均、標(biāo)注質(zhì)量不穩(wěn)定問題，使用WIoU 損失函數(shù)均衡人員難易樣本，提升模型整體訓(xùn)練效果。