.png){kind=icon}
返回
A small object detection algorithm for mine environment
.png){kind=icon}
PRE
AI
DOI：10.1016/j.engappai.2025.110936.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
地下矿山操作人员携带的防护装备检测是预防安全事故、保障人身生命财产安全的关键措施。然而，当前面临的挑战包括目标检测精度低和难以检测小目标，因此，我们提出了一种基于改进的You Only Look Once Version 8（YOLOv8）的矿山环境小目标检测算法。为最小化不同层级特征间的语义差距并增强特征融合效果，设计了渐近特征金字塔网络-四（AFPN-F）以替代YOLOv8的Neck组件，使检测模型能更好地适应不同层级的语义信息。为提升模型在矿山环境中对小目标的敏感度，在模型中增加了浅层特征输出层。此举有助于在连续卷积操作中避免丢失可能包含有限特征信息的小尺寸目标。为应对矿山环境中各类目标尺度差异显著的问题，引入了更聚焦的交并比损失函数（Focaler-IoU）。该改进旨在优化不同类型回归样本的处理，提高训练精度，并确保模型更专注于矿山环境中的小目标。实验结果表明，所提模型优于其他主流模型。与基准模型YOLOv8相比，平均精度均值（mAP）提升3.7%，参数量减少30%，模型体积仅5兆字节。本研究为地下矿山小目标检测提供了有效解决方案。
Keyword:
Mine environmental
Small object detection
Deep learning
Feature fusion
Loss function
You only look once