摘要
随着科学技术的不断发展，传统煤矿行业正逐渐向以“智能与安全”为核心的智慧矿山转型。安全生产始终是煤矿生产行业的重中之重，其中矿工佩戴的安全帽以及井下电力人员所佩戴的绝缘手套、绝缘靴等安全装备是保障人员安全的最重要措施之一。由于煤矿井下环境不同于地上，现有的人员安全装备穿戴检测方法在井下应用时效果并不理想。因此本文使用基于深度学习的井下人员安全装备穿戴检测方法对上述问题展开研究。 首先，由于没有公开的井下人员安全装备数据集，本文自建了井下安全帽数据集（N数据集）以及包含安全帽、绝缘手套、绝缘靴的井下电力人员作业装备数据集（P数据集）。针对现有算法在井下灯光昏暗和背景复杂环境下对人员安全装备检测精度低，漏检率高的问题。本文提出一种井下人员安全装备穿戴检测算法YOLO-FB。该算法引入四尺度检测机制，并借鉴BiFPN特征融合的理念，新增了两个横跨不同尺度的特征融合路径，显著提升了对绝缘手套等小目标的识别准确度，并增强了在复杂背景下的检测能力。此外，算法通过引入Focal-EIoU损失函数，优化了训练过程中的反馈机制，使得模型在小目标的训练和优化方面表现得更加精确。实验结果表明，YOLO-FB算法在N数据集和P数据集上均表现良好，平均检测精度均值达到93.5％和90.3％。 针对YOLO-FB网络模型较大，难以在边缘设备上部署的问题，本文进一步进行轻量化改进得到GS-YOLO-FB算法，算法将轻量化网络GhostNet中的GhostConv模块融入YOLO-FB算法，并构建基于CSP结构的C3Ghost模块，实现了模型参数的大幅压缩和计算速度的显著提升;在颈部网络中加入混洗注意力模块，使网络在进行特征提取之后能够进一步聚焦于感兴趣的目标，同时抑制无关信息的干扰。实验结果表明，GS-YOLO-FB算法在保持与YOLO-FB网络精度相近的同时，检测速度达到73.7帧/秒，满足实时性与实际部署需求。 在 NVIDIA Jetson Nano 上使用 TensorRT 和 DeepStream 对 GS-YOLO-FB 模型进行实际部署测试，结果表明该部署方案可以有效满足煤矿对于井下人员安全装备穿戴检测实时性的需求，对于提升煤矿安全生产水平具有重要意义。
NETL