查看更多>>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:①YOLOv7-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Faster R-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.