欢迎访问《金属矿山》杂志官方网站,今天是 分享到:
×

扫码分享

金属矿山 ›› 2025, Vol. 54 ›› Issue (2): 172-.

• 机电与自动化 • 上一篇    下一篇

基于SCI-YOLOv8 的井下无人电机车低照度 目标检测技术

雷 杨1 何 江2 秦丽杰3 何文轩4 纪雅溟2 柳小波5   

  1. 1. 中国矿产资源集团有限公司,北京 100142;2. 北京科技大学土木与资源工程学院,北京 100083; 3. 辽宁省冶金地质四〇二队有限责任公司,辽宁 鞍山 114001;4. 鞍钢集团矿业有限公司,辽宁 鞍山 114001; 5. 辽宁科技大学智慧矿山研究院,辽宁鞍山 114001
  • 出版日期:2025-02-17 发布日期:2025-03-16

  • Online:2025-02-17 Published:2025-03-16

摘要: 在井下电机车无人驾驶障碍物检测任务中,由于光照不均、粉尘等因素的影响,电机车障碍物图像目标 检测系统会出现提取目标特征困难、目标识别精度降低等问题,易导致障碍物误检和漏检。针对上述问题,提出一种 基于SCI-YOLOv8 的低照度目标检测算法,将SCINet 自校正照明网络与YOLOv8 目标检测算法相融合,使YOLOv8 算 法更有利于低光照目标检测。并将LSKA 注意力机制嵌入到YOLOv8 网络中Head 部分C2f 的末端,降低计算和内存 成本的同时,保持了高效的图像处理能力。实验结果表明,本研究所提出的算法在公共低光数据集Exdark 目标检测 中,mAP@ 50 为57. 7%,mAP@ 50 ∶95 为35. 4%。相较于原始YOLOv8 目标检测算法mAP@ 50 提高了1 个百分点, mAP@ 50∶95 提高了1. 4 个百分点。在井下低光数据集LLP 目标检测中,SCI-YOLOv8 模型的mAP@ 50 达到97. 3%, mAP@ 50∶95 为68. 2%,相较于原始模型分别提高了3. 4 个百分点和8. 6 个百分点。本研究所提出的SCI-YOLOv8 算 法在低光场景的目标检测中具有优越性,能满足井下低光场景的目标检测任务要求,为井下电机车安全、高效、智能 运行提供了技术支撑。

关键词: YOLOv8 行人检测 注意力机制 低照度