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