中国安全科学学报

作者：张淼, 王孝军, 雷经发, 赵汝海, 李永玲

单位：1 安徽建筑大学 机械与电气工程学院,安徽 合肥 230601；2 工程机械智能制造安徽省教育厅重点实验室,安徽 合肥 230601；3 过程装备与控制工程四川省高校重点实验室,四川 自贡 643000

关键词：轻量化,神经网络,深度相机,目标检测,目标定位,安全预警

基金：安徽高校自然科学研究重大项目(KJ2021ZD0068); 安徽高校协同创新项目(GXXT2022-019); 过程装备与控制工程四川省高校重点实验室开放基金资助(GK202308)

为防止矿工误入危险区域,提出一种YOLOv5s-MPD轻量化井下矿工目标检测模型,并结合深度相机定位矿工目标,实时检测矿工是否进入危险区域。首先,使用MobileNetv3轻量化神经网络作为主干特征提取网络,大幅降低模型体积;其次,引入极化自注意力模块(PSA),增强目标的感知能力;最后,采用可变形卷积网络(DCNv2)替代特征融合层中C3模块的标准卷积,解决常规卷积丢失部分特征信息的问题,利用改进模型结合深度相机获取的彩色图像检测矿工目标,并得到目标中心点的空间三维坐标。结果表明:改进模型相比于YOLOv5s,参数量和计算量分别减少83.54%和77.03%,模型体积大小仅为3.4 MB,检测速度为70.2帧/s,提升54.97%,平均精度均值(mAP)为0.825。与主流目标检测模型相比,改进模型的参数量、计算量、模型体积、检测速度和mAP较为均衡。在实际定位精度试验中,1~8 m范围内测得相机与矿工目标间距离的平均绝对误差和平均相对误差分别为0.11 m和1.74%;最大绝对误差和最大相对误差分别为0.25 m和2.96%。在动态检测中,均能检测到矿工目标并输出其位置信息,检测成功率达97.5%。

来源：2025年第3期

《中国安全科学学报》期刊编辑部

查看中国安全科学学报杂志2025年第3期