点击蓝字

关注我们

关注并星标

从此不迷路

计算机视觉研究院

公众号ID｜计算机视觉研究院

学习群｜扫码在主页获取加入方式

https://pmc.ncbi.nlm.nih.gov/articles/PMC12987068/pdf/sensors-26-01646.pdf

计算机视觉研究院专栏

Column of Computer Vision Institute

煤矿井下环境复杂，光线差、粉尘大、目标小，传统检测模型容易漏检、误检，给矿工安全带来隐患。针对这些痛点，本文提出的CGALS‑YOLO模型，基于 YOLOv8 优化，精准实现井下人员安全帽、自救器佩戴合规检测，为智能矿山安全监管提供硬核方案。

PART/1

    痛点   

井下安全检测，到底难在哪？

煤矿井下作业，人员安全是底线。随着矿山智能化推进，AI 视频识别成为违规监管的重要手段，但落地面临三大难题：

1. 环境恶劣：光照不足、粉尘干扰，图像对比度低、噪声多
2. 背景杂乱：设备、管道与衣物颜色相近，目标易被淹没
3. 目标复杂：防护装备尺度变化大，小目标细节易丢失，漏检、误检频发

现有 YOLO 系列模型虽轻量化、速度快，但多尺度特征融合易引入冗余背景，检测头参数冗余，在井下复杂场景仍有提升空间。

PART/2

     核心   

团队以YOLOv8n为基线，从特征融合和检测头两大维度升级，打造轻量化高精度检测模型。

1. CGAFusion：内容引导特征融合，精准抓重点

在网络 Neck 端加入CGAFusion 模块，解决传统特征拼接冗余问题：

• 融合通道 + 空间 + 像素三重注意力，自适应对齐同尺度多路径特征

• 强化浅层细节与深层语义特征协同，抑制背景干扰

• 重点提升小目标（自救器、远端安全帽）感知能力，降低漏检

【CGAFusion 模块架构图】

2. LSCD：轻量共享卷积检测头，降参不降准

在检测头端替换为LSCD 结构，实现轻量化与稳定性兼顾：

• 跨尺度共享卷积参数，减少重复学习，参数大幅降低

• 用组归一化替代批归一化，适配井下小样本、小批次训练

• 加入可学习尺度层，自适应不同目标回归，提升多尺度检测一致性

【LSCD 检测头架构图】

3. 联合优化：CGALS‑YOLO 整体架构

两大模块协同，Neck 端强化特征质量，检测头提升判别效率，不增复杂度、大幅提性能。

【CGALS‑YOLO 整体网络架构图】

PART/3

     实验    

实验验证：精度飙升，轻量易部署

团队构建井下防护装备佩戴数据集（4832 张图像，覆盖戴帽、未戴帽、戴自救器三类），在 GTX 1050 Ti 平台完成测试。

1. 核心指标：全面超越基线 YOLOv8n

• 精度（Precision）：91.3%，提升 4.6%

• 召回率（Recall）：85.1%，提升 3.1%

• mAP@0.5：89.4%，提升 2.9%

• 参数减少23.9%，计算量降低 20.7%，速度达66.5 FPS，满足实时监控

【YOLOv8n 与 CGALS‑YOLO 性能对比表】

2. 消融实验：两大模块缺一不可

• 仅加 CGAFusion：mAP@0.5 提升 1.8%，特征增强有效

• 仅加 LSCD：参数降 24.8%，精度仍涨 1.7%

• 联合优化：性能与轻量化完美互补，效果最优

【消融实验结果表】

3. 多模型对比：吊打主流检测算法

对比YOLOv3‑tiny、YOLOv5/6/8、RT‑DETR、Faster R‑CNN 等，CGALS‑YOLO 在精度、速度、轻量化三者平衡最优，远超两阶段模型与轻量化基线。

【主流模型对比实验结果表】

4. 可视化效果：复杂场景稳得住

• 边缘小目标自救器：基线漏检，CGALS‑YOLO 精准识别

• 遮挡安全帽、强光干扰、极暗环境：均能稳定检测

• 激活图显示：模型更聚焦防护装备区域，背景干扰被有效抑制

【四类典型场景检测效果对比图】

【Grad‑CAM 激活图可视化对比】

PART/4

     总结与展望   

核心结论

CGALS‑YOLO 针对井下复杂场景，通过CGAFusion 强化特征、LSCD 轻量化检测头，实现：

✅ 小目标 / 遮挡 / 低光场景检测能力大幅提升

✅ 精度、召回率显著上涨

✅ 模型更轻量，易部署到边缘设备

✅ 满足煤矿井下实时安全监控需求

未来方向

后续将融合时序信息与多模态感知数据，进一步提升极端粉尘、重度遮挡下的鲁棒性，助力矿山无人化、智能化安全保障。

有相关需求的你可以联系我们！

END

转载请联系本公众号获得授权

计算机视觉研究院学习群等你加入！

ABOUT

计算机视觉研究院

计算机视觉研究院主要涉及深度学习领域，主要致力于目标检测、目标跟踪、图像分割、OCR、模型量化、模型部署等研究方向。研究院每日分享最新的论文算法新框架，提供论文一键下载，并分享实战项目。研究院主要着重”技术研究“和“实践落地”。研究院会针对不同领域分享实践过程，让大家真正体会摆脱理论的真实场景，培养爱动手编程爱动脑思考的习惯！

往期推荐 

🔗

• YOLO-TLA：一种基于 YOLOv5 的高效轻量级小目标检测模型

• ViT-YOLO：基于Transformer的用于目标检测的YOLO算法

• SSMA-YOLO：一种轻量级的 YOLO 模型，具备增强的特征提取与融合能力，适用于无人机航拍的船舶图像检测

• LUD-YOLO：一种用于无人机的新型轻量级目标检测网络

• Gold-YOLO：基于聚合与分配机制的高效目标检测器

• Drone-YOLO：一种有效的无人机图像目标检测

• 「无人机+AI」“空中城管”

• 无人机+AI：光伏巡检自动化解决方案

• 无人机视角下多类别船舶检测及数量统计
  

• 机场项目：解决飞行物空间大小/纵横比、速度、遮挡等问题引起的实时目标检测问题

• 2PCNet：昼夜无监督域自适应目标检测（附原代码）

• YOLO-S：小目标检测的轻量级、精确的类YOLO网络

• 大改Yolo框架 |  能源消耗极低的目标检测新框架（附论文下载）

• 改进的检测算法：用于高分辨率光学遥感图像目标检测