针对煤矿带式输送机场景存在尘雾干扰严重、背景环境复杂、人员尺度多变易遮挡等因素导致人员入侵危险区域识别准确率不高等问题，提出一种改进YOLOv8模型的井下人员带式输送机入侵危险区域智能识别系统。改进YOLOv8模型通过替换主干网络C2f模块为C2fER模块，加强模型的细节特征提取能力，提升模型对小目标人员的识别性能；通过在颈部网络引入特征强化加权双向特征金字塔网络（FE-BiFPN)结构，提高模型的特征融合能力，从而提升模型对多尺度人员目标的识别效果；通过引入分离增强注意力模块(SEAM)模块增强模型在复杂背景下对局部特征的关注度，提升模型对遮挡目标人员的识别能力；通过引入WIoU损失函数增强训练效果，提升模型识别准确率。消融实验结果表明：改进YOLOv8模型的准确率较基线模型YOLOv8s提升2.3%，mAP@0.5提升3.4%，识别速度为104帧/s。人员识别实验结果表明：与YOLOv10m，YOLOv8s-CA、YOLOv8s-SPD和YOLO8n模型相比，改进YOLOv8模型对小目标、多尺度目标、遮挡目标的识别效果均更佳，识别准确率为90.2%，mAP@0.5为87.2%。人员入侵危险区域实验结果表明：井下人员带式输送机入侵危险区域智能识别系统判别人员入侵危险区域的平均准确率为93.25%，满足识别需求。

0引言
1系统结构
2系统实现
2.1 井下人员智能识别
2.1.1改进YOLOv8模型结构
2.1.2 C2fER模块
2.1.3 改进BiFPN机制
2.1.4 SEAM
2.1.5 WIoU损失函数
2.2人员入侵危险区域判别方法
2.2.1危险区域标注方法
2.2.2基于射线法的人员入侵危险区域判别方法
3实验结果与分析
3.1实验环境
3.2数据集构建
3.3图像预处理方法验证
3.4人员识别模型验证
3.4.1模型评价指标
3.4.2消融实验
3.4.3对比实验
3.5人员入侵危险区域识别实验
4结论

毛清华,苏毅楠,贺高峰,等.基于改进YOLOv8模型的井下人员入侵带式输送机危险区域智能识别[J/OL].工矿自动化,1-12[2025-01-27].https://doi.org/10.13272/j.issn.1671-251x.2024110002.