穿戴个人防护装备是保障矿井人员作业安全的重要手段，开展矿井人员防护装备监测是煤矿安全管理的重要工作内容。煤矿井下环境较为复杂，视频监控易受到噪声、光照以及粉尘等因素干扰，导致现有的目标检测方法对矿井人员防护装备存在检测精度低、实时性差、模型复杂度高等问题，提出了一种改进YOLOv8的矿井人员防护装备实时监测方法，称为DBE-YOLO。DBE-YOLO模型首先在基准模型主干网络的CBS模块中结合可变形卷积(DCNv2)组成DBS模块，使卷积具有可变形能力，在采样时可以更贴近检测物体的真实形状和尺寸，更具有鲁棒性，有效提升了其对不同尺度目标的特征获取能力，有利于模型提取更多人员防护装备的特征信息，提高模型检测精度。其次在特征增强网络融合了加权双向特征金字塔机制(BiFPN)，在多尺度特征融合过程中删除效率较低的特征传输节点，实现更高层次的融合，提高了对不同尺度特征的融合效率，同时BiFPN引入了一个可以学习的权值，有助于让网络学习不同输入特征的重要性。最后使用WIoUv3作为模型的损失函数，其通过动态分配梯度增益，重点关注普通锚框质量，在模型训练过程中减少了低质量锚框产生的有害梯度，进一步提升了模型性能。实验结果表明，DBE-YOLO模型在矿井人员防护装备监测中有着良好的效果，查准率、查全率、平均精度分别为93.1%、93.0%、95.8%，相较于基准模型分别提高0.8%，2.9%，2.9%，检测实时性提升到65 f·s-1，提高了8.3%，此外，参数量、浮点计算量、模型体积分别为2M、6.6G、4.4MB，相较于原模型分别降低33.3%、18.5%、30.2%。使用煤矿现场作业视频监控对改进模型进行验证，其有效改善了漏检和误检问题，为提高矿井人员的作业安全提供了技术手段。

0引 言
1相关工作
1.1目标检测算法相关概述
1.2YOLOv8算法
2DBE-YOLO检测方法
2.1主干网络改进
2.1.1可变形卷积DCNv2
2.1.2 DBS模块
2.2 BiFPN机制
2.3损失函数改进
3实验分析
3.1数据集和评价指标
3.2 消融实验
3.3 对比实验
3.4模型训练分析
3.5 模型轻量化分析
3.6 可视化实验
4结论