井下猴车智能识别技术是实现猴车自动化巡检、实时监测与预警任务的基础，是推动煤矿智能化发展的重要支撑。针对猴车数据集样本量缺乏、井下图像光照环境较差、运行猴车之间存在重叠遮挡、矿工坐姿多变、小目标猴车难以检测、模型部署困难、不同载人状态井下猴车传统识别方法难度大效率低等问题，通过在贵州多个煤矿不同机段自建的猴车数据集，将猴车载人状态划分为载人猴车（HC＿miner）和无载人猴车（HC＿nominer）两种，提出了一种基于多尺度特征融合的井下猴车载人状态智能识别算法。图像预处理阶段，采用自适应直方图均衡以增强图像质量，通过随机矩形遮挡以模拟运行猴车被井下物体遮挡的真实场景，解决了猴车图像数据集体量匮乏的同时降低了井下负环境的干扰；特征提取阶段，将主干网络C2f模块部分卷积替换为可变形卷积（DCN），设计了一种C2f-DCN模块，增加不同载人状态猴车目标感受野的动态调整能力以获取复杂多变的尺度信息，使模型更好的学习到猴车矿工的耦合特征及适应矿工各类坐姿细节，提升模型对不同载人状态猴车目标的辨识能力；特征融合阶段，提出了一种基于坐标注意力机制跨层级连接的路径聚合网络—CLC-PAN-CA模块，实现了深层网络与浅层网络特征间多尺度信息的复用，可自适应捕捉全局关键信息，建立网络之间的多尺度依赖，提升模型对小目标猴车重要特征的提取，减少背景噪声干扰，降低猴车目标漏检误检率。实验结果表明，提出模型的精确率（Precision）为95.8%，对比基线模型提高了7.4%，召回率（Recall）为93.3%，提高了9.8%，平均精度均值（mAP@0.5）值为95.6%，提升了7.7%，参数量和模型大小分别仅为3.1 M和6.1MB，识别速率（FPS）为71帧。对比多种主流单阶段两阶段检测模型，提出模型可有效辨识有无载人猴车目标、显著提升井下猴车目标识别精度、减少漏检错检现象、具有较快的识别速度、更好的热度信息提取能力，可满足实际场景巡检需求，为不同载人状态的井下猴车精准识别提供了可行的方法。最后，将提出的猴车智能识别算法和井下监控视频流嵌入到设计的猴车智能识别系统中，构思了井上调度和井下监控 “端到端”一体化的猴车智能识别系统，增加了面向煤矿智能化巡检应用的期望值，可为井下猴车载人运输安全提供实时预警。

0 引言
1 多尺度特征融合的井下猴车智能识别算法构建
1.1 C2f＿DCN模块
1.2 Cross-level concat PAN-CA模块
2 井下猴车数据集构建
3 实验结果
3.1 评价指标及损失函数
3.2 基线模型实验
3.3 消融实验
4 讨论
4.1 主流模型对比实验
4.2 模型改进前后对比实验
4.2.1 改进前后损失值分析
4.2.2 改进前后识别精度分析
4.2.3 改进前后混淆矩阵分析
4.2.4 改进前后热力图分析
4.3 应用部署
4.4 未来工作
5 结论