作业工人和车辆是煤场安全管理的关键对象，实时获得高精度定位信息对避免安全事故具有十分重要的意义。研究基于超宽带与视觉融合的人员车辆检测与定位方法，根据封闭煤场的场景特点，提出了基于飞行时间-时间到达差混合定位的方法，实现煤场内携带标签目标的高精度定位；为解决因遮挡导致超宽带定位中断的问题，采用视觉位置估计辅助超宽带定位，提出了基于Transformer和Yolov7融合目标检测识别方法，根据目标在图像中的位置变化，估计目标的位置坐标，采用扩展卡尔曼滤波方法实现融合定位。该方法在国能宁夏灵武发电厂煤场进行测试，通过收集煤场内作业场景数据图像，制作了作业人员与车辆数据集，目标检测模型的平均准确率指标mAP@0.5为0.925，模型在现场部署后的图片检测速度为每秒30帧。检测模型的实验结果表明该模型对储煤场中的主要目标具有较高的检测精度和较快的检测速度，实时性达到了煤场应用落地的实际需求。对比实验结果表明，本文提出的目标检测模型在不牺牲处理帧率的情况下，mAP@0.5相比于原始CNN网络Yolov7提升了1.4%。煤场内定位精度范围为0.5～0.9m，定位刷新频率为10帧每秒，有效地解决因遮挡导致的UWB定位中断问题。

0引 言
1基于UWB与视觉融合的人车目标检测与定位方法
1.1系统总体架构
1.2 基于Transformer和CNN融合的目标检测识别
1.2.1 卷积Swin Transformer块
1.2.2 快速空间金字塔池化
1.2.3 目标预测模块
1.3 基于飞行时间-时间到达差混合定位算法
1.4 基于扩展卡尔曼滤波的定位融合
1.4.1 基于视觉检测的目标位置坐标估计
1.4.2 基于扩展卡尔曼滤波的定位
2实验结果
2.1试验场景及系统
2.1.1 试验测试煤场
2.1.2 相机系统
2.1.3 UWB定位系统
2.2目标识别试验结果
2.2.1 储煤场目标数据
2.2.2 模型训练设置
2.2.3 模型性能评估
2.3 UWB定位结果分析
2.4 基于UWB与视觉融合的目标定位结果分析
3结 论