针对井下工作面内光源、设备遮挡等多种因素引起的复杂工况环境导致作业人员安全帽小目标检测算法精度低等问题，在YOLOv10n模型的框架上，提出一种基于REIW-YOLOv10n的井下安全帽小目标图像检测算法。REIW-YOLOv10N模型包括Input，Backbone，Neck和Head共4个部分。为提高模型对多尺度特征的提取能力，设计RepNMSC结构，并在Backbone部分改进C2f结构，该结构提升模型对多尺度的安全帽目标的特征提取能力；为保留Neck部分的小目标语义信息，Neck部分采用ERepGFPN结构，其使用跨层连接的方式以相同的优先级处理高层语义信息和低层空间信息，实现融合小目标特征的目的；然后，在Head部分添加P2小目标检测头并删去P5大目标检测头，在尽量保持轻量模型的前提下增加模型对井下安全帽小目标的检测性能；最后，使用Inner-IoU和Wise-IoU v3的思想优化的MPDIoU损失函数，Inner-Wise-MPDIoU使用缩放因子和梯度增益策略，加快模型收敛。利用CUMT-HelmeT数据集进行实验验证，REIW-YOLOv10n与YOLOv10n相比，mAP@0.5提升5.73%，达到88.24%。与YOLOv5s、YOLOv7-tiny、YOLOv8n和YOLOv9-tiny等五种YOLO系列算法其他主流目标检测算法比较，精度和模型权重所占空间均优于其他对比算法，综合检测性能最佳。REIW-YOLOv10n在显著提高井下复杂环境检测安全帽小目标精度的前提下，兼顾了轻量化和实时性，方便模型部署在井下边缘设备。

0 引言
1 YOLOv10算法原理
2 井下作业人员安全帽小目标检测算法的研究
2.1 REIW-YOLOv10n算法结构
2.2 基于分组卷积思想的多尺度特征提取RepNMSC结构
2.3 高效率且低延迟的特征融合ERepGFPN结构
2.4 增加P2小目标层删去P5大目标层
2.5 优化损失函数Inner-Wise-MPDIoU损失函数
3 实验结果与分析
3.1 实验环境配置
3.2 实验数据集准备
3.3 实验评价指标
3.4 实验结果分析
3.4.1 改进算法实验
3.4.2 改进消融实验
3.4.3 对比实验
4 结论

高立鹏,周孟然,胡锋,等.基于REIW-YOLOv10n的井下安全帽小目标检测算法[J/OL].煤炭科学技术,1-13[2024-09-20].http://kns.cnki.net/kcms/detail/11.2402.td.20240919.1902.003.html.