煤矿井下环境复杂，安全隐患较多，人员检测是保障煤矿安全生产和建设智慧矿山的重要内容。常用的检测算法不仅参数量大，对设备算力要求高，而且在煤矿低照度环境下的应用效果不理想。针对上述问题，基于YOLOv5提出一种用于煤矿井下的轻量级人员检测方法YOLOv5-CWG。首先，在骨干网络中嵌入坐标注意力机制（Coordinate Attention)自适应的调整特征图中每个通道的权重，增强特征的表达能力，提高模型在低照度、粉尘影响严重以及对比度低的不利条件下对待检测人员目标的关注度，更精确地定位和识别人员目标。其次，通过加权多尺度特征融合模块(Weighted multiscale feature fusion moule)引入可学习的权重赋予特征层不同的关注度，使网络有效融合浅层位置特征和高层语义信息，增强模型的信息提取能力，更好地区分目标区域和背景噪声，从而提高模型的抗干扰能力。增加一个P2层的检测头，提升较小目标的检测和定位精度。引入SIoU损失函数代替原损失函数加快模型收敛。最后，引入Ghost模块优化骨干网络，可以在不损失模型性能的前提下降低模型的参数量，提高检测速度，使得模型更容易部署在资源受限的设备上。实验结果表明，提出的YOLOv5-CWG算法在煤矿井下人员检测数据集（UMPDD）上的mAP达到了97.5%，相较于YOLOv5s提高了7.3%，计算量减少了27.6%，FPS提高了6.3。所提算法显著提高了煤矿井下人员检测精度，有效解决了亮度低和光照不均引起的人员检测困难问题。

0 引言
1 YOLOv5-CWG模型
1.1 CA注意力机制
1.2加权特征融合模块
1.3损失函数
1.4 Ghost模块轻量化
2实验与结果分析
2.1建立数据集
2.2实验设置与评价指标
2.3模型训练结果
2.4与主流目标检测算法对比
2.5模型有效性分析
3结语

王帅,杨伟,李宇翔,等.基于注意力机制和特征融合的井下轻量级人员检测方法[J/OL].煤炭科学技术,1-11[2024-11-19].http://kns.cnki.net/kcms/detail/11.2402.TD.20241029.1459.001.html.