在露天矿开采作业中，安全开采是保障生产流程顺利推进的关键，然而露天矿障碍物检测面临复杂环境带来的严峻挑战。传统视觉算法难以满足露天矿复杂的生产场景需求，因其道路环境复杂，暗光致使道路状况难辨，恶劣天气频发，暴雨等严重干扰检测精准度，杂乱矿场背景中有各类机械设备、堆积物与起伏地形交织，且存在多种不同类型障碍物，传统算法局限性显著，已有改进算法在露天矿环境下的适应性与鲁棒性也有待提升。为实现精准、高效检测露天矿障碍，保障矿山运输安全，突破传统算法瓶颈，基于YOLO架构提出跨模态检测模型—Mamba-YOLO-World。该模型采用多模态信息，将文本信息与图像信息相结合来提升检测精度和复杂情况下的障碍物检测。引入MambaFusion-PAN架构深度剖析，优化融合多模态数据，精准提取道路障碍关键特征，借助状态空间模型捕捉各模态内在关联，全方位检测复杂的露天矿生产环境。并且融入PENet，通过拉普拉斯金字塔将输入图像分解为不同分辨率的子图像来捕捉全局语境和边缘分支强化纹理，并大幅提升昏暗光线条件下检测能力；引入文本-图像的组合损失函数推动模型训练精度提升。经筛选整理6000张图片，同时制作对应文本信息，二者结合构建数据集基础，还运用图像增强、降噪、剪裁缩放等技术为实验提供高质量数据支撑。实验表明融入PENet的Mamba-YOLO-World模型与YOLOv8x、YOLOv9e等主流算法对比测试。结果显示，该模型在mPA50%、准确率、召回率等核心指标上优势突出，其中mPA50% 为64.8%。深入分析发现，PENet 显著提升暗光检测效果，组合损失函数赋能多模态数据训练。最终得出结论，融入PENet的Mamba - YOLO - world 模型虽计算复杂度略高，但精度优势明显，相较于传统算法，通过多模态数据融合增强了模型的适应性与鲁棒性，为露天开采提供了一种跨模态的障碍物检测方法。

0 引言
1 露天矿区障碍检测模型
1.1 YOLO-World模型
1.2 基于YOLO-World模型改进
1.3 暗光检测的金字塔增强网络PENet
1.4 引入组合损失函数
2 实验与结果分析
2.1 数据集制作
2.2 实验环境及评价指标
2.2.1实验环境及训练参数
2.2.2 目标检测指标分析
2.3 障碍检测模型有效性分析
2.3.1 PENet有效性分析
2.3.2 损失函数横向对比
2.3.3 目标检测算法对比试验
2.3.4 消融实验
3 结论

刘光伟,雷健,郭直清,等.面向跨模态的露天矿障碍物检测方法[J/OL].煤炭科学技术,1-14[2025-03-26].http://kns.cnki.net/kcms/detail/11.2402.td.20250325.0946.002.html.