为解决煤矿综采工作面人员尺度多变、危险区域动态变化等因素导致人员入侵危险区域视频AI识别准确率不高问题，提出一种RSCA-YOLOv8s与危险区域自动划分的煤矿综采工作面人员入侵危险区域智能识别方法。针对综采工作面人员识别准确率低问题，在YOLOv8s模型基础上引入RFAConv-SE(Squeeze-and-Excitation with Receptive-Field Attention Convolution)与CCNet(Criss-Cross Attention Network)注意力模块提高复杂背景图像中模型对全局及上下文信息的捕获能力，C2f模块融合Res2Net网络提高模型的多尺度和小目标人员特征提取能力，通过改进的SPC-ASFF(Adaptive Structure Feature Fusion with Sub-Pixel Convolution layer)模块提升模型对多尺度人员特征的自适应融合能力。针对综采面摄像头跟随液压支架动态变化导致危险区域在视场范围内动态变化问题，提出一种基于护帮板、挡煤板标志性目标关键特征点提取的危险区域自动划分方法。针对危险区域不规则变化与基于重叠度的判断方法参数设置困难问题，提出一种基于射线法判断人员与危险区域像素坐标位置关系的人员入侵危险区域精准识别方法。通过消融实验、RSCA-YOLOv8s与YOLOv5s、YOLOv8-SPDConv等方法对比实验，以及综采工作面7组多场景危险区域自动划分与5组人员入侵危险区域识别实验测试，结果表明：RSCA-YOLOv8s的人员识别方法准确率更高，达到了97.2%，相较基线模型mAP@0.5提高了1.1%，mAP@0.5：0.95提高了2.5%，对小目标人员具有更准确的识别能力和更高的识别精度；该方法危险区域自动划分的平均准确率为97.285%，人员入侵危险区域的判别准确率为98%以上。所提方法能够实现综采工作面人员入侵危险区域的准确智能识别，可有效保障综采工作面人员安全。

引言
1 综采工作面人员入侵智能识别方案
2 人员入侵危险区域智能识别方法
2.1 RSCA-YOLOv8s的人员识别方法
2.1.1 RSCA-YOLOv8s网络结构
2.1.2 RFAConv-SE注意力机制提取人员特征
2.1.3 SPC-ASFF网络的多尺度人员特征检测
2.1.4 C2f＿Res2Block、CCNet小目标人员检测
2.2 危险区域自动划分方法
2.3人员入侵危险区域精准判别方法
3实验结果与分析
3.1 实验环境
3.2 数据集构建
3.3 RSCA-YOLOv8s人员识别模型实验验证
3.3.1 模型评价指标
3.3.2 消融实验
3.3.3 对比实验
3.4 危险区域自动划分实验
3.5 人员入侵危险区域精确判别实验
4 结论

毛清华,翟姣,胡鑫,等.煤矿综采工作面人员入侵危险区域智能识别方法研究[J/OL].煤炭学报,1-17[2024-12-18].https://doi.org/10.13225/j.cnki.jccs.2024.0949.