露天煤矿环境复杂多变，安全生产面临诸多挑战，其中危险驾驶行为是威胁矿区安全生产的重要因素之一。矿区内重型机械和运输车辆频繁作业，由于道路条件复杂、作业环境恶劣，驾驶员一旦出现疏忽或违规操作，极易引发重大事故，造成严重的人员伤亡和经济损失。目前，矿区通常采用人工巡检和车载视频回放检查等传统安全监控手段，但这些方法存在效率低、实时性差，耗费大量人力且有监控盲区等缺点，难以有效应对由于危险驾驶行为而导致的事故风险。随着深度学习和计算机视觉技术的迅速发展，利用先进技术手段提升矿区危险驾驶行为检测效率成为重要方向。相比传统手段，智能检测系统能够实现对危险行为的实时检测和预警，不仅提高了监控覆盖率，还有效减少了人力资源的投入。因此，设计并开发适用于露天煤矿环境的危险驾驶行为检测系统，不仅是当前矿区安全管理的迫切需求，也是推动矿山智能化发展的重要方向。本文在现有YOLOv8m模型的基础上，针对现有模型的参数量大、计算量高及夜晚车内光线较差导致检测精度低等问题，开展了面向露天煤矿危险驾驶行为检测方法研究，运用对比实验、消融实验及理论分析等方法，提出了一种结合部分卷积、自注意力机制及通道混洗的目标检测改进模型YOLOv8m-PSC。在此基础上，设计并实现了基于改进模型的危险驾驶行为检测系统。系统通过PySide6构建直观简便的图形用户界面，能够快速部署到实际生产环境中，弥补了传统监控手段的不足，对露天矿危险驾驶行为进行快速且准确的监控。实验结果表明，改进后的模型在性能上有显着提升：危险驾驶行为的平均检测精度达到83.7%，参数量减少了40.2%，浮点计算量下降了62.6%，推理速度提升了10.7%，均较原模型有显着提高，实现了在露天矿复杂场景下对疲劳驾驶、分心驾驶等危险驾驶行为高效、实时的检测。改进模型的提出不仅在技术上实现了目标检测模型的进一步优化，也为危险驾驶行为的实时检测提供了理论和实践的参考。此外，系统开发流程中引入了图形界面设计思路，为智慧矿山建设中的人机交互系统设计提供了创新性方案。

1 网络分析与改进
1.1 YOLOv8m网络模型
1.2 部分卷积
1.3 自注意力机制
1.4 PSC结构
1.5 改进的YOLOv8m-PSC网络模型
2 危险驾驶行为检测实验
2.1 实验环境配置
2.2 数据集
2.3 评价指标
3 实验结果分析
3.1 对比实验
3.2 消融实验
4 系统的设计与实现
4.1 系统架构
4.2 功能模块设计
4.3 系统架构
5 结论

马力,雷尧,常治国,等.基于改进YOLOv8m-PSC的露天煤矿危险驾驶行为检测系统[J/OL].煤炭学报,1-12[2025-01-18].https://doi.org/10.13225/j.cnki.jccs.2024.1310.