针对现有的煤矿井下矿工多目标跟踪算法检测速度慢、识别精度低等问题，提出了一种基于改进YOLOv5s模型与改进Deep SORT算法的多目标检测与跟踪联合算法。多目标检测部分，在YOLOv5s的基础上进行改进，得到YOLOv5s-GAD模型：引入幻象瓶颈卷积（GhostConv）模块和深度可分离卷积（DWConv）模块，分别替换YOLOv5s模型骨干网络和路径聚合网络中的BottleneckCSP模块，以提高特征提取速度；针对井下光线暗、图像噪点多等特点，在最小特征图中引入高效通道注意力神经网络（ECA-Net）模块，以提高模型整体精度。多目标跟踪部分，使用全尺度网络（OSNet）替换Deep SORT中的浅层残差网络进行全方位特征学习，以更好地实现行人重识别，提高目标跟踪的准确性。实验结果表明：在自定义数据集Miner21上，YOLOv5s-GAD模型的平均精度（交并比为0.5时）达97.8%，帧率达140.2帧/s，多目标检测效果优于常用的Faster RCNN,YOLOv3,YOLOv5s模型；在公开行人数据集MOT17上，多目标检测与跟踪联合算法的速度与准确率等综合性能优于IOU17,Deep SORT等常用多目标跟踪算法，人员身份转换次数最少，行人重识别效果最好；采用井下矿工多目标检测与跟踪联合算法能够及时检测并跟踪井下矿工，多目标跟踪效果良好。

国家重点研发计划项目（2018YFC0604503）；安徽省自然科学基金资助项目（2008085UD06）；

0 引言
1 井下矿工多目标检测与跟踪联合算法原理
2 目标检测
2.1 YOLOv5s模型结构
2.2 YOLOv5s-GAD模型
2.2.1 Ghost Conv模块
2.2.2 DWConv模块
2.2.3 ECA-Net模块
3 Deep SORT多目标跟踪算法改进
4 实验分析
4.1 数据集的选取与处理
4.2 YOLOv5s-GAD模型消融实验
4.3 目标检测实验
4.4 多目标检测与跟踪联合算法性能验证
5 结论

周孟然,李学松,朱梓伟,黄凯文.井下矿工多目标检测与跟踪联合算法[J].工矿自动化,2022,48(10):40-47.DOI:10.13272/j.issn.1671-251x.2022060040.