由于矿区环境特殊，道路场景复杂多变，在光照不足时会使矿区道路多目标识别不清、定位不准，进而影响检测效果，给无人矿卡的安全行驶带来严重安全隐患，因此亟需对露天矿区暗光环境下道路多目标精准检测展开研究。现有道路障碍物检测模型不能有效解决矿区暗光环境对检测效果的影响，同时对矿区小目标障碍物的识别也有较大误差，不适用于矿区特殊环境下障碍物的检测与识别。针对上述问题，提出一种基于双曲嵌入的露天矿区暗光环境下道路多目标检测模型。

       1） 为解决矿区光照不均、远距离暗光及低分辨率3类不同场景对矿区车辆和行人检测效果的影响，在YOLOv5模型预处理阶段采用Retinex−Net网络增强暗光图像，提高图像整体质量，以满足矿区暗光环境的检测需求。

       2） 针对矿区小尺度目标易被忽略、无特征偏好及在CSP层结构中因避免梯度消失而导致显存过大并产生特征弱化现象的问题，在YOLOv5网络加强特征提取阶段引入全局注意力机制（GAM），以减少信息弥散，增强小尺度目标特征的表达能力，进而放大全局维度交互特征的能力。

       3） 为减少模型参数及处理过拟合问题，在网络的Head层引入双曲全连接层，解决因目标尺寸差距过大导致检测难度大的问题，进而提升整个模型检测精度与速度。

      1） 基于双曲嵌入的露天矿区暗光环境下道路多目标检测模型不仅对露天矿区暗光环境下的大尺度目标分类与定位精度较高，对矿卡及较远距离的小尺度目标，即行人也可准确检测和定位，能够满足无人矿卡在矿区特殊环境下驾驶的安全需求。

     2） 在YOLOv5网络模型中分别使用Retinex−Net、GAM、双曲全连接层后，模型的检测准确率分别提升了4%，8.23%和14.51%，检测速度分别提高了−0.87，0.25，1.42 帧/s；使用Retinex−Net、GAM及双曲全连接层后，模型检测准确率达98.6%，检测速度为51.52 帧/s，检测性能明显提升。

      3） 基于双曲嵌入的露天矿区暗光环境下道路多目标检测模型的准确率较SSD、YOLOv4、YOLOv5、YOLOx、YOLOv7分别提高了20.31%，18.51%，10.53%，8.39%，13.24%，达到98.67%，对于矿区道路上的行人、矿卡及挖机的检测准确率达97%以上。

顾清华（1981—），男，山东诸城人，教授，博士研究生导师，主要研究方向为矿业工程，E-mail：qinghuagu@126.com。

顾清华，苏存玲，王倩，等. 基于双曲嵌入的露天矿区暗光环境下道路多目标检测模型[J]. 工矿自动化，2024，50（1）：49-56, 114.

GU Qinghua, SU Cunling, WANG Qian, et al. A multi-target road detection model in a low-light environment in an open-pit miningarea based on hyperbolic embedding[J]. Journal of Mine Automation，2024，50（1）：49-56, 114.