目标检测是井下人员安全帽佩戴检测的核心。现有方法未完全考虑遮挡、目标较小、背景干扰等因素，且都未解决模型轻量化问题。为保证在井下复杂场景检测的实时性，在YOLOv8n的基础上进行改进，提出了一种基于改进YOLOv8n的井下人员安全帽佩戴检测方法。

       改进YOLOv8n模型结构如下图所示（红框中为改进部分）。在颈部网络中添加P2小目标检测层，提高对小目标的检测能力；在主干网络中添加卷积块注意力模块（CBAM），降低对无效信息的关注；检测头使用轻量化共享卷积检测头（LSCD），降低模型复杂度。

       1）仅靠原YOLOv8n的检测层无法实现对小目标的精准检测，因此通过添加4倍下采样的P2小目标检测层及对应的检测头N2来提升对小目标的检测能力，如下图所示。P2对应的检测特征图大小为160×160，用于检测4×4以上大小的目标。

       2）由于背景存在遮挡及光照变化等会降低井下安全帽检测的准确性，所以通过引入注意力机制来提高特征提取能力。CBAM通常包括通道注意力模块和空间注意力模块。输入特征首先经过通道注意力模块，对不同通道的特征图进行加权，凸显重要的特征通道，抑制不重要的特征通道。再经过空间注意力模块，对特征图的不同空间位置进行加权，强化重要的空间区域，抑制不重要的空间区域。

       3） 针对小目标添加了检测头N2，导致YOLOv8n模型的检测头计算量与参数量大大增加。为解决该问题，设计了一种LSCD，其核心思想是将原2个分支变为1个分支，采用共享参数的方式提取特征。LSCD结构如下图所示。

       基于基准模型YOLOv8n进行消融实验，结果见下表。单独加入P2小目标检测层、CBAM、WIoU损失函数，模型mAP@50分别提升了0.8%，0.3%，0.4%。将以上3种改进组合，检测精度达到最高，mAP@50相较于YOLOv8n模型提升了2.1%。但引入P2小目标检测层及CBAM使得模型参数量、计算量及模型大小较YOLOv8n模型分别增加了8.6%，97.7%，2.1%。而加入LSCD使得模型复杂度降低，与YOLOv8n模型相比，参数量、计算量及模型大小分别下降了23.8%，10.4%，17.2%，且mAP@50提升了1.8%。

       在相同实验环境下将改进YOLOv8n模型与主流目标检测模型SSD，YOLOv3−tiny，YOLOv5n，YOLOv7及YOLOv8n进行对比，结果见下表。可看出改进YOLOv8n模型的检测精度最高，且在参数量、计算量和模型大小方面相较于除YOLOv5n以外的模型具有较大优势。

       王亮，山东科技大学机械电子工程系副教授，博士，中国煤炭学会会员，中国工程机械学会会员，美国加州大学访问学者。研究领域为煤矿智能控制系统、无人工作面装备、机电液一体化。近5年主持省部级基金等纵向课题3项，作为第2位研究人员参加国家自然科学基金课题2项，其他主持及参与纵向课题6项；负责横向研究课题2项，参加10余项。近5年发表学术论文9篇，其中首位SCI论文1篇，中文核心4篇；第一发明人获发明专利1项，其他知识产权8项；获省部级奖励（等次内人员）7项。

       第一作者：王琦（2000—），男，山东泰安人，硕士研究生，研究方向为煤矿智能化，E-mail：1365644991@qq.com。 

王琦，夏鲁飞，陈天明，等. 基于改进YOLOv8n的井下人员安全帽佩戴检测[J]. 工矿自动化，2024，50（9）：124-129.

WANG Qi, XIA Lufei, CHEN Tianming, et al. Detection of underground personnel safety helmet wearing based on improved YOLOv8n[J]. Journal of Mine Automation，2024，50（9）：124-129.