题目：基于改进YOLOv8模型的井下人员入侵带式输送机危险区域智能识别
作者：毛清华1,2，苏毅楠1,2，贺高峰3，翟姣1,2，王荣泉4，尚新芒4
作者单位：1.西安科技大学 机械工程学院；2.陕西省矿山机电装备智能检测与控制重点实验室；3.陕西小保当矿业有限公司；4. 西安重装韩城煤矿机械有限公司
链接网址：http://www.gkzdh.cn/article/doi/10.13272/j.issn.1671-251x.2024110002
识别二维码可阅读全文
研究背景
由于带式输送机周围环境同时存在光照不均、设备遮挡、人员尺度多变等因素影响，目前对人员入侵带式输送机危险区域的识别未能并行解决人员特征提取困难、多尺度特征融合效果不佳、遮挡及小目标识别准确率低等问题。对此，本文提出一种改进YOLOv8模型的井下人员带式输送机入侵危险区域智能识别系统。
研究内容
1、系统结构
井下人员入侵带式输送机危险区域智能识别系统主要包括图像采集模块、危险区域标定模块、人员检测模块和入侵判别模块4个部分。
2、井下人员智能识别
以YOLOv8s网络为基础，针对小目标检测精度较低问题，在主干网络中嵌入C2fRE模块，强调感受野内部不同特征之间的差异，增强模型细节特征表达能力；针对人员目标尺度跨幅较大问题，在颈部网络融合改进BiFPN结构，促进多尺度特征融合，增强模型对不同尺度人员目标的特征识别能力；针对遮挡人员识别困难问题，通过在颈部网络中引入SEAM，在多个尺度上捕捉遮挡人员可见部分特征，削弱背景冗余信息干扰，提高遮挡人员的检测精度；针对训练数据集难易样本分布不均、标注质量不稳定问题，使用WIoU损失函数均衡人员难易样本，提升模型整体训练效果。
3 、人员入侵危险区域判别
选用基于射线法的人员入侵危险区域判别方法，以代表人体中心位置的锚框中心点作为判断关键点，根据从关键点射出的射线与危险区域边界的交点数量奇偶性判断人员与危险区域的坐标位置关系，实现入侵状态的准确判别。当人员位于危险区域外时，以自身为起点作出任意一条射线与危险区域边界的交点数量均为偶数，反之则均为奇数。
实验结果
消融实验结果表明：改进YOLOv8模型的准确率较基线模型YOLOv8s提升2.3%，mAP@0.5提升3.4%，识别速度为104帧/s。
对比实验结果表明：与YOLOv10m，YOLOv8s-CA，YOLOv8s-SPD，YOLO8n模型相比，改进YOLOv8模型对小目标、多尺度目标、遮挡目标的识别效果均更佳，识别准确率为90.2%，mAP@0.5为87.2%。
人员入侵危险区域实验结果表明：井下人员带式输送机入侵危险区域智能识别系统判别人员入侵危险区域的平均准确率为93.25%，满足识别需求。
作者简介
毛清华，教授，博士生导师，现任西安科技大学机械学院副院长、仪器科学与技术硕士点学科带头人，陕西高校煤矿机电系统智能测控青年创新团队带头人。兼任中国工程机械学会矿山机械分会常务理事，中国振动工程学会转子动力学分会理事，陕西省振动工程学会理事，《工矿自动化》杂志编委。主要研究方向为煤矿机电设备智能检测与控制、机器人、机械传动系统故障诊断和图像智能识别等。主持国家自然科学基金面上项目、陕西省科技厅重点研发计划项目、陕西省科技厅陕煤联合基金项目、教育部博士点基金项目等20余项。获陕西省科学技术奖二等奖1项，中国煤炭工业协会科学技术奖二等奖3项，西安市科学技术奖二等奖1项，陕西省教学成果奖二等奖2项。发表学术论文40余篇，其中SCI/EI检索20余篇。出版专著1部，教材1部。参与编写煤矿智能化方面的团体标准和企业标准4项。授权国家专利40余项，其中发明专利20余项。
通信作者：苏毅楠（2000—），男，福建莆田人，硕士研究生，研究方向为煤矿井下图像智能识别，E-mail：1954658156@qq.com。
引用格式
毛清华，苏毅楠，贺高峰，等. 基于改进 YOLOv8 模型的井下人员入侵带式输送机危险区域智能识别[J]. 工矿自动化， 2025，51（1）：11-21, 103.
MAO Qinghua, SU Yinan, HE Gaofeng, et al. Intelligent recognition of personnel intrusion into belt conveyor hazardous areas based on an improved YOLOv8 model[J]. Journal of Mine Automation，2025，51（1）：11-21, 103.
