煤矿井下工作环境复杂，存在人造光源亮度低、粉尘多和水气密度大等不利因素，导致现有的目标检测算法在应用到煤矿井下时，存在提取特征困难、目标识别和定位精度低等问题。提出一种煤矿井下低照度环境目标检测算法，由矿井低光图像增强模块LMIENet和目标检测模块组成，使用图像增强模块对原始图像进行画质提升，恢复各类图像信息，再使用目标检测网络对增强图像进行特定目标检测，有效提高检测的精确度。在图像增强模块中，改进Zero-DCE算法设计轻量级增强参数预测网络，计算像素级增强参数矩阵，用于低光照图像的亮度调整和画质增强，该网络通过设计的非参考损失函数隐性衡量图像的增强效果，引导网络进行无监督学习，使网络能够不依赖配对数据集对原始图像进行自适应的画质增强。目标检测模块中，采用YOLOv8n目标检测模型，其轻量化的模型尺寸和高灵活性可避免模型整体复杂度过高；采用Focal-EIoU Loss改进回归损失函数，有效加速模型收敛并提升模型检测精度。实验结果显示，与经典目标检测算法Faster R-CNN、SSD、RetinaNet、FCOS等相比，提出算法在自建矿井人员数据集上表现出色，低光照环境下目标检测的mAP@0.5达到98.0%，mAP@0.5:0.95达64.8%，在实验环境中单帧图像推理时间仅11ms，优于其他对比方法，证明提出算法能够有效实现在煤矿井下低照度复杂环境下的目标检测，且耗时短、计算效率高。

0引言
1井下低照度环境目标检测模型
1.1井下低光图像增强网络LMIENet
1.2增强参数预测网络
1.3非参考损失函数
1.4 YOLOv8目标检测算法
1.5回归损失函数改进-Focal-EIoU Loss
2实验分析
2.1数据集介绍
2.2实验准备
2.3目标检测实验分析
2.4图像增强和目标检测效果评价
2.5消融实验
3结论