近年来，煤矿机器人已成为现代煤机装备领域的研究热点，多数煤矿的主煤流运输系统基本实现了连续化、机械化和自动化，因此对主运输巷道内的安全监控与巡检效率提出了更高的要求，而精准的目标检测是实现煤矿井下智能化安全监控的必要保障，但现有的目标检测算法应用于复杂恶劣的煤矿井下巷道环境，存在目标检测精度较低的问题。面向井下低照明、环境杂乱的特殊工况检测需求，制作了井下巷道环境内目标物数据集，完成数据集标注并展开多维度分析；提出一种基于金字塔结构与注意力机制融合的PT目标检测算法，利用注意力机制模块替换金字塔结构中的卷积模块，在控制特征计算量的同时提高对全局特征的提取能力，实现目标物局部特征与全局特征融合的提取效果，提高了图像中目标感兴趣区域特征的表达能力。最后，面向煤矿井下巡检机器人应用场景，将提出的PT算法与传统经典的Faster R-CNN、YOLOv4算法进行对比分析。结果表明：所提出的PT目标检测算法能够有效识别复杂环境下巷道内目标物，相较于主流的Faster R-CNN、YOLOv4目标检测网络，PT算法有更好的综合识别能力，识别煤矿人员的准确率分别提升了2.90%和4.30%，识别井下障碍的准确率分别提升0.20%和4.80%，识别矿井裂缝的准确率分别提升了4.40%和8.60%，识别井下设备的准确率分别提升了3.00%和8.70%。因此，PT目标检测算法能够更好地适应井下环境，目标检测算法较其他算法能够获得更高的准确率与检测速度，可为井下巷道安控系统建设提供理论依据与技术支撑。

0 引言
1 PT目标检测算法原理
1.1 常见目标检测算法框架
1.2 PT特征提取网络设计
2 PT目标检测算法框架搭建
2.1 PT特征提取网络搭建
2.2 FPN模块构建并预测
3 煤矿井下巷道场景数据集制作
3.1 煤矿井下巡检内容分析
3.2 数据标注与处理
4 目标检测试验与结果分析
4.1 井下巷道目标检测试验
4.2 试验结果分析
4.3 结果讨论
5 结论