露天矿环境特殊，道路场景复杂多变，在光照不足时会使得矿区道路多目标识别不清、定位不准，进而影响检测效果，给矿区无人矿用卡车的安全行驶带来严重安全隐患。目前的道路障碍物检测模型不能有效解决矿区暗光环境对模型检测效果的影响，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，提出了一种基于双曲嵌入的露天矿暗光环境下多目标检测模型。首先，在模型的图像预处理阶段引入卷积神经网路Retinex-Net对暗图像进行增强，提高图像清晰度；然后，针对数据集中特征过多而无重点偏好的问题，在加强特征提取部分添加全局注意力机制(GAM)，聚集3个维度上更关键的特征信息，尤其对小尺寸目标十分重要；最后，在检测模型预测阶段引入双曲全连接层能够减少特征丢失并防止过拟合现象，进而满足露天矿区在暗光环境下的安全需求。实验结果表明：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可靠，对矿用卡车及较远距离的小尺度目标，即行人也可准确检测定位，能够满足无人矿用卡车在矿区特殊环境下驾驶的安全需求。② 模型的检测准确率达98.6%，检测速度保持在51.52 帧/s，较SSD、YOLO v4、YOLO v5、YOLO x、YOLO v7分别提高了20.31%，18.51%，10.53%，8.39%，13.24%，对于矿区道路上的行人、矿用卡车及挖机的检测准确性也达到了97%以上。

0 引言
1 YOLOv5算法
2 基于改进的YOLOv5露天矿区暗环境目标检测方法
2.1 Retinex-Net暗环境图像增强模型
2.2基于GAM的加强特征提取模型
2.3基于双曲嵌入的YOLOv5-Head模型优化
3 实验与分析
3.1 数据集构建
3.2 模型评价指标
3.3 实验结果与分析
4 结论