煤矿工人和载人车辆（煤矿人车）的智能识别是视频监控系统的重要组成部分，也是煤矿智能化发展的关键任务。然而，煤矿人车检测场景较为复杂，大型人车检测模型部署在有限的计算设备上难以实现，如何在模型检测性能和检测效率之间取得平衡存在诸多挑战。以贵州地区煤矿视频监控数据集为例，本文提出了一种基于深度学习和模型压缩技术的轻量级煤矿人车检测模型，该模型精准实时的完成了煤矿人车检测任务，对网络进行瘦身的同时几乎没有损失检测性能。具体来说，在网络模型设计阶段，以YOLOv8s为基线提出了一种名为FCW-YOLO的煤矿人车轻量级检测模型，首先将Faster-Block和坐标注意力和开发到网络的特征提取模块中，设计了一种新颖的C2f-Faster-CA轻量级架构，旨在减少网络的冗余通道同时自适应捕捉全局关键信息；其次，采用了WIOU边界回归损失函数以增加模型对普通质量样本的关注，降低了训练样本不平衡带来的回归误差等问题。在模型压缩阶段，联动剪枝算法对提出的FCW-YOLO模型进行通道级别的稀疏，模型可自动识别不重要的通道并对其进行删减，实现了煤矿人车检测模型二次轻量化设计FCWP-YOLO。在自建的煤矿人车检测数据集上的结果表明，提出的模型参数量，计算量和模型大小分别为2.3M，4.0GFLOPs，6.0MB，对比基线模型分别实现了4.9倍，4.7倍，4.4倍的压缩效果，平均检测精度为88.7%，提高了1.1%，每张图像的处理速度仅为5.6ms。对比多种轻量级架构和先进的检测模型，该方法精度表现优异，计算成本更低，实时性能更好，为资源受限的煤矿场景提供了一种可行的煤矿人车检测方法，满足煤矿视频监控部署要求，可为煤矿人车智能巡检任务提供实时预警。

引言
1 轻量级煤矿人车检测模型构建
1.1 C2f-Faster-CA 模块设计
1.1.1 Faster-Block模块
1.1.2 坐标注意力模块
1.2 损失函数优化
1.3 模型剪枝
2 煤矿人车数据集构建
3 实验与结果
3.1 实验环境及评估指标
3.2 FCW-YOLO实验分析
3.3 通道剪枝实验分析
3.3.1 稀疏训练阶段
3.3.2 剪枝和微调
4 讨论
4.1 轻量级网络对比
4.2 主流检测模型对比
4.3 视频流推理验证
4.4 局限与未来工作
5 结论

解北京,李恒,栾铮,等.基于深度学习和模型压缩技术的轻量级煤矿人车检测模型—以贵州地区煤矿为例[J/OL].煤炭学报,1-18[2024-08-06].https://doi.org/10.13225/j.cnki.jccs.2024.0459.