随着人工智能技术不断发展和智慧矿山理念的逐步推进，传统露天矿山的运营模式正在被自动化方式取代。无人矿卡是智慧矿山的重要组成部分，因这项技术的推广，解决了因矿区地形不规则、路面坑洼或恶劣天气等因素使矿卡翻车、侧滑，从而引发伤亡事故发生。准确的检测目标类别是做避障决策的前提，而模型轻量化可以在资源有限的条件下很好地部署。因此，针对露天矿山场景下，无人矿卡目标检测算法存在参数量多、模型较大及小目标和遮挡目标检测准确率低的问题，提出轻量级无人矿卡检测算法LWHP(Lightweight high-precision），设计思路有以下四点：其一，提出高效加权双向的特征金字塔网络R-BiFPN，利用这一结构重构颈部网络，通过跨层连接及双向传播，减少冗余计算路径，并通过加权特征融合方式增强多尺度特征融合能力，提升小目标检测能力的同时大幅度降低参数量；其二，设计带有多头注意力机制的检测解耦头，改善卷积层冗余导致网络复杂的问题，并处理空间维度以集中捕捉目标特征，减弱无关背景干扰，提升遮挡目标识别准确率；其三，利用双重卷积构建轻量级神经网络CDC，增强通道间信息流动，提高模型特征表达能力并降低模型复杂度；其四，引入EIOU损失函数，分别计算目标边界框的宽高差异，并加入Focal Loss解决难易样本不平衡问题，获得更快的收敛速度和更优秀的定位能力。经实验表明，改进后算法相较于原始算法参数量降低50.2％，计算量减少46.3％，模型大小压缩47.6％，仅有3.3MB，且FPS达到92.9，满足实时性需求。精度提升1.6％，召回率提升3.1％，平均精度达到79.6％，相比原模型提升2％，保证轻量级部署的同时提升了检测准确率。

0 引言
1 无人矿卡目标检测模型
2 无人矿卡目标检测模型改进策略
2.1 设计R-BiFPN结构重构颈部网络
2.2 设计拥有多头注意力机制的检测头
2.3 利用双重卷积设计CDC
2.4 引入EIOU损失函数
3 实验结果与分析
3.1 前期准备
3.1.1 数据集制作
3.1.2 实验环境及训练参数
3.2 目标检测的性能指标分析
3.3 实验结果及分析
3.3.1 颈部网络横向对比
3.3.2 检测头横向对比
3.3.3 C2f模块改进横向对比
3.3.4 损失函数横向对比
3.3.5 消融实验
3.3.6 目标检测算法对比试验
3.4 检测效果验证
4 结论

程铄棋,伊力哈木·亚尔买买提,谢丽蓉,等.露天矿山下无人矿卡的轻量级障碍检测算法研究[J/OL].煤炭科学技术,1-12[2024-08-08].http://kns.cnki.net/kcms/detail/11.2402.td.20240806.1638.003.html.