煤矿井下环境复杂，对部分作业现场人员行为进行检测时易出现漏检与误检问题。针对该问题，提出一种井下暗光环境人员行为检测方法，包括暗光环境图像增强网络和行为检测网络2个部分。暗光环境图像增强网络基于自校准光照学习（SCI）进行改进，提出由图像增强网络和校准网络构成的SCI+网络。人员行为检测网络通过引入Dynamic Head检测、跨尺度融合模块和Focal-EIoU损失函数来改进YOLOv8n模型。SCI+增强后的图像作为改进后人员行为检测模型检测的对象，完成井下暗光环境人员行为的检测任务。实验结果表明：① 井下暗光环境人员行为检测方法的mAP@0.5为87.6%，较YOLOv8n提升了2.5%，较SSD，Faster RCNN，YOLOv5s，RT-DETR-L分别提升了15.7%，11.5%，0.9%，4.3%。② 井下暗光环境人员行为检测方法的参数量为3.6×106，计算量为11.6×109，检测速度为95.24 帧/s。③ 在公开数据集EXDark上，井下暗光环境人员行为检测方法的mAP@0.5为74.7%，较YOLOv8n提升了1.5%，表明该方法具有较强的泛化能力。

0 引言
1 井下暗光环境人员行为检测网络结构
1.1 SCI+网络
1.2 YOLOv8n改进算法
1.2.1 Dynamic Head检测
1.2.2 跨尺度特征融合
1.2.3 优化损失函数
2 实验结果及分析
2.1 实验数据
2.2 行为检测实验分析
2.3 消融实验分析
2.4 图像增强分析
2.5 与目前主流模型对比
2.6 泛化性测试
3 结论

董芳凯,赵美卿,黄伟龙.煤矿井下暗光环境人员行为检测研究[J/OL].工矿自动化,1-10[2025-01-25].https://doi.org/10.13272/j.issn.1671-251x.2024090032.