面向矿下无人车的红外小目标人员检测算法

范杨杨; 刘元盛; 王庆闪

doi:10.13873/J.1000-9787(2025)08-0133-05

Chinese

您当前的位置：

首页 >

文章列表页 >

面向矿下无人车的红外小目标人员检测算法

计算与测试 | 更新时间：2025-09-16

- 面向矿下无人车的红外小目标人员检测算法
- 暂无标题
- 传感器与微系统 2025年第8期页码：133-137+142
- 作者机构：
  
  1. 北京联合大学北京市信息服务工程重点实验室
  2. 北京联合大学机器人学院
  3. 中汽研(天津)汽车工程研究院有限公司
- 作者简介：
- 基金信息：
  
  国家自然科学基金资助项目(62371013);北京市属高等学校高水平科研创新团队建设支持计划项目(BPHR20220121)
- DOI：10.13873/J.1000-9787(2025)08-0133-05
  中图分类号： TD76;TP212;TP391.41
- 纸质出版：2025
- 稿件说明：
移动端阅览
范杨杨, 刘元盛, 王庆闪. 面向矿下无人车的红外小目标人员检测算法[J]. 传感器与微系统, 2025,(8):133-137+142.
范杨杨, 刘元盛, 王庆闪. 面向矿下无人车的红外小目标人员检测算法[J]. 传感器与微系统, 2025,(8):133-137+142. DOI： 10.13873/J.1000-9787(2025)08-0133-05.

DOI：

摘要

矿下环境主要依赖强光源照明，导致无人巡检车使用可见光传感器采集的图像因过度曝光而丢失人员目标。红外传感器虽能适应此类光照条件，但其成像分辨率较低，加之小目标特征不显著、目标密集等因素，导致人员漏检率较高。针对上述问题，本文提出基于YOLOv11n的红外小目标人员检测算法YOLO-PDL。首先，采用可编程梯度信息(PGI)策略重构主干网络，增强网络对矿下人员的表征能力，减少精度损失；其次，在C3K2模块中嵌入扩张残差(DWR)模块，增强网络骨干的特征提取能力；最后，在颈部网络中添加大型可分离核注意力(LSKA)机制，提升网络对多尺度目标的适应性和准确度。实验结果表明：所提算法在自建矿下红外数据集和FLIR数据集上的mAP分别提升3.8%和2.7%

显著提升了模型检测性能。

Abstract

关键词

Keywords

references

崔林林,权晓光,徐昊,仝依良,王晓彬.基于Azure边云结合在煤矿安全方向应用研究[J].传感器与微系统,2024(12).

方江杰,林东,罗腾,杨凡.非煤智慧矿山建设与展望[J].智能矿山,2024(10).

郭长娜.矿用激光雷达传感器无线供电及电机续流设计与测试[J].传感器与微系统,2024(08).

芦碧波,周允,李小军,谷亚楠,王文轲.融合注意力机制的YOLOv5轻量化煤矿井下人员检测算法[J].煤炭技术,2023(10).

Minling Zhu,En Kong.Multi-Scale Fusion Uncrewed Aerial Vehicle Detection Based on RT-DETR[J].Electronics,2024.

Zhou Kun,Tong Yifan,Li Xintong,Wei Xiaoran,Huang Hao,Song Kai,Chen Xu.Exploring global attention mechanism on fault detection and diagnosis for complex engineering processes[J].Process Safety and Environmental Protection,2023.

Wang Q.,Wu B.,Zhu P.,Li P.,Zuo W.,Hu Q..ECA-Net: Efficient channel attention for deep convolutional neural networks[J].Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition,2020.

浏览量

191

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

暂无数据