煤炭学报

作者：毛清华, 翟姣, 胡鑫, 苏毅楠, 薛旭升,

关键词：综采工作面, 人员入侵, 危险区域, 多尺度目标, YOLOv8s, 区域自动划分,

为解决煤矿综采工作面人员尺度多变、危险区域动态变化等因素导致人员入侵危险区域时，视频AI识别准确率不高的问题，提出一种RSCA-YOLOv8s与危险区域自动划分的煤矿综采工作面人员入侵危险区域智能识别方法。针对综采工作面人员识别准确率低问题，在YOLOv8s模型基础上引入RFAConv-SE(Squeeze-and-Excitation with Receptive-Field Attention Convolution)与CCNet(Criss-Cross Attention Network)注意力模块提高复杂背景图像中模型对全局及上下文信息的捕获能力，C2f模块融合Res2Net网络提高模型的多尺度和小目标人员特征提取能力，通过改进的SPC-ASFF(Adaptive Structure Feature Fusion with Sub-Pixel Convolution layer)模块提升模型对多尺度人员特征的自适应融合能力。针对综采工作面摄像头跟随液压支架动态变化导致危险区域在视场范围内动态变化的问题，提出一种基于护帮板、挡煤板标志性目标关键特征点提取的危险区域自动划分方法。针对危险区域不规则变化与基于重叠度的判断方法参数设置困难的问题，提出一种基于射线法判断人员与危险区域像素坐标位置关系的人员入侵危险区域精准识别方法。通过消融试验、RSCA-YOLOv8s与YOLOv5s、YOLOv8-SPDConv等方法对比试验，以及综采工作面7组多场景危险区域自动划分与5组人员入侵危险区域识别试验测试，结果表明：RSCA-YOLOv8s的人员识别方法准确率更高，达到了97.2%，相较基线模型mAP@0.5提高了1.1%，mAP@0.5：0.95提高了2.5%，对小目标人员具有更准确的识别能力和更高的识别精度；该方法危险区域自动划分的平均准确率为97.285%，人员入侵危险区域的判别准确率为98%以上。

来源：2025年第2期

《煤炭学报》期刊编辑部

查看煤炭学报杂志2025年第2期