煤炭科学技术

作者：樊红卫, 闫昕山, 曹现刚, 李曼, 张旭辉, 毛清华, 肖志昊,

关键词：带式输送机, 人员状态检测, 多尺度目标, 遮挡目标, 数据增强, 迁移应用,

为解决煤矿带式输送机周遭人员不安全状态检测时因尺度变化和背景遮挡导致的准确率低的问题，提出一种DSP-YOLO带式输送机人员不安全状态智能检测算法。首先，针对原始数据多样性不足和模型泛化能力有限的问题，将传统数据增强与GridMask数据增强策略相结合，以提升模型对复杂背景中遮挡目标和小目标检测的鲁棒性。其次，针对人员不安全状态的检测效率与准确性需求，在主干网络中引入感受野扩展卷积(Shift-Wise Conv, SWC)模块，以扩展模型感受野并增强主干网络的全局特征提取能力；同时，设计多尺度特征融合(Dynamic Multi-Scale Fusion and Triple Feature Encoder, DyMSF-TFE)模块，对多尺度特征进行动态融合，充分利用细节特征和多尺度特征，以提高模型对多尺度目标和复杂背景的适应性；并且，采用PIoUv2损失函数，以缓解遮挡目标和小目标引起的漏检和误检问题。此外，为进一步提升DSP-YOLO在实际场景中的检测性能，使用实验室数据训练模型并进行迁移应用。结果表明，结合传统数据增强和GridMask的数据集较原始数据集的精确度、mAP0.5和mAP0.5:0.95分别增加了3.4%、1.9%和6.6%；DSP-YOLO的精确度、召回率、mAP0.5和mAP0.5:0.95分别达到94.8%、89.4%、93.2%和70.5%，较基线模型分别提升了2.3%、1.1%、0.9%和2.3%；针对现场数据，采用模型迁移应用策略可使检测精确度达到99.1%。研究结果证明了所提算法能够实现煤矿带式输送机周遭人员不安全状态的准确智能检测。

来源：2026年第2期

《煤炭科学技术》期刊编辑部

查看煤炭科学技术杂志2026年第2期