煤炭科学技术

作者：李德永, 高员博, 郭永存, 王爽, 杨宇豪, 张思航,

关键词：煤矸检测, 低照度, 图像增强, 残差网络, 图像去噪,

针对煤矿井下光照不足导致拍摄图像亮度和对比度偏低，进而影响煤矸检测算法特征提取效果的问题，提出一种适用于井下低照度环境的目标检测方法。该方法包含低光图像增强模块和目标检测模块，先通过低光图像增强模块改善原始低质量图像的视觉效果，还原各类图像特征，再利用目标检测模块对增强后的图像进行目标识别。在低光图像增强模块中，基于MF-LIME算法提出煤矸亮度增强算法MF-CG-LIME，通过暗通道引导与自适应阈值分割优化亮度调整与权重计算，从而有效保留煤矸纹理、扩大煤矸与背景的亮度差；针对增强后仍存在的噪声干扰问题，进一步设计基于增强残差结构的去噪网络ERADNet，通过级联残差块与跳跃连接缓解梯度消失，嵌入通道与空间注意力机制聚焦噪声区域与关键特征通道，实现噪声抑制与细节保留的精准平衡，从而强化煤矸关键判别特征。在目标检测模块中，提出煤矿井下煤矸检测模块ELW-YOLO。该检测模块以YOLOv10s模型为框架，在主干网络中引入EfficientNetV1模块，优化网络的深度、宽度和分辨率之间的比例，提高对煤矸弱特征的提取能力；在颈部网络中添加LSKA注意力机制，强化对不同尺度煤矸特征提取的适应性和准确度；采用WIoU损失函数动态优化中心点对齐和平衡样本学习权重，提升煤矸边界定位的精准度与稳定性。试验结果表明：所提图像增强算法各项指标均优于其他对比算法，ELW-YOLO的平均精度均值达到90.8%，相较于原YOLOv10s提高了3.8%；与其他算法进行对比，在本文增强算法图像上使用ELW-YOLO进行检测的综合性能最佳，且平均帧率达73.7帧/s，可实现实时检测，能够为煤矿井下低照度复杂环境下的目标检测提供技术支撑。

来源：2026年第5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5期