煤炭科学技术

作者：梁镇洹, 贾晓芬, 赵佰亭, 王文杰, 杨豚, 胡锐,

关键词：辅助运输, 有轨电机车, 障碍物检测, 无人驾驶, YOLOv11,

障碍物自主感知与精准定位是轨道电机车实现无人驾驶的核心技术，井下高粉尘、低光照、强遮挡等恶劣条件对障碍物识别结果产生很大的影响。针对此场景下远景目标漏检、遮挡目标误检及计算参数复杂导致设备算力需求过高的问题，提出电机车安全运行区的轨道障碍物精准识别方法MUV-YOLOv11。首先，在L-Backbone模块中引入细节增强注意力模块，设计通道分离融合卷积模块，高效挖掘复杂背景下障碍物的显著特征；同时构建深度可分离空间金字塔池化模块强化有效特征，解决遮挡目标误检问题。其次，在C-Neck模块中设计多层特征残差融合模块，突破传统级联和下采样融合方式造成的细节特征难以挖掘的弊端；在构造注意力引导对比驱动特征聚合模块，借助内外循环结构提升小目标区域检测效果并增强特征表达能力，进而解决复杂环境下远景目标漏检问题。最后采用三分支检测头结构提取不同位置的特征信息，实现障碍物的精准定位。在自制井下巷道数据集上测试影响电机车安全运行的障碍物，MUV-YOLOv11的mAP@0.5和mAP@0.5∶0.95分别达到91.4%和67.9%，相较于最新的低光照检测算法WTEFNet，MUV-YOLOv11在参数量减少36.79%的情况下识别准确率提升了4.3%，有效解决了可能影响无人驾驶的有轨电机车远景障碍物和遮挡障碍物难以检测的难题，有望为无人驾驶技术在煤矿辅助运输领域的应用提供技术支撑。

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