针对煤矿井下辅助运输巷道中环境复杂，存在低光照、多粉尘等干扰因素，且工作人员检测时存在反射光干扰，导致使用车载摄像头的矿用无人驾驶车辆对巷道内工作人员检测精度低、实时性差，并且现有基于深度学习的目标检测器存在参数量大、模型计算复杂度高的问题，提出了一种基于YOLOv8的矿用无人驾驶车辆井下辅助运输巷道内工作人员检测模型，即GCDB-YOLOv8。首先，在特征提取网络中引入轻量级模块幻影卷积（GhostConv和GhostC2f），以实现网络轻量化设计，降低模型参数量和计算复杂度。其次，设计C2f-EMA模块并使用其替换颈部的C2f模型，增强对低光照、复杂背景中重点区域注意程度，使模型高效利用工作人员的特征信息；同时，设计DicPSA模块并使用其替换主干网络中的空间金字塔池化模块（SPPF），增强模型对关键特征信息的捕获、提取、利用能力；最后，设计改进了加权双向特征金字塔机制（BiFPN）并使用其替换原始的FPN+PAN结构以降低特征信息丢失问题，实现深层特征图目标语义信息和浅层特征图目标位置信息的充分融合和利用，提高检测精度。实验结果表明，在井下运输巷道工作人员检测数据集上，相较于基线模型YOLOv8n，GCDB-YOLOv8模型的检测精度达到80.64%，提高了6.06%；检测速度达到112f·s-1，比基线模型更快，满足检测实时性要求；模型参数数量为2.70M，计算复杂度为7.50GFLOPs，分别较基线模型减少0.31M和0.70GFLOPs。与Faster R-CNN、SSD、YOLOv3-tiny、YOLOv5s、YOLOv7-tiny、YOLOv8s、YOLOv9s、IAT-YOLO、RT-DETR、MLFE-YOLOX、CDD-YOLO、YOLO＿GD检测模型比较，GCDB-YOLOv8在检测精度、检测速度、参数数量和计算复杂度方面均优于其它对比模型。在煤矿工人动作数据集上，GCDB-YOLOv8的mAP@0.5和mAP@0.5～0.95分别达到87.69%和64.77%，较基线模型YOLOv8n分别提高3.43%和2.26%。GCDB-YOLOv8模型提高井下运输巷道内工作人员检测精度的同时，兼顾模型轻量化和实时性，便于部署在矿用无人驾驶车辆上，能够满足矿用无人驾驶车辆对巷道中工作人员的检测需求，降低安全隐患。此外，GCDB-YOLOv8对井下运输巷道内工作人员的精确实时检测能够为矿用无人车后续自主避障、路径规划、决策控制等任务提供安全保障，促进无人驾驶技术在智慧煤矿领域的应用。

1 YOLOv8网络模型
2 GEB-YOLO模型
2.1 模型轻量化设计
2.2 设计C2f-EMA模块
2.3 设计DicPSA模块
2.4 改进的BiFPN特征融合网络
3 实验结果与分析
3.1 实验数据集
3.2 实验环境及训练参数设置
3.3 评价指标
3.4 结果分析
3.4.1 C2f-EMA模块性能验证
3.4.2 DicPSA模块性能验证
3.4.3 改进的BiFPN特征融合网络性能验证
3.4.4 对比实验
3.4.5 消融实验
3.4.6 检测效果对比分析
4 结论

张传伟,张天乐,周李兵,等.基于GCDB-YOLOv8的矿用无人车井下运输巷道工作人员检测方法[J/OL].煤炭学报,1-16[2025-01-16].https://doi.org/10.13225/j.cnki.jccs.2024.1298.