基于REIW-YOLOv10n的井下安全帽小目标检测算法

作     者：高立鹏 周孟然 胡锋 卞凯 陈悦 

作者机构：安徽理工大学电气与信息工程学院 

出 版 物：《煤炭科学技术》 (Coal Science and Technology)

年 卷 期：2024年

核心收录：

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 0819[工学-矿业工程] 081903[工学-安全技术及工程] 08[工学] 081104[工学-模式识别与智能系统] 080203[工学-机械设计及理论] 0835[工学-软件工程] 0802[工学-机械工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金项目(52374177) 安徽省科技重大专项(201903a07020013) 中国高校产学研创新基金(2019ITA01010) 

主　　题：YOLOv10n 安全帽检测 小目标检测 计算机视觉 模型轻量化 

摘      要：针对井下工作面内光源、设备遮挡等多种因素引起的复杂工况环境导致作业人员安全帽小目标检测算法精度低等问题，在YOLOv10n模型的框架上，提出一种基于REIW-YOLOv10n的井下安全帽小目标图像检测算法。REIW-YOLOv10N模型包括Input，Backbone，Neck和Head共4个部分。为提高模型对多尺度特征的提取能力，设计RepNMSC结构，并在Backbone部分改进C2f结构，该结构提升模型对多尺度的安全帽目标的特征提取能力；为保留Neck部分的小目标语义信息，Neck部分采用ERepGFPN结构，其使用跨层连接的方式以相同的优先级处理高层语义信息和低层空间信息，实现融合小目标特征的目的；然后，在Head部分添加P2小目标检测头并删去P5大目标检测头，在尽量保持轻量模型的前提下增加模型对井下安全帽小目标的检测性能；最后，使用Inner-IoU和Wise-IoU v3的思想优化的MPDIoU损失函数，Inner-Wise-MPDIoU使用缩放因子和梯度增益策略，加快模型收敛。利用CUMT-HelmeT数据集进行实验验证，REIW-YOLOv10n与YOLOv10n相比，mAP@0.5提升5.73%，达到88.24%。与YOLOv5s、YOLOv7-tiny、YOLOv8n和YOLOv9-tiny等五种YOLO系列算法其他主流目标检测算法比较，精度和模型权重所占空间均优于其他对比算法，综合检测性能最佳。REIW-YOLOv10n在显著提高井下复杂环境检测安全帽小目标精度的前提下，兼顾了轻量化和实时性，方便模型部署在井下边缘设备。