摘要：针对井下无人驾驶电机车因光线暗、噪声大及运动模糊等因素导致图像特征难提取、细节易丢失、小尺寸目标难识别等问题，提出了一种基于DYCS-YOLOv8n的井下无人驾驶电机车多目标检测模型。在YOLOv8n的基础上引入卷积注意力模块（CBAM），通过空间和通道双重注意力机制，提高了对关键特征的提取能力；增加小目标检测层，由原来的3层增加到4层，从而更好地提取细小特征，提升了对小尺寸目标的检测性能；采用动态上采样算子DySample，根据输入特征自适应地调整采样策略，更好地保留图像中的边缘和局部细节，避免了图像关键信息损失。采用自建的井下无人驾驶电机车数据集进行实验，结果表明：① DYCS-YOLOv8n模型的平均精度均值(mAP@0.5)达97.5%，较YOLOv8n模型提高了3.4%，且检测速度达46.35帧/s，满足实时性检测需求。② 与YOLO系列主流目标检测模型相比，DYCS-YOLOv8n模型的mAP@0.5最优，在保持轻量化的同时保证了较快的计算速度。③ 在噪声、低光照等复杂井下场景下，DYCS-YOLOv8n模型对行人、轨道、信号灯的平均检测置信度较高，未出现漏与误检情况。
文章目录
0 引言
1 DYCS-YOLOv8n模型
1.1 CBAM
1.2 小目标检测层
1.3 动态上采样
2 实验分析
2.1 实验设置
2.2 数据采集与预处理
2.3 评价指标
2.4 不同注意力机制对比
2.5 消融实验
2.6 对比实验
3 结论
