文件大小：1.17M
摘要：井下人员危险行为检测是煤矿安全防控的关键环节。现有目标检测技术用于人员危险行为检测时，受煤矿井下复杂工况、设备遮挡、多目标密集、粉尘干扰等因素影响，存在特征提取不准确等问题，且未明确界定人员危险行为。以YOLOv8-pose模型为基准架构，采用DCNv4网络和Pconv模块融合的DCNv4-Pconv混合模块代替标准卷积，添加混合局部通道注意力（MLCA）模块，并采用RAFCAonv模块替换检测头，从而构建PMR-YOLO模型，用于检测井下监控图像中人体关键点，提升其检测精度和运算速度。在此基础上设计了人员行为识别算法，将井下人员行为划分为9种类别，基于YOLOv8-pose模型检测的人体关键点形成人体骨架，判别人员行为类型。采用DsLMF+数据集进行消融实验、对比实验和人员行为识别实验，结果表明：DCNv4-Pconv混合模块、MLCA模块、RAFCAonv模块的引入有效提高了YOLOv8-pose模型的精确度、召回率和平均精度均值（mAP）；PMR-YOLO模型对人体关键点特征提取的精确度、召回率和mAP分别为0.893， 0.841， 0.852，较YOLOv8-pose模型分别提高了6.9%，14.4%，10.5%；基于PMR-YOLO模型的检测方法可有效识别井下人员9种行为类别，识别准确率均不低于96%。
文章目录
0 引言
1 PMR-YOLO模型
1.1 DCNv4-PConv混合模块
1.2 MLCA模块
1.3 RAFCAonv模块
2 人员行为识别算法
3 实验与结果分析
4 结论
