基于改进YOLOv8的露天矿区行车障碍物检测

doi:10.11872/j.issn.1005-2518.2024.02.150

基于改进YOLOv8的露天矿区行车障碍物检测

顾清华^,¹^,², 周琼^,¹^,², 王丹¹^,²

1.西安建筑科技大学资源工程学院，陕西西安 710055

2.西安建筑科技大学西安市智慧工业感知计算与决策重点实验室，陕西西安 710055

Traveling Obstacle Detection in Open-Pit Mine Area Based on Improved YOLOv8

GU Qinghua^,¹^,², ZHOU Qiong^,¹^,², WANG Dan¹^,²

1.School of Resources Engineering, Xi’an University of Architecture and Technology, Xi’an 710055, Shaanxi, China

2.Xi’an Key Laboratory of Intelligent Industry Perception, Computing and Decision Making, Xi’an University of Architecture and Technology, Xi’an 710055, Shaanxi, China

通讯作者: 周琼（1999-），女，陕西西安人，硕士研究生，从事机器视觉和智能采矿研究工作。zq1121629@163.com

收稿日期: 2023-11-02 修回日期: 2024-02-08

基金资助:

国家自然科学基金资助项目“金属露天矿无人驾驶多工序多目标协同智能调度方法研究”. 52074205
陕西省杰出青年基金资助项目“时空路况下金属露天矿无人驾驶多车协同智能调度集成建模”. 2020JC-44

Received: 2023-11-02 Revised: 2024-02-08

作者简介 About authors

顾清华（1981-），男，山东诸城人，教授，从事矿山智能科学与工程研究工作qinghuagu@126.com , E-mail：qinghuagu@126.com

摘要

露天矿区场景复杂，行车障碍物检测受扬尘和颗粒物等粉尘噪声干扰严重，难以准确识别障碍物，尤其是光线较差的夜间，不利于做出正确决策，从而影响无人作业的安全性和整体效率。针对以上问题，提出了一种基于YOLOv8n模型的露天矿区行车障碍物检测算法YOLOv8n-Enhanced。该算法主要从3个方面进行了改进，具体包括：首先，针对受粉尘噪声干扰严重和夜间光线不足的问题，提出了C2fCA模块结构，提高了模型特征提取能力；其次，使用轻量级卷积技术GSConv和VoV-GSCSP模块，减轻模型复杂性，实现检测器更高的计算成本效益；最后，使用WIOU损失函数，提高了模型泛化能力。试验结果表明：改进算法在保持实时性的前提下，可将YOLOv8n的平均精度（mean Average Precision，mAP）分别提高1.8%和2.6%，实现白天与夜间场景下不同尺度的障碍物识别。

关键词： 露天矿区 ; 无人驾驶 ; 障碍物检测 ; YOLOv8检测模型 ; 矿区复杂场景

Abstract

The open-pit mining area is a complex scene，and the traveling obstacle detection is seriously interfered by dust noise such as dust and particles，which makes it difficult to accurately identify obstacles，especially at night when the light is poor，which is not conducive to correct decision-making，thus affecting the safety and overall efficiency of unmanned operation.In view of the above problems，a YOLOv8n-based YOLOv8n-Enhanced algorithm for detecting traveling obstacles in open-pit mining areas was proposed.The algorithm is mainly improved in three aspects：Firstly，for the problems of serious interference by dust noise and poor light at night，a C2fCA module structure was proposed instead of the original C2f module，which utilizes the shared weights and context-aware weights to enhance the dependency relationship between different locations of the image，mitigate the noise interference，and improve the feature extraction ability of the model.Secondly，to trade-off the accuracy and real-time performance of the open-pit obstacle detection model，the Neck end of the model was reconstructed，and the lightweight convolutional techniques GSConv and VoV-GSCSP modules were used to reduce the complexity of the computation and network structure，and realize a higher computational cost-effectiveness of the detector.Finally，for the situation that there is a large gap between the quality of data in the open-pit mining area，especially at night when there is insufficient light，and low-quality data will affect the ability of the model to learn features in training，the loss function was optimized to solve the problem of the bounding box regression equilibrium between the samples of different qualities，to improve the ability of the model to generalize and accelerate the convergence.The experimental results show that the improved algorithm in this paper reduces the computational GFLOPs of the model by about 8.5% and the number of parametric params by about 3% while maintaining the real-time performance，and improves the mean Average Precision（mAP） of the YOLOv8n by 1.8% and 2.6% in daytime and nighttime scenarios，respectively，and realizes obstacle recognition at different scales in daytime and nighttime scenes.

Keywords： open-pit mining area ; unmanned driving ; obstacle detection ; YOLOv8 detection model ; complex scene of mining area

PDF (7221KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

顾清华, 周琼, 王丹. 基于改进YOLOv8的露天矿区行车障碍物检测[J]. 黄金科学技术, 2024, 32(2): 345-355 doi:10.11872/j.issn.1005-2518.2024.02.150

GU Qinghua, ZHOU Qiong, WANG Dan. Traveling Obstacle Detection in Open-Pit Mine Area Based on Improved YOLOv8[J]. Gold Science and Technology, 2024, 32(2): 345-355 doi:10.11872/j.issn.1005-2518.2024.02.150

近年来，露天矿区的无人驾驶技术研究取得了显著进展，并逐渐应用于实际场景。在露天矿区无人驾驶过程中，准确检测和识别复杂多变的环境因素显得尤为重要（刘永锋，2022；董莉娟，2023；阮顺领等，2023）。由于露天矿区环境恶劣且场景独特，无人驾驶过程中的检测和识别技术难以达到与日常道路环境相同的稳定水平。扬尘干扰、视线受限和夜间光照不足等复杂环境因素对矿卡车行驶的安全性提出了严峻挑战（张蕊等，2023）。因此，提高露天矿区行车障碍物检测的可靠性和准确性显得重要且紧迫（张晞等，2022）。

传统的目标检测算法由于泛化性和稳健性较差，并不适用于复杂的露天矿区场景（Wang et al.，2019）。随着GPU硬件技术的飞速进步，基于深度学习的目标检测算法因具有检测结果精度高和处理速度快等优点而在自动驾驶领域得到了广泛应用（Pathak et al.，2018；王京华等，2021）。目前主流的目标检测算法包括R-CNN系列的双阶段算法（Girshick et al.，2014；Girshick，2015；Ren et al.，2016）和YOLO系列的单阶段算法（Redmon et al.，2015，2018；Bochkovskiy et al.，2020；Zhu et al.，2021），均在露天矿区障碍物检测中得到了应用。秦学斌等（2023）针对光照不均匀和遮挡等场景，提出了一种基于16线激光雷达与Realsense D435深度相机融合的煤矿自动驾驶矿卡车前障碍物检测方法，解决了传统障碍物检测方法存在的漏检和实时性差的问题。阮顺领等（2021）根据露天矿区存在的道路坑洼和塌陷等负向障碍物，建立了基于机器视觉的轻量化目标检测模型，能够有效识别负障碍物。秦晓辉等（2023）针对目前实地部署的商用采矿无人系统难以准确识别障碍物类型的问题，提出了一种基于改进YOLOv5的露天矿山目标检测方法，在保证实时性的前提下有效提高了YOLOv5的检测精度。上述露天矿区障碍物检测算法在白天场景下得到了较好的应用，并取得一定成果，但针对复杂矿区环境仍存在以下局限性：（1）露天矿区矿卡车载摄像头易受粉尘干扰，数据样本间质量差异大，导致检测识别困难；（2）矿区障碍物的检测局限于特定的单一白天场景，并未同时考虑夜间场景下障碍物检测问题；（3）高精度检测和识别模型的运行成本较高，计算资源消耗大。在露天矿区特殊场景下，如何以低成本实现高效的障碍物检测仍需进一步研究。

针对上述问题，本文采集了露天矿区场景下受粉尘干扰和光线影响的白天与夜间车辆行驶数据。改进YOLOv8网络，在主干网络中引入C2fCA模块，减轻噪声带来的干扰，提高了模型的特征提取能力；重构模型的Neck端减轻复杂度，平衡检测的准确性和实时性，实现了检测器更高的计算成本效益；优化目标边界框损失函数，提高模型的泛化能力并加速收敛。使用白天与夜间车辆行驶的数据集进行障碍物检测试验，达到了障碍物检测精度高、计算成本低和实时性的要求。

1 露天矿区行车障碍物检测算法设计

1.1 模型结构

在露天矿区工程应用中，网络模型部署所使用的计算设备通常计算能力有限。为了同时保证检测精度和检测速度，以YOLOv8架构为基础，针对现有目标检测算法的缺陷并结合露天矿区复杂的环境特点，提出了障碍物检测模型结构（图1）。在主干网络，提出了具有共享权重和上下文感知权重的C2fCA模块结构替换P4层和P5层的C2f结构，更好地处理由于噪声影响导致图像中不同位置之间依赖关系受到割裂的问题。在颈部网络中采用轻量级卷积技术GSConv和VoV-GSCSP模块减轻模型的复杂性，实现高性能检测。在头部分类预测阶段，使用WIoU损失函数，提高了模型的泛化能力和检测精度。

图 1

新窗口打开| 下载原图ZIP| 生成PPT

图 1 模型结构示意图

Fig.1 Schematic of model structure

1.2 重构主干网C2f模块处理图像位置关系

在露天矿区，由于无人驾驶矿卡车的车载摄像头经常受到扬尘和颗粒物等粉尘的遮挡，加上空气中弥漫着大量尘土，导致摄像头捕捉到的图像模糊；夜间矿区照明设施不充足，光照条件较差，严重影响图像的清晰度和辨识度。这些因素导致卷积神经网络模型在提取图像特征时产生大量噪声，破坏图像不同位置间的依赖关系，降低障碍物检测和识别的准确率。处理好图像不同位置间的依赖关系，有助于计算机视觉系统更好地理解图像中的物体，提高目标检测和识别效果。

本研究使用的CloFormer网络（Fan et al.，2023）通过引用注意力机制和卷积运算相结合的AttnConv模块［图2（a）］，使用共享权重和上下文感知权重，能够更好地处理图像中不同位置之间的关系。因此，本文通过在YOLOv8的主干网络中加入AttnConv模块，形成C2fCA模块［图2（b）］，替换主干网络中后2个C2f模块。首先，C2fCA模块中卷积核权重是共享的，即对于不同位置的输入特征，使用相同的卷积核权重进行计算，使得整个图像学习到通用的特征，增强对不同位置之间关系的建模能力；同时，共享权重保证了在图像不同位置使用相同的特征提取模式，从而使得不同位置之间的特征表示更加一致。其次，C2fCA模块使用注意力机制，根据输入特征的上下文信息计算上下文感知权重，在不同位置处对特征进行不同程度的加权，使得模型更加关注图像中不同位置的重要性。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 AttnConv模块和C2fCA模块

Fig.2 AttnConv module and the C2fCA module

通过结合共享权重和上下文感知权重，C2fCA模块在处理图像时能够更加灵活地捕捉不同位置之间的关系，使得模型更具有稳健性和泛化能力，不仅克服了露天矿区行车车载摄像头受粉尘干扰和夜间光线不足等因素的影响，而且解决了噪声造成的图像位置割裂和依赖关系问题，提高了障碍物检测精度。

1.3 重构Neck端减轻模型复杂度

露天矿区无人驾驶矿卡车在作业时车载摄像头要处理大量数据，使用原始的YOLOv8模型进行障碍物检测和识别，将会产生较高的计算资源成本，对于露天矿区车载边缘计算平台如何高效地利用计算资源和提供实时准确的数据具有重要意义。

本研究中使用GSConv新型卷积方式（Li et al.，2022）［图3（a）］，该卷积方式的原理是使用均匀混合（Shuffle）操作，将标准卷积生成的信息渗透到深度可分离卷积生成的信息中，使用较低的时间损耗尽可能保留通道之间的信息交互，从而很好地减轻模型的复杂度。同时，使用VoV-GSCSP模块［图3（b）］提高模型的学习能力。重构后的Neck端使用GSConv代替普通卷积操作，VoV-GSCSP模块代替原来的C2f模块，不仅降低了模型的复杂度，缩短了推理时间，而且保证了模型的准确型，相比原有的模型参数降低了约7%，降低了检测器的计算成本。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 GSConv结构和VoV-GSCSP结构

Fig.3 GSConv structure and VoV-GSCSP structure

1.4 优化损失函数

YOLOv8模型使用CIoU损失函数（Zheng et al.，2020）计算边界框的回归损失，CIoU损失函数的计算公式为

L_{C I o U} = 1 - L_{I o U} + \frac{ρ (b, b^{g t})}{c^{2}} + α v

（1）

式中： $L_{C I o U}$ 为损失函数值； $L_{I o U}$ 为预测框和真实框重叠面积的交并比值； $b$ 为预测框； $b^{g t}$ 为真实框中心； $ρ (∙)$ 表示欧氏距离； $c^{2}$ 表示预测框和真实框的最小闭包框对角线距离； $α$ 和 $v$ 为惩罚因子。其中， $α$ 和 $v$ 计算公式分别为

α = \frac{v}{(1 - L_{I o U}) + v}

（2）

v = \frac{4}{π^{2}} {(a r c t a n \frac{w^{g t}}{h^{g t}} - a r c t a n \frac{w}{h})}^{2}

（3）

式中：w为预测框的宽；h为预测框的高；w^gt为真实框的宽；h^gt为真实框的高。

在边界框回归中，CIoU作为损失函数对宽高比的定义并不是很清晰，其宽高比不能代表预测框与真实框之间的宽高比。当实际数据较复杂时，模型效果会变差。如图4所示，露天矿区在粉尘干扰严重和摄像头被尘土遮挡的情况下，特别是在夜间光线不足的情况下，数据质量间存在较大的差距。低质量数据会影响模型在训练中的特征学习能力，降低模型的泛化能力和检测精度。考虑到以上问题，本文将YOLOv8网络模型的边框损失函数由CIoU替换为WIoU（Tong et al.，2023）。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 不同质量数据样本

Fig.4 Data samples of different quality

基于动态非单调聚焦机制的WIoU损失函数，可以缓解瞄框标注质量对网络模型整体收敛速度和定位精度的影响，解决质量较好与质量较差样本间的边界框回归平衡问题，提高模型的泛化能力并加速收敛。WIoU损失函数的计算公式为

L_{W I o U} = \frac{β}{δ α^{β - δ}} e x p [\frac{{(x - x_{g t})}^{2} + {(y - y_{g t})}^{2}}{{(W_{g}^{2} + H_{g}^{2})}^{*}}] L_{I o U}

（4）

式中： $L_{W I o U}$ 为损失函数值； $δ$ 为超参数； $β$ 为锚框的离群度因子； $e x p$ 为指数函数； $x$ 和 $y$ 为预测框中心点坐标； $x_{g t}$ 和 $y_{g t}$ 为真实框中心点位置； $W_{g}$ 和 $H_{g}$ 为预测框和真实框的最小闭包框的宽度和高度； $*$ 为计算分离。

2 露天矿区行车障碍物数据集构建

本文采集矿卡车车载摄像头白天与夜间场景下的前、左和右视角的RGB 图像，图像分辨率为1 200 pixel×1 080 pixel，在输入网络时将图像大小调整为640 pixel×640 pixel。原始数据集共有2 952张图像（白天2 120张和夜间832张），包含5个类别，分别是矿区运载卡车（truck）、矿区挖掘机（excavator）、其他车辆（car）、行人（person）和在夜间行车时高亮度的车灯（carlight），将这5个类别作为主要检测目标，图5所示为5个类别的实例。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 不同类别检测目标检测实例

Fig.5 Detection examples of different detection categories

本研究对白天和夜间2个场景分别进行行车障碍物检测试验。由于数据集中图像数量过少，导致网络难以达到良好的拟合状态，因此通过数据扩增的方法来丰富数据的多样性，提高模型的泛化能力。通过采取改变亮度、灰度化处理和增强对比度等扩增方法对原始图像进行处理，使样本扩增为原来的3倍。该数据集包含12 465个矩形框实例，分类统计结果如图6所示，其中白天与夜间的矩形框数量分别对应不同类别的实例数量。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 数据集不同类别的实例分布

Fig.6 Example distribution of different categories of data sets

3 试验验证

本研究将白天与夜间所构建的数据集分别按照7∶1∶2划分为训练集、验证集和测试集进行试验。试验环境配置如下：Linux Ubuntu 18.04 LTS 的操作系统，IntelⒸCoreTM i7-7800X CPU，24 GB的显存NVIDIA GeForce RTX3090 Ti GPU，CUDA 11.1，Pytorch 1.10.0。

在所有试验中，模型的输入分辨率为640 pixel×640 pixel，超参数设置批大小（batch size）为16，训练周期（epochs）经试验后分别确定为200（白天）和150（夜间），初始学习率（learning rate）为0.01，优化器为SGD（Stochastic Gradient Descent）。

3.1 评价指标

本试验采用平均精度均值（mean Average Precision，mAP）来评价模型的准确性，mAP50的含义为IOU阈值为0.5时的平均精度均值。mAP计算公式为

m A P = \frac{1}{c} \sum_{i = 1}^{c} A P_{i}

（5）

式中： $c$ 为检测类别总数； $A P$ 为某一类别P-R曲线下的面积， $A P$ 的计算公式为

A P = \int_{0}^{1} P (R) d R

（6）

采用每秒传输帧数（Frames Per Second，FPS），计算网络每秒可以处理（检测）多少帧（多少张图片），计算公式为

F P S = \frac{F r a m e N u m}{E l a p s e d T i m e}

（7）

式中： $F r a m e N u m$ 为检测图片总数； $E l a p s e d T i m e$ 为耗费的总时间；采用 $P a r a m s$ 衡量网络模型的参数量，单位为M；采用计算量 $G F L O P S$ 衡量网络模型的执行时间，计算量越大意味着需要占用更多的计算资源，来衡量改进算法的有效性。

3.2 改进方法效果对比

前文提出基于YOLOv8n的改进结构，包括对主干网C2f模块、Neck端和损失函数的改进，通过以下试验来验证改进方法的有效性。

（1）主干网C2f模块改进试验

改进YOLOv8n的主干网中的C2f模块，本研究将后2个C2f模块替换为C2fCA模块。试验结果表明，替换后模型的计算量相较YOLOv8n增加了0.2 GFLOPs，参数量增加了0.12 M，但针对白天和夜间场景下障碍物检测的mAP50分别提高了1.3%和2.5%（表1）。

表1 主干网改进后性能对比

Table 1 Performance comparison after backbone network improvement

模型	计算量 /GFLOPs	参数量/M	mAP50/%
模型	计算量 /GFLOPs	参数量/M	白天	夜间
YOLOv8n（Baseline）	8.2	3.01	95.7	92.5
+2 C2fCA	8.4	3.13	97.0	95.0
+1 C2fCA对照	8.2	3.09	95.1	94.3
+3 C2fCA对照	8.5	3.15	96.0	95.4
+4 C2fCA对照	8.6	3.15	94.5	95.0

新窗口打开| 下载CSV

为了进一步验证C2fCA模块的有效性，开展了3组对照试验，分别替换不同数量的C2fCA模块。从表1可以看出，C2fCA模块对夜间障碍物检测效果好一些，但过多的使用C2fCA模块会导致网络层数增加，计算资源消耗增大。因此本研究将后2个C2f模块替换为C2fCA模块。

（2）Neck端改进试验

Neck端使用新的卷积方式GSConv和VoV-GSCSP模块构成了new-Neck端。表2为改进后模型的性能参数，相比原YOLOv8n模型，改进后模型的计算量和参数量分别降低了约10%和7%。同时，改进后的模型计算速度是87 FPS，可达到实时的检测速度，mAP50在白天和夜间场景下分别提高了1.4%和1.2%。

表2 Neck端改进后性能对比

Table 2 Performance comparison of improved Neck

模型

计算量

/GFLOPs

参数量/M

mAP50/%

计算速度

/FPS

白天

夜间

YOLOv8n（Baseline）

8.2

3.01

95.7

92.5

+new-Neck

7.4

2.80

97.1

93.7

新窗口打开| 下载CSV

（3）损失函数改进试验

将YOLOv8n损失函数替换成WIoU，白天和夜间场景下的mAP50分别提高了1.1%和1.7%，且无额外计算成本。同时，为了进一步验证WIoU的有效性，本研究开展了2组对照试验，试验结果见表3。由表3可知，WIoU损失函数能够有效地解决样本间质量差异较大的边界框回归平衡问题，提高了模型的检测精度。

表3 损失函数改进后性能对比

Table 3 Performance comparison after loss function improvement

模型	计算量 /GFLOPs	参数量/M	mAP50/%
模型	计算量 /GFLOPs	参数量/M	白天	夜间
YOLOv8n（Baseline）	8.2	3.01	95.7	92.5
+WIoU	8.2	3.01	96.8	94.2
+2 C2fCA+WIoU	8.4	3.13	97.2	95.0
+new-Neck+WIoU	7.4	2.80	97.0	94.6

新窗口打开| 下载CSV

3.3 消融试验

将所有改进点集成到同一模型上，得到YOLOv8n-Enhanced增强型实时检测模型。同时，为了验证融合改进点后对模型的影响效果，本研究共开展了5组消融试验，各项评价指标见表4。由表4可知，相比原YOLOv8n模型，YOLOv8n-Enhanced检测模型的计算量降低了约8.5%，参数量减少了约3%，mAP50在白天和夜间场景下分别提高了1.8%和2.6%，图7所示为模型改进前后mAP50曲线对比。C2fCA模块、new-Neck和WIoU损失函数的配合使用，降低了模型的复杂度，减少了计算资源的占用，同时提高了白天和夜间场景下模型的检测精度。

表 4 消融试验结果

Table 4 Ablation test results

模型	C2fCA	new-Neck	WIoU	计算量 /GFLOPs	参数量 /M	mAP50/%		检测速度/FPS
模型	C2fCA	new-Neck	WIoU	计算量 /GFLOPs	参数量 /M	白天	夜间	检测速度/FPS
YOLOv8n（Baseline）	-	-	-	8.2	3.01	95.7	92.5	80
N1	√	-	-	8.4	3.13	97.0	95.0	61
N2	-	√	-	7.4	2.80	97.1	93.7	87
N3	-	-	√	8.2	3.01	96.8	94.2	80
N4	√	√	-	7.5	2.92	96.3	94.7	69
YOLOv8n-Enhanced	√	√	√	7.5	2.92	97.5	95.1	69

新窗口打开| 下载CSV

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7 模型改进前后mAP50曲线对比

Fig.7 Comparison of the mAP50 curves before and after model improvement

为了验证YOLOv8n-Enhanced算法的有效性，从测试集中选取了白天和夜间场景下受粉尘干扰、背景复杂和光照不同的几张有代表性的图像进行障碍物检测，结果如图8所示，分别是白天和夜间场景下的原图、YOLOv8n算法检测结果图像和YOLOv8n-Enhanced检测结果图像。由图8可知，YOLOv8n-Enhanced算法能够有效解决露天矿区白天和夜间场景下障碍物检测存在的漏检、误检和边界框回归等问题，提高了模型的检测性能。

图8

新窗口打开| 下载原图ZIP| 生成PPT

图8 改进前后算法效果对比

Fig.8 Comparison of algorithm effects before and after the improvement

表5所示为改进模型YOLOv8n-Enhanced与其他目标检测模型［包括Faster R-CNN、SSD（Liu et al.，2016）、YOLOv5和YOLOv7］在相同试验条件和数据集下进行障碍物检测的性能对比结果。由表5可知：本文改进算法在白天和夜间的检测精度mAP50分别达到97.5%和95.1%，检测速度为69 FPS，远高于其他4种目标检测模型，且参数量仅为2.92 M。在露天矿区无人驾驶场景中，对于高精度检测和实时检测的需求，本文提出的改进算法表现最优。

表5 不同模型检测性能对比

Table 5 Comparison of detection performance of different models

模型	参数量 /M	mAP50/%		检测速度 /FPS
模型	参数量 /M	白天	夜间	检测速度 /FPS
YOLOv8n-Enhanced	2.92	97.5	95.1	69
Faster-Rcnn	40	83.0	53.2	28
SSD300	26.2	64.3	52.4	34
YOLOv5s	7.07	93.5	91.5	65
YOLOv7-tiny	6.03	95.0	92.3	54

新窗口打开| 下载CSV

4 结论

针对露天矿区行车障碍物检测容易受扬尘和颗粒物等粉尘噪声的干扰，难以准确识别障碍物，尤其是对夜间障碍物检测的问题，本研究提出了YOLOv8n-Enhanced露天矿区行车障碍物检测模型。该模型采用C2fCA模块解决粉尘噪声问题，增强图像不同位置之间的依赖关系，提高了模型的检测准确性。

同时，为实现露天矿区无人驾驶检测器更高的计算成本效益，重构模型的Neck端，平衡模型的准确性和实时性。针对样本间质量差异大的边界框回归平衡问题，采用WIoU损失函数，提高了模型的泛化能力并加速收敛。试验结果表明，模型在白天和夜间场景下均取得良好的检测性能。尽管本研究提出的方法在一定程度上提高了露天矿特殊场景下障碍物的检测精度，并满足实时检测的要求，但当前工作仍无法覆盖不同情况的露天矿区，后续将继续丰富数据集，并在不同环境下的露天矿区中进行测试和优化。

中国黄金报

http://www.goldsci.ac.cn/article/2024/1005-2518/1005-2518-2024-32-2-345.shtml

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[]

Bochkovskiy

， Wang

， Liao

H M

，2020.

YOLOv4：Optimal speed and accuracy of object detection

［J］.ArXiv：.