李春贺

（中国矿业大学（北京）管理学院，北京100083）

研究表明，煤炭行业的重大事故大多是由于工作人员的不当操作所导致，因此在生产过程中，对矿工危险行为的监控和预警是防止发生事故的重要方法[1-3]。近年来，随着深度学习、人工智能技术的不断发展和应用，基于计算机视觉的深度学习算法逐渐开始应用到实际项目中[4-5]。为了遏制煤炭安全事故，矿井中安装有大量的监控摄像头，但是工作人员无法同时关注多个监控摄像头返回的画面，因此导致了一定的生产安全隐患产生[2]。使用基于深度学习的计算机视觉算法完成对煤矿井下矿工危险行为的检测和识别，不但可以有效的抑制煤矿安全事故的发生，更能提高企业经济效益。针对煤矿井下背景复杂、目标尺度变化大、小目标较多等问题，提出了一种矿工危险动作检测算法。该算法在YOLOv3 检测模型的基础之上，设计了一种轻量化的轻量化的特征提取网络，在保持模型特征提取能力不变的情况下，极大压缩了模型体积和计算量，有效地提升了模型的测试速度。为了解决YOLOv3 算法对于小目标的漏检和误检这一问题，设计了一种基于注意力机制的特征融合模块，该模块通过空间注意力机制来融合局部细节信息来增强小目标的检测性能，通过通道注意力机制来融合全局特征来优化目标检测的精度。经过大量对比试验，结果证明所提出的方法在矿工危险动作检测方面具有很好的性能和检测精度。……