董昕宇，师杰，张国英

(中国矿业大学(北京) 机电与信息工程学院， 北京 100083)

0 引言

对采煤工作面人员进行实时检测，是保障采煤工作面人员安全的基础[1-3]。随着数字图像处理技术的飞速发展，目标检测方法已被广泛应用于智慧矿山建设中[4-5]。通过目标检测方法对采煤工作面视频监控图像进行分析和检测，判断采煤工作面是否有工人出现，并与煤矿井下安全监控系统报警产生联动，可以一定程度上保障煤矿生产安全。

近年来，基于深度学习的地面人员检测方法发展较快，学者们提出了卷积神经网络(Convolutional Neural Networks, CNN)模型、YOLO(You Only Look Once)网络、CenterNet等[6-9]。谢林江等[10]提出了一种加入选择性注意层的CNN模型，在INRIA数据集上的目标检测准确率达到96.14%；高宗等[11]提出了一种基于YOLO网络的行人检测方法，降低了误检率，提高了定位准确性；徐哲等[12]针对小目标行人漏检问题，提出了一种并行卷积神经网络，提升了小目标行人的检测准确率。姜建勇等[13]提出了一种PD-CenterNet(Pedestrian Detection CenterNet)模型，采用基于注意力机制的特征融合模块来对低级特征和高级特性进行融合，从而提升检测精度。由于井下采煤工作面检测环境较为特殊，存在粉尘严重、清晰度差、光照不足、局部强光照射等情况，上述方法应用于井下时检测效果不好。唐士宇等[14]提出了基于深度CNN的井下人员目标检测方法，能有效克服矿井中光线较暗、口罩遮挡、面部清洁度较差等问题，准确率达87.6%，但该方法因网络较深，计算量大，不能达到实时检测效果。

为减少网络训练参数、提高模型检测速度，本文提出了一种基于参数轻量化的井下人体实时检测算法，采用深度可分离卷积和倒置残差模块提取图像特征，减少了井下人体实时检测网络的学习参数，提高了计算效率，实现了实时检测。……