张翼翔，林松，李雪

（中国矿业大学（北京）机电与信息工程学院，北京 100083）

0 引言

选煤厂安放刮板输送机、振动筛等大型机械设备的区域容易发生人员安全事故，为选煤厂危险区域。尽管在选煤厂危险区域设置了安全隔栏、警示牌等，但在实际生产过程中依然存在人员违规进入危险区域的行为。为保障人员安全，在选煤厂危险区域会安装监控系统，但需要专职人员值守，存在因值班人员疲劳而忽视现场异常工况的现象[1]。

为提高安全管理水平，研究人员提出使用目标检测算法检测设备运行时是否有进入危险区域的人员，辅助值班人员对危险区域进行监测。张圣强等[2]采用背景减除法分割运动目标区域，再结合人体的形状信息进行验证，实现了对人员的检测；陈海龙[3]将背景减除法作为选煤厂巡检机器人目标检测方法。但由于选煤厂光照不均、背景复杂，尤其在人员之间发生遮挡时会使各个目标区域连通在一起，造成漏检率偏高的问题。林娅静[4]通过基于混合高斯模型的背景减除法进行运动目标检测，再结合方向梯度直方图（Histogram of Oriented Gradient,HOG）和支持向量机（Support Vector Machine，SVM）进行人员识别，一定程度上提高了检测准确率，但检测效率低。

近年来，基于深度学习的目标检测算法发展迅速，其鲁棒性好、泛化能力强，但计算量大。为达到实时检测效果，学者们提出了轻量化目标检测模型，但现有的轻量化目标检测模型是面向公开数据集设计的，需要兼顾多个类别目标的检测效果，缺乏对特定类型目标检测性能的优化。……