这篇文档属于类型a（单篇原创研究报告），以下是针对该研究的学术报告：

煤矿综采工作面人员入侵危险区域智能识别方法研究

一、作者及发表信息

本研究由毛清华（西安科技大学机械工程学院/陕西省矿山机电装备智能检测与控制重点实验室）、翟姣、胡鑫、苏毅楠、薛旭升合作完成，发表于《煤炭学报》2025年第50卷第2期（页码：1339-1353）。

二、学术背景

科学领域：煤矿智能化安全监测与计算机视觉。
研究动机：煤矿综采工作面因人员尺度多变、危险区域动态变化（如液压支架移动导致摄像头视角变化），传统视频AI识别准确率不足，易引发安全事故。现有方法多针对固定区域设计，难以适应动态场景。
研究目标：提出一种结合改进目标检测模型（RSCA-YOLOv8s）与危险区域自动划分的智能识别方法，提升人员入侵识别的准确率与适应性。

三、研究流程与方法

1. 目标检测模型改进（RSCA-YOLOv8s）

• 基础框架：以YOLOv8s为基线，引入四大模块：
  
  • RFACONV-SE：结合通道注意力（Squeeze-and-Excitation, SE）与感受野注意力卷积（Receptive-Field Attention Convolution, RFA），增强复杂背景下人员特征的全局捕捉能力。
    
  • CCNet：通过交叉注意力网络（Criss-Cross Attention Network）获取像素间远程依赖关系，解决遮挡问题。
    
  • C2F_RES2Block：融合Res2Net多尺度特征提取能力，提升小目标检测性能。
    
  • SPC-ASFF：改进自适应特征融合模块（Adaptive Spatial Feature Fusion），用亚像素卷积（Sub-Pixel Convolution）替代插值法，减少小目标细节丢失。
    
• 数据集构建：
  
  • 采集煤矿井下视频数据，经去雾（基于边界约束与非线性上下文正则化）和增强（Auto-MSRCR算法）预处理，构建人员数据集CCWSPD（5,845张训练集）和护帮板/挡煤板数据集RDD（23,692张训练集）。
    

2. 危险区域自动划分

• 动态划分原理：基于摄像头随液压支架移动的特性，通过检测护帮板与挡煤板的关键特征点（如护帮板右下角、挡煤板左上角），结合图像像素坐标系斜率（k值正负判断巷道走向），动态生成危险区域多边形。
  
• 关键点筛选规则：针对护帮板/挡煤板检测数量（n1/n2）不同场景（如n1≥2且n2=1），制定差异化选点策略（如底边1/2点、右边4/5点）。
  

3. 入侵判别方法

• 射线法：以人员检测框中心点为基准，水平发射射线，计算与危险区域边界的交点数量（奇数为入侵，偶数为非入侵），解决传统重叠度（IoU）法参数设置敏感的问题。
  

4. 实验验证

• 消融试验：逐步添加模块验证效果，RFACONV-SE使mAP@0.5提升0.7%，SPC-ASFF进一步提升1.1%。
  
• 对比试验：RSCA-YOLOv8s在CCWSPD数据集上达到97.2% mAP@0.5，优于YOLOv5s（95.8%）和YOLOv8-SPDConv（96.5%）。
  
• 实际场景测试：7组危险区域划分试验平均准确率97.285%；5组入侵判别试验中，正常光照下准确率超99%，极端光照下仍保持98%以上。
  

四、主要结果与逻辑关联

1. 模型性能：RSCA-YOLOv8s对小目标人员识别mAP@0.5:0.95达65.2%，较基线提升2.5%。
   
2. 动态划分有效性：护帮板/挡煤板关键点提取成功率为97.285%，支持后续入侵判别的输入准确性。
   
3. 入侵判别鲁棒性：射线法在动态场景中误判率低于1.5%，显著优于传统IoU法。
   

五、结论与价值

• 科学价值：
  
  • 提出多模块协同的YOLOv8s改进框架，为复杂环境下多尺度目标检测提供新思路。
    
  • 首次实现煤矿动态危险区域的自动划分与入侵精准判别。
    
• 应用价值：可集成至煤矿智能监控系统，实时预警人员入侵，降低安全事故风险。
  

六、研究亮点

1. 创新算法组合：RFACONV-SE与SPC-ASFF的结合，兼顾通道与空间注意力，提升特征融合效率。
   
2. 动态场景适应性：通过护帮板/挡煤板特征点实时更新危险区域，解决液压支架移动导致的视角变化问题。
   
3. 工程实用性：42.8 FPS的推理速度满足实时性需求，且模型显存占用仅11.2GB。
   

七、其他价值

• 提出的图像预处理方法（如Auto-MSRCR）可推广至其他低质量工业场景。
  
• 开源数据集CCWSPD与RDD为后续研究提供基准。
  

（报告总字数：约1,800字）