1. 项目背景与核心需求煤矿井下作业环境复杂多变低光照条件给安全生产监控带来巨大挑战。传统监控系统在井下环境中常因光线不足导致图像质量低下无法有效识别人员位置和状态这直接影响到安全预警的及时性和准确性。我们团队开发的这套系统正是为了解决这一行业痛点。井下图像主要面临三类典型问题一是整体亮度不足细节难以辨认二是存在不均匀光照局部过曝或欠曝三是粉尘、水雾导致的对比度下降。这些问题使得常规的人员检测算法在井下场景中准确率骤降误报率居高不下。2. 系统架构设计2.1 整体技术路线系统采用前端增强后端检测的双阶段架构。前端使用改进的Retinex-Net网络进行自适应光照增强后端采用YOLOv5s作为基础检测框架结合注意力机制优化小目标检测性能。这种解耦设计既保证了实时性又能针对不同环节进行专项优化。技术栈选择上我们基于PyTorch框架开发核心算法模块主要考虑其在学术界和工业界的广泛支持以及动态图机制带来的开发效率优势。数据处理环节使用OpenCV和Albumentations库这两个工具在图像处理领域具有成熟的生态。2.2 数据处理管道原始数据来自三个煤矿的井下监控视频总计约120小时的素材。我们以5秒为间隔抽取关键帧最终构建了包含8500张标注图像的数据集。标注工作采用LabelImg工具除常规的人员边界框外我们还额外标注了以下属性人员姿态站立/弯腰/匍匐装备情况是否佩戴安全设备运动方向数据增强策略特别针对井下场景设计模拟粉尘效果随机添加高斯噪声和雾化滤镜光照变化线性调整gamma值0.4-2.0范围运动模糊随机应用方向性模糊核3. 低光照增强模块实现3.1 网络结构创新我们在传统Retinex理论基础上提出多尺度光照估计模块。网络包含三个核心组件分解网络5层U-Net结构输出光照图和反射率图校正网络3个连续的Conv-BN-ReLU块动态调整光照分量融合模块使用通道注意力机制加权合并多尺度特征损失函数采用复合设计 L_total 0.6L_recon 0.3L_ssim 0.1*L_tv 其中L_recon为像素级MSE损失L_ssim保持结构相似性L_tv(total variation)抑制噪声放大。3.2 工程优化技巧在模型部署时我们发现两个关键优化点输入分辨率选择原始图像为1920×1080直接处理计算量过大。实测表明先下采样到960×540进行增强再上采样回原尺寸在质量损失可接受的前提下推理速度提升3.2倍。量化部署使用TensorRT进行FP16量化后单帧处理时间从87ms降至52ms满足实时性要求。4. 人员检测模块开发4.1 模型改进方案基于YOLOv5s的改进主要包括在Neck部分添加CBAM注意力模块增强对小目标的特征提取能力修改Anchor尺寸适配井下人员通常只占画面1/8-1/20的特点新增方向预测分支输出人员运动方向8方向分类训练时采用分阶段策略第一阶段冻结Backbone只训练检测头100epoch第二阶段解冻全部参数微调50epoch第三阶段使用TTA(Test Time Augmentation)提升鲁棒性4.2 性能优化记录在验证集上的消融实验结果模型变体mAP0.5推理速度(FPS)显存占用(MB)原始YOLOv5s0.723481450CBAM0.781411580Anchor优化0.802431520完整模型0.827381630虽然推理速度有所下降但考虑到井下场景对准确性的高要求这种trade-off是可接受的。实际部署时我们通过TensorRT优化和动态批处理最终在T4显卡上实现了52FPS的稳定性能。5. 系统集成与部署5.1 服务化架构整个系统采用微服务架构主要组件包括视频接入服务处理RTSP流帧率自适应增强检测服务GPU加速的算法核心告警服务基于规则引擎的风险判断Web可视化VueECharts的监控面板消息中间件选用RabbitMQ主要看中其稳定的消息持久化机制。在压力测试中单个服务节点可稳定处理8路1080P视频流25FPS平均端到端延迟控制在280ms以内。5.2 实际部署要点在山西某煤矿的部署过程中我们总结了以下经验井下设备散热工业计算机需配备防尘风扇环境温度超过45℃时需降频运行网络抖动处理在交换机端设置QoS优先级视频流标记为最高优先级断电保护部署UPS电源确保至少30分钟续航6. 常见问题与解决方案6.1 图像增强环节问题1增强后出现光晕伪影原因光照估计网络感受野不足解决在损失函数中加入梯度一致性约束项问题2暗区噪声放大原因反射率图过度增强解决在融合阶段添加自适应噪声抑制模块6.2 人员检测环节问题1密集人群漏检现象当人员间距小于20像素时NMS会过滤掉部分检测优化改用Soft-NMS算法IoU阈值设为0.4问题2设备误识别现象部分采矿设备被误判为人员解决在数据集中新增2000张负样本纯设备图像7. 项目创新点总结领域适配的增强算法针对煤矿井下特殊环境设计的Retinex改进网络在公开数据集LOL上达到PSNR24.7dB优于传统方法6.2dB。轻量化检测框架通过神经架构搜索得到的精简版YOLO参数量仅7.8M在自建测试集上mAP达到0.827。端到端优化方案从数据采集到模型部署的全流程优化使系统能在2GB显存的边缘设备上实时运行。这套系统目前已在3个煤矿试运行平均误报率从传统方案的15.3%降至2.1%成功预警了7次潜在安全事故。后续计划加入行为分析模块进一步识别违规操作如未佩戴安全装备、进入危险区域等。