汪鑫1，朱延松1,2，汤超弘1
（1.安徽理工大学机电工程学院，安徽 淮南 232001;2.合肥综合性国家科学中心能源研究院（安徽省能源研究院），
安徽 合肥 230051）
摘要：针对传统检测算法在井下掘进工作面低照度和机械设备遮挡等环境下存在的漏检和误检问题，提出了一种基于
YOLOv8s的掘进工作面人员检测算法.首先，采用基于HGNetV2改进的重参数化骨干网络，在降低模型复杂度的同时，
能够提取更深层次的特征信息，从而提高检测的准确性.其次，引入DualConv卷积以设计C2f-DConv模块，增强模型
的检测性能并减少计算量.最后，结合CGA注意力机制模块，进一步提升模型的特征提取能力.实验结果显示，所提出的
RDC-YOLOv8s检测算法在mAP@0.5指标上达到了91.4%，相比于原始YOLOv8s提升了2.5%.证明了该算法在井下掘
进工作面人员检测领域的优越性能.
关键词：人员识别；YOLOv8s；HGNetV2；DualConv；CGA
中图分类号：TD94;TP312
文献标识码：A
文章编号:1673-2103（2025）05-0043-10
收稿日期：2024-11-14
基金项目：安徽省高校协同创新项目（GXXT-2022-019）
作者简介：汪鑫（1997—）,女，安徽铜陵人，硕士，研究方向：机器视觉，E-mail:2528757243@qq.com.
