LL-YOLO：一种煤矿低光环境下的人员检测算法.pdf

第34卷第11期中国矿业Vol.34,No.11

2025年11月CHINAMININGMAGAZINENov.2025

文章编号：1004-4051（2025）11-0024-12DOI：10.12075/j.issn.1004-4051

LL-YOLO：一种煤矿低光环境下的

人员检测算法

112

张卓，贾澎涛，王斌

（1.西安科技大学人工智能与计算机学院，陕西西安710054；

2.陕西建新煤化有限责任公司，陕西黄陵727300）

摘要：针对煤矿井下低光环境中因照明不足、粉尘散射导致的人员目标边界模糊和细节退

化的问题，提出一种煤矿低光环境下的人员检测算法LL-YOLO（Low-LightYOLO）。首先，采

用CondConv动态卷积优化主干网络，增强对目标边缘模糊区域中轮廓与纹理细节的感知能

力；其次，设计重校准特征金字塔网络，通过优化原有特征融合结构，提高多尺度特征间的空

间对齐与表达一致性；再次，引入轻量化共享检测头，降低模型参数量的同时，提高对弱可见

区域的局部结构感知能力；最后，引入基于归一化Wasserstein距离的定位回归损失，提高低

光环境下模型对边界模糊与结构退化目标的定位稳定性与精度。在自建煤矿低光人员检测

数据集LLMiners和低光照数据集LLVIP、ExDark上的实验结果表明，相较于基线YOLOv11s，

LL-YOLO在mAP@0.50:0.95指标上分别提升了2.28%、2.09%和3.25%。此外，与目前主流的

FasterRCNN、YOLO系列和RT-DETR系列等模型相比，LL-YOLO在多项指标上也均具优势。

LL-YOLO在计算开销可控的同时，有效提升了煤矿低光照场景下的人员检测效果，为井下人

员实时监控、异常行为预警等智能化安全系统提供可靠的技术支撑。

关键词：煤矿低光照；目标检测；YOLOv11s；特征金字塔；损失函数

中图分类号：TD67文献标识码：A

LL-YOLO:apersonneldetectionalgorithmfor

low-lightenvironmentincoalmines

112

ZHANGZhuo，JIAPengtao，WANGBin

（1.CollegeofArtificialIntelligenceandComputerScience，Xi’anUniversityofScienceandTechnology，Xi’an710054，

China；2.ShaanxiJianxinCoalChemicalCo.，Ltd.，Huangling727300，China）

Abstract：ApersonneldetectionalgorithmLL-YOLO（Low-LightYOLO）ispropose