郭永存， 童佳樂， 王爽

（1. 安徽理工大學(xué) 深部煤礦采動(dòng)響應(yīng)與災(zāi)害防控國家重點(diǎn)實(shí)驗(yàn)室，安徽 淮南 232001；2. 安徽理工大學(xué) 礦山智能裝備與技術(shù)安徽省重點(diǎn)實(shí)驗(yàn)室，安徽 淮南 232001；3. 礦山智能技術(shù)與裝備省部共建協(xié)同創(chuàng)新中心，安徽 淮南 232001；4. 安徽理工大學(xué) 機(jī)械工程學(xué)院，安徽 淮南 232001）

0 引言

煤炭作為能源的重要組成部分，是我國經(jīng)濟(jì)持續(xù)發(fā)展的重要基礎(chǔ)[1-2]。目前，我國正著力發(fā)展智能礦用機(jī)械，以提高煤礦智能化發(fā)展水平，為煤炭工業(yè)高質(zhì)量發(fā)展提供核心技術(shù)支撐[3-4]。煤礦井下有軌電機(jī)車是一種煤礦輔助運(yùn)輸設(shè)備，承擔(dān)著運(yùn)輸井下煤炭、矸石、設(shè)備和人員等任務(wù)，具有運(yùn)行頻繁、運(yùn)輸量大、運(yùn)行距離長(zhǎng)等特點(diǎn)。現(xiàn)階段，我國煤礦井下有軌電機(jī)車均采用人工駕駛方式，由于井下巷道狹窄、光照不充分、司機(jī)疲勞駕駛和技術(shù)保障手段缺乏等原因，存在電機(jī)車超速、闖紅燈、追尾、碰撞行人等安全問題[5-6]。研究煤礦輔助運(yùn)輸電機(jī)車無人駕駛技術(shù)，可減少井下作業(yè)人員數(shù)量，降低煤礦安全事故發(fā)生概率，對(duì)保障煤礦安全高效生產(chǎn)具有重要意義[7]。

近年來，快速發(fā)展的計(jì)算機(jī)技術(shù)為目標(biāo)智能檢測(cè)識(shí)別提供了堅(jiān)實(shí)的軟硬件基礎(chǔ)，基于機(jī)器視覺的障礙物識(shí)別技術(shù)得到了廣泛關(guān)注和應(yīng)用。卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）為基于深度學(xué)習(xí)的智能目標(biāo)檢測(cè)算法提供了技術(shù)支撐，已被應(yīng)用于自動(dòng)駕駛、行人檢測(cè)等諸多場(chǎng)景?；谏疃葘W(xué)習(xí)的智能目標(biāo)檢測(cè)方法分為單階段目標(biāo)檢測(cè)和雙階段目標(biāo)檢測(cè)2類：① 單階段目標(biāo)檢測(cè)方法以YOLO（You Only Look Once）[8]、單階段多框檢測(cè)器（Single Shot MultiBox Detector，SSD）[9]為代表，直接對(duì)輸入圖像進(jìn)行檢測(cè)，輸出目標(biāo)類別及邊界框。該類方法檢測(cè)速度較快，但對(duì)小目標(biāo)物體的檢測(cè)精度較低，無法識(shí)別出軌道中的石塊及其他小型障礙物，且對(duì)于重疊目標(biāo)，易造成漏檢，無法滿足電機(jī)車無人駕駛需求。② 雙階段目標(biāo)檢測(cè)方法以區(qū)域CNN（R-CNN）[10]、快速R-CNN（Fast R-CNN）[11]、更快速R-CNN（Faster R-CNN）[12]、掩碼R-CNN（Mask R-CNN）[13]為代表，通過感興趣區(qū)域（Region of Interest，RoI）提取候選框，針對(duì)每個(gè)候選框進(jìn)行獨(dú)立預(yù)測(cè)輸出。該類方法檢測(cè)精度高，但檢測(cè)速度較慢。

在軌道交通檢測(cè)領(lǐng)域，由于軌道目標(biāo)在圖像中所占比例較大且檢測(cè)出的軌道邊界框與軌道掩碼之間存在一定間隙，通過邊界框重疊與否不能準(zhǔn)確判定目標(biāo)是否為障礙物。因此，為獲取軌道掩碼，有效判定目標(biāo)是否為障礙物，可采用實(shí)例分割方法在目標(biāo)檢測(cè)的同時(shí)獲得目標(biāo)掩碼。Mask R-CNN模型在Faster R-CNN的基礎(chǔ)上增加掩碼預(yù)測(cè)并行分支，可在實(shí)現(xiàn)目標(biāo)識(shí)別分類的同時(shí)，分割出同一類目標(biāo)的不同實(shí)例。此外，Mask R-CNN采用感興趣區(qū)域?qū)R網(wǎng)絡(luò)（RoI Align）層代替Faster R-CNN中的RoI Pooling（感興趣區(qū)域池化）層，利用雙線性插值代替量化操作，解決了區(qū)域像素不匹配的問題，具有更高的識(shí)別與分割精度[14]。但Mask R-CNN模型仍存在檢測(cè)速度較慢、小目標(biāo)檢測(cè)精度低等問題。針對(duì)該問題，本文提出一種基于Mask R-CNN的改進(jìn)模型-SE-HDC-Mask R-CNN，該模型通過壓縮-激勵(lì)（Squeezeand-Excitation，SE）模塊和混合空洞卷積（Hybrid Dilated Convolution，HDC）提升目標(biāo)檢測(cè)速度、小目標(biāo)檢測(cè)精度及掩碼分割精度，可在目標(biāo)檢測(cè)的同時(shí)進(jìn)行像素級(jí)分割，提取軌道及其他目標(biāo)掩碼，為后續(xù)確定目標(biāo)障礙物提供基礎(chǔ)。

1 Mask R-CNN模型架構(gòu)

Mask R-CNN模型架構(gòu)如圖1所示，主要由4個(gè)部分組成：① 骨干網(wǎng)絡(luò) （Backbone）：包括主干特征提取網(wǎng)絡(luò)ResNet50/101和特征金字塔網(wǎng)絡(luò)（Feature Pyramid Networks，F(xiàn)PN），結(jié)合2個(gè)網(wǎng)絡(luò)對(duì)輸入圖像進(jìn)行特征提取，生成特征圖（Feature Maps）。② 候選框區(qū)域生成網(wǎng)絡(luò)（Region Proposal Network，RPN）：通過滑動(dòng)窗口掃描特征圖，尋找目標(biāo)所在區(qū)域，經(jīng)前景、背景分類和邊框回歸生成候選區(qū)域（Proposals）。③ RoI Align：候選區(qū)域在RoI Align中進(jìn)行匹配，完成特征圖特征聚集并池化為固定大小。④ 三分支預(yù)測(cè)網(wǎng)絡(luò)（Three Branches）：將目標(biāo)分類信息、邊界框回歸信息及語義信息相融合，得到目標(biāo)類別、定位邊界框和掩碼分割圖像。

圖1 Mask R-CNN模型架構(gòu)Fig. 1 Architecture of Mask R-CNN model

2 SE-HDC-Mask R-CNN模型

SE-HDC-Mask R-CNN模型對(duì)Mask R-CNN模型的主干特征提取網(wǎng)絡(luò)ResNet進(jìn)行2點(diǎn)改進(jìn)：① 在ResNet網(wǎng)絡(luò)中嵌入SE模塊。② 將ResNet中的標(biāo)準(zhǔn)卷積替換成HDC。

2.1 SE模塊

ResNet采用殘差結(jié)構(gòu)使模型具備較好的特征提取能力，但在特征提取時(shí)未能充分利用圖像信息，尤其是圖像通道信息。SE模塊可增強(qiáng)模型對(duì)特征的選擇和捕獲能力，通過學(xué)習(xí)各個(gè)通道的重要程度和相互聯(lián)系，對(duì)重要特征信息賦予較大權(quán)重，對(duì)次要特征信息賦予較小權(quán)重，從而提高特征提取效果，加快網(wǎng)絡(luò)訓(xùn)練速度[15]。

SE模塊包括3個(gè)部分：① Squeeze操作：通過全局平均池化（Global Average Pooling）操作將電機(jī)車運(yùn)行特征圖維度H×W×C（高×寬×通道數(shù)）壓縮成1×1× C。② Excitation操作：通過第1個(gè)全連接層（Fully Connected）將特征圖的通道數(shù)壓縮為C/S（S為縮放參數(shù)，本文取S=16），并通過ReLU函數(shù)激活；再經(jīng)過1個(gè)全連接層后由Sigmoid函數(shù)激活，將通道數(shù)恢復(fù)到原大小，得到不同特征通道的權(quán)重。③ Reweight操作：將各通道權(quán)重與對(duì)應(yīng)的特征圖通過Scale尺度化操作相乘，在通道維度上實(shí)現(xiàn)對(duì)初始特征權(quán)重的重標(biāo)定，抑制對(duì)當(dāng)前任務(wù)作用不大的特征通道信息，突出有用的特征通道信息。

2.2 HDC

在圖像分割領(lǐng)域，圖像特征提取常采用池化層與上采樣層相結(jié)合的方式，先減小圖像尺寸，增大感受野，再通過上采樣恢復(fù)至原始圖像大小進(jìn)行預(yù)測(cè)。在圖像尺寸減小、增大過程中損失了許多細(xì)節(jié)信息，使得一些細(xì)節(jié)信息無法重建。空洞卷積可在一定程度上避免細(xì)節(jié)信息丟失現(xiàn)象[16]。但空洞卷積存在以下問題：① 疊加多個(gè)相同擴(kuò)張率的空洞卷積時(shí)會(huì)導(dǎo)致感受野中許多像素未利用，出現(xiàn)大量空洞，即網(wǎng)格效應(yīng)。② 空洞卷積的設(shè)計(jì)目的是獲得較大感受野，提升模型對(duì)大目標(biāo)物體的分割能力，但小目標(biāo)物體本身不需要較大的感受野，不適合采用具有較大擴(kuò)張率的空洞卷積。針對(duì)上述問題，本文提出能兼顧大目標(biāo)和小目標(biāo)檢測(cè)需求的HDC。

應(yīng)用HDC時(shí)應(yīng)滿足以下要求：① 疊加卷積的擴(kuò)張率不能有大于1的公約數(shù)，否則仍會(huì)出現(xiàn)網(wǎng)格效應(yīng)。② 擴(kuò)張率應(yīng)設(shè)計(jì)成鋸齒狀結(jié)構(gòu)，如[1，2，5，1，2，5]，以便同時(shí)滿足小目標(biāo)和大目標(biāo)的檢測(cè)分割要求。③ 2個(gè)非零像素之間的最大距離Mi需滿足以下條件：

式中：ri為空洞卷積第i層的擴(kuò)張率；n為空洞卷積的總層數(shù)。

假設(shè)卷積核尺寸為K×K，則式（1）的設(shè)計(jì)目標(biāo)是M2≤K。

2.3 改進(jìn)ResNet網(wǎng)絡(luò)結(jié)構(gòu)

為提高模型對(duì)特征的利用率，提高對(duì)小目標(biāo)物體的檢測(cè)精度，擴(kuò)大特征圖感受野，增強(qiáng)信息關(guān)聯(lián)性，在ResNet內(nèi)的每個(gè)殘差塊Conv block和Identity block中嵌入1個(gè)SE模塊，并將其3×3的標(biāo)準(zhǔn)卷積替換成擴(kuò)張率為[1，2，5，1，2，5]的HDC。優(yōu)化后的Conv block結(jié)構(gòu)如圖2所示，Identity block與Conv block結(jié)構(gòu)類似，僅缺少Shortcut塊。

改進(jìn)ResNet網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示，包括5個(gè)階段（Stage1-Stage5），除Stage1外，其余4個(gè)階段均包含殘差塊。

圖3 改進(jìn)ResNet網(wǎng)絡(luò)結(jié)構(gòu)Fig. 3 Structure of improved ResNet network

3 井下無人駕駛電機(jī)車多目標(biāo)檢測(cè)技術(shù)構(gòu)架

井下無人駕駛電機(jī)車多目標(biāo)檢測(cè)技術(shù)構(gòu)架如圖4所示。首先，通過電機(jī)車車載相機(jī)獲取前方巷道視頻信息，利用OpenCV將視頻分幀并輸入SEHDC-Mask R-CNN模型中。然后，模型輸出目標(biāo)掩碼及標(biāo)定目標(biāo)類別，通過掩碼是否重疊判斷目標(biāo)是否為障礙物，并計(jì)算障礙物距離。最后，對(duì)電機(jī)車發(fā)出鳴笛、減速和剎車等指令?？紤]到井下電機(jī)車行駛速度較慢，且視頻中每幀圖像之間具有信息連續(xù)性[17]，采用視頻分幀的方式提取圖像，該方法可在一定程度上滿足實(shí)時(shí)檢測(cè)需要，提高目標(biāo)檢測(cè)效率。

圖4 井下無人駕駛電機(jī)車多目標(biāo)檢測(cè)技術(shù)構(gòu)架Fig. 4 Multi-object detection technology framework for underground unmanned electric locomotive

4 實(shí)驗(yàn)分析

4.1 實(shí)驗(yàn)環(huán)境

井下無人駕駛電機(jī)車多目標(biāo)檢測(cè)實(shí)驗(yàn)硬件參數(shù)見表1。主要軟件環(huán)境為python3.6，tensorflowgpu1.10.1，keras=2.2.0，CUDA9.0 with cudnns，實(shí)驗(yàn)類別包含軌道、電機(jī)車、信號(hào)燈、行人、石塊及背景6類，設(shè)置學(xué)習(xí)率為0.001，權(quán)重衰減系數(shù)為0.000 1，動(dòng)量為0.9。

表1 井下無人駕駛電機(jī)車多目標(biāo)檢測(cè)實(shí)驗(yàn)硬件參數(shù)Table 1 Experimental hardware parameters of multi-object detection of underground unmanned electric locomotive

4.2 數(shù)據(jù)采集與預(yù)處理

實(shí)驗(yàn)數(shù)據(jù)來源于安徽省某煤礦井下電機(jī)車運(yùn)行環(huán)境的實(shí)地拍攝，通過防爆相機(jī)等設(shè)備采集360張電機(jī)車多場(chǎng)景運(yùn)行圖像（不同光照條件、不同拍攝角度、不同目標(biāo)種類及數(shù)量），圖像像素大小為1 080×1 920。通過改變圖像的亮度、色度、銳度、對(duì)比度及旋轉(zhuǎn)、平移和拉伸等方法對(duì)數(shù)據(jù)樣本進(jìn)行擴(kuò)充。數(shù)據(jù)樣本擴(kuò)充后，共有1 600張電機(jī)車運(yùn)行圖像，按7∶2∶1比例劃分訓(xùn)練集、驗(yàn)證集和測(cè)試集，得到訓(xùn)練集圖像1 120張、驗(yàn)證集圖像320張、測(cè)試集圖像160張。使用圖像標(biāo)注工具VIA對(duì)數(shù)據(jù)集中的目標(biāo)進(jìn)行標(biāo)注并創(chuàng)建目標(biāo)區(qū)域，得到相應(yīng)json文件。

4.3 評(píng)價(jià)指標(biāo)

本文設(shè)置的檢測(cè)目標(biāo)包括軌道、電機(jī)車、信號(hào)燈、行人及石塊，為全面、客觀評(píng)價(jià)網(wǎng)絡(luò)模型對(duì)設(shè)定目標(biāo)的檢測(cè)性能和分割效果，選擇平均準(zhǔn)確率（Average Precision，AP）、平均準(zhǔn)確率均值（mean Average Precision，mAP）、交并比（Intersection over Union，IoU）作為評(píng)價(jià)指標(biāo)，其中IoU包含邊界框交并比IoUbox和掩碼交并比IoUmask。

AP為預(yù)測(cè)單個(gè)目標(biāo)類別的平均準(zhǔn)確率，等于準(zhǔn)確率和召回率曲線（P-R曲線）與坐標(biāo)軸所圍面積，即P-R曲線的積分。準(zhǔn)確率是指模型分類為正樣本的集合中分類正確的比例。召回率是指分類正確的樣本數(shù)占所有正樣本數(shù)的比例。mAP等于所有類別AP的平均值。準(zhǔn)確率P和召回率R的計(jì)算公式分別為

式中：TP為被正確識(shí)別成目標(biāo)的正樣本個(gè)數(shù)；FP為被錯(cuò)誤識(shí)別成目標(biāo)的負(fù)樣本個(gè)數(shù)；FN為目標(biāo)未被正確識(shí)別的樣本個(gè)數(shù)。

計(jì)算AP時(shí)需設(shè)定IoU閾值，本文設(shè)IoU=0.5，當(dāng)IoU＞0.5時(shí)設(shè)定測(cè)試樣本為正樣本。

采用IoUmask評(píng)價(jià)掩碼分割質(zhì)量，如圖5所示，左側(cè)真實(shí)區(qū)域A表示目標(biāo)真實(shí)掩碼，右側(cè)預(yù)測(cè)區(qū)域B表示目標(biāo)預(yù)測(cè)掩碼。將區(qū)域A與區(qū)域B之間的交集與并集的比值作為掩碼質(zhì)量高低的評(píng)價(jià)標(biāo)準(zhǔn)，從而衡量目標(biāo)掩碼的定位精度。IoUmask計(jì)算公式為

圖5 掩碼分割質(zhì)量評(píng)價(jià)Fig. 5 Evaluation of mask segmentation quality

式中YA，YB分別為目標(biāo)真實(shí)掩碼和預(yù)測(cè)掩碼。

4.4 基線選擇

目前Mask R-CNN主流的主干特征提取網(wǎng)絡(luò)有ResNet50和ResNet101兩種，其主要區(qū)別體現(xiàn)在網(wǎng)絡(luò)深度不同。網(wǎng)絡(luò)深度越大，則網(wǎng)絡(luò)復(fù)雜程度越高，網(wǎng)絡(luò)計(jì)算量越大。因此，為平衡網(wǎng)絡(luò)模型的訓(xùn)練效果和訓(xùn)練時(shí)長(zhǎng)，需要選擇合適的網(wǎng)絡(luò)深度。在訓(xùn)練集和驗(yàn)證集中對(duì)采用ResNet50和ResNet101的Mask R-CNN模型進(jìn)行訓(xùn)練，結(jié)果如圖6所示。定性分析結(jié)果見表2，其中mIoUmask和mIoUbox分別為平均掩碼交并比和平均邊界框交并比。

圖6 ResNet50/101網(wǎng)絡(luò)下的模型損失Fig. 6 Model loss under ResNet50/101 network

表2 ResNet50/101網(wǎng)絡(luò)下的定性分析Table 2 Qualitative analysis under ResNet50/101 network

由圖6可知，訓(xùn)練至140次左右時(shí)模型達(dá)到擬合狀態(tài)，且2種主干特征提取網(wǎng)絡(luò)下模型的訓(xùn)練集損失和驗(yàn)證集損失最終相差不大，但ResNet101相較于ResNet50具有更低的損失值，故ResNet101作為主干特征提取網(wǎng)絡(luò)時(shí)模型的性能較好。由表2可知，ResNet101作為主干特征提取網(wǎng)絡(luò)時(shí)模型的mAP、mIoUmask和mIoUmask這3個(gè)指標(biāo)表現(xiàn)較好，但采用ResNet50時(shí)模型的性能指標(biāo)和其相近，且?guī)矢?，意味著其檢測(cè)速度更快。綜合考慮網(wǎng)絡(luò)模型的訓(xùn)練效果、模型復(fù)雜度及檢測(cè)速度，選擇ResNet50作為Mask R-CNN模型主干特征提取網(wǎng)絡(luò)。視頻分幀時(shí)，每秒讀取6幀圖像輸入網(wǎng)絡(luò)模型。

4.5 SE-HDC-Mask R-CNN模型性能驗(yàn)證

為驗(yàn)證SE-HDC-Mask R-CNN模型的可行性及有效性，利用原始數(shù)據(jù)集對(duì)其進(jìn)行訓(xùn)練，模型參數(shù)與Mask R-CNN模型一致，對(duì)比分析結(jié)果見表3。由表3可知：與Mask R-CNN模型相比，SE-HDC-Mask R-CNN模型對(duì)軌道和行人（大目標(biāo)）的檢測(cè)精度及掩碼分割精度略低，但也具有較高精度；對(duì)信號(hào)燈和石塊（小目標(biāo)）的檢測(cè)精度分別提升了0.7%和4.1%，IoUbox分別提升了0.3%和2.4%，對(duì)石塊的掩碼分割精度提升了3.0%。

表3 SE-HDC-Mask R-CNN模型與Mask R-CNN50模型對(duì)比結(jié)果Table 3 Comparison results between SE-HDC-Mask R-CNN model and Mask R-CNN50 model %

SE-HDC-Mask R-CNN模 型 及 YOLOV2，YOLOV3-Tiny，SSD，F(xiàn)aster R-CNN，Mask R-CNN等模型在同一數(shù)據(jù)集下的目標(biāo)識(shí)別結(jié)果綜合評(píng)價(jià)見表4。由表4可知：相較于YOLOV2，YOLOV3-Tiny，SSD，F(xiàn)aster R-CNN等模型，SE-HDC-Mask R-CNN模型的mAP和mIoUbox均有較大提升；相較于Mask R-CNN模型，mAP，mIoUmask，mIoUbox均提升了0.5%。

表4 不同網(wǎng)絡(luò)模型的評(píng)價(jià)結(jié)果Table 4 Evaluation results of different network models %

采用不同網(wǎng)絡(luò)模型進(jìn)行目標(biāo)檢測(cè)及分割，結(jié)果如圖7所示。由圖7（a）-圖7（c）可明顯看出，SE-HDC-Mask R-CNN50模型可有效檢測(cè)出短軌道且目標(biāo)掩碼更接近于原始掩碼。由圖7（b）-圖7（e）、圖7（g）可看出，SE-HDC-Mask R-CNN模型對(duì)石塊和遠(yuǎn)處信號(hào)燈的檢測(cè)準(zhǔn)確度高于其他模型。由圖7（f）可知，YOLOV3-Tiny模型雖能識(shí)別石塊和信號(hào)燈等小目標(biāo)，但檢測(cè)精度低于SE-HDC-Mask R-CNN模型。

結(jié)合表4及圖7可知，與其他模型相比，SE-HDCMask R-CNN模型能對(duì)井下軌道、石塊及其他小型障礙物進(jìn)行檢測(cè)，有效解決小目標(biāo)漏檢問題，且提取的目標(biāo)掩碼更接近于原始掩碼。

圖7 井下電機(jī)車行駛場(chǎng)景中不同網(wǎng)絡(luò)模型的目標(biāo)檢測(cè)及分割結(jié)果Fig. 7 Object detection and segmentation results of different network models in underground electric locomotive driving scene

4.6 SE-HDC-Mask R-CNN模型泛化表現(xiàn)

考慮到煤礦井下巷道環(huán)境惡劣，為驗(yàn)證模型能否適應(yīng)電機(jī)車行駛的不同場(chǎng)景，在煤巷直軌、彎軌、黑暗環(huán)境、多目標(biāo)重疊等不同場(chǎng)景下進(jìn)行模型測(cè)試，結(jié)果如圖8所示。由圖8可知，SE-HDC-Mask R-CNN模型在多種場(chǎng)景下均可有效實(shí)現(xiàn)目標(biāo)檢測(cè)。

圖8 SE-HDC-Mask R-CNN模型在不同場(chǎng)景下的目標(biāo)檢測(cè)結(jié)果Fig. 8 Object detection results of SE-HDC-Mask R-CNN model in different scenarios

綜上，雖然煤礦井下巷道環(huán)境惡劣，但SE-HDCMask R-CNN模型可有效檢測(cè)前方目標(biāo)，可為后續(xù)目標(biāo)障礙物的識(shí)別奠定基礎(chǔ)，該模型具有一定泛化能力及較高魯棒性，基本滿足電機(jī)車無人駕駛障礙物檢測(cè)需求。

5 結(jié)論

（1） 嵌有SE模塊和HDC的主干特征提取網(wǎng)絡(luò)可提高M(jìn)ask R-CNN模型對(duì)特征的利用率，增強(qiáng)信息關(guān)聯(lián)性，提高對(duì)小目標(biāo)物體的檢測(cè)精度。視頻間隔分幀方式可在一定程度上滿足煤礦巷道中電機(jī)車的實(shí)時(shí)檢測(cè)需求。

（2） SE-HDC-Mask R-CNN模型可有效識(shí)別井下電機(jī)車行駛場(chǎng)景中的目標(biāo)，降低目標(biāo)漏檢、誤檢概率，提高掩碼分割精度。改進(jìn)后的模型具有較高目標(biāo)識(shí)別精度，與Mask R-CNN模型相比，mAP，mIoUmask，mIoUbox均提升了0.5%，綜合性能優(yōu)于YOLOV2，YOLOV3-Tiny，SSD，F(xiàn)aster R-CNN等模型。

（3） 不同場(chǎng)景下的測(cè)試結(jié)果表明，SE-HDCMask R-CNN模型在煤巷直軌、彎軌、黑暗環(huán)境、多目標(biāo)重疊等場(chǎng)景下均可有效實(shí)現(xiàn)目標(biāo)檢測(cè)，具有一定的泛化能力及較高的魯棒性，基本滿足電機(jī)車無人駕駛障礙物檢測(cè)需求。