地下矿山作业人员佩戴安全帽智能检测方法.pdf

地下矿山作业人员佩戴安全帽智能检测方法杜青，杨仕教，郭钦鹏，张焕宝，王昱琛，尹裕（南华大学资源环境与安全工程学院，湖南衡阳421001）摘要：基于视觉图像方法是目前矿井人员佩戴安全帽智能检测的热点，但现有方法所用的地下矿山数据较少，安全帽特征分类不够精确。通过采集地下矿山采场、井巷等实际生产场景的图像，构建了矿山安全帽佩戴数据集MHWD，并将安全帽佩戴情况进一步细分为正确佩戴、不规范佩戴和未佩戴 3 类。采用 YOLOX 算法进行人员佩戴安全帽检测，为了增强 YOLOX 提取全局特征的能力，引入注意力机制，即在 YOLOX 骨干网的空间金字塔池化瓶颈层嵌入有效通道注意力模块，在路径聚合特征金字塔网络每个上采样和下采样后添加卷积块注意力模块，由此构建了 YOLOXA 模型。采用 MHWD 训练 YOLOXA 模型并进行验证，结果表明，针对照度低、模糊、有人员遮挡的矿井图像，YOLOXA 模型能够准确识别人员佩戴安全帽情况，对不规范佩戴、正确佩戴和未佩戴安全帽 3 种分类结果的 F1 分数分别为 0.86，0.92，0.89，平均精度分别为 93.16%，95.76%，91.69%，平均精度均值为 93.54%，整体 F1 分数较 YOLOX 模型提升 4%，检测精度高于主流目标检测模型 EfficientDet，YOLOv3，YOLOv4，YOLOv5，YOLOX。关键词：地下矿山；目标检测；人员佩戴安全帽检测；YOLOX；注意力机制中图分类号：TD67文献标志码：AIntelligentdetectionmethodofworkingpersonnelwearingsafetyhelmetsinundergroundmineDUQing,YANGShijiao,GUOQinpeng,ZHANGHuanbao,WANGYuchen,YINYu(SchoolofResourceEnvironmentandSafetyEngineering,UniversityofSouthChina,Hengyang421001,China)Abstract:Visualimage-basedmethodsarecurrentlyahottopicinintelligentdetectionofminepersonnelwearingsafetyhelmets.However,existingmethodsuselimitedundergroundminingdataandtheclassificationofsafety helmet features is not accurate enough.By collecting images of actual production scenes such asundergroundminingsitesandroadways,amininghelmetwearingdataset(MHWD)isconstructed.Thehelmetwearingsituationisfurtherdividedintothreecategories:correctwearing,non-standardwearing,andnonwearing.YOLOXalgorithmisusedtodetectpersonnelwearinghelmets.InordertoenhanceYOLOXscapabilitytoextract global features,the attention mechanism is introduced.The effective channel attention module isembeddedinthespatialpyramidpoolingbottlenecklayerofYOLOXsbackbonenetwork.Theconvolutionalblockattentionmoduleisaddedaftereachupsamplinganddownsamplingofthepathaggregationfeaturepyramidnetwork,thustheYOLOX-Amodelisbuilt.ByusingMHWD,theYOLOX-Amodelistrainedandvalidated.TheresultsshowthattheYOLOX-Amodelcanaccuratelyidentifythewearingofsafetyhelmetsbypersonnelinmineimageswithlowillumination,blurriness,andpersonnelobstruction.TheF1scoresfortheclassificationresults of non-standard wearing,correct wearing,and non wearing safety helmets are 0.86,0.92,and 0.89,respectively.Theaverageprecisionis93.16%,95.76%,and91.69%.Theaverageprecisionmeanis93.54%.The收稿日期：2022-09-07；修回日期：2023-07-01；责任编辑：李明。基金项目：湖南省研究生科研创新项目（CX20200916，QL20210216，QL20230233）。作者简介：杜青（1999），女，贵州普安人，博士研究生，研究方向为矿山智能检测，E-mail：。通信作者：杨仕教（1964），男，湖南浏阳人，教授，博士，主要研究方向为矿业系统工程优化与工艺过程智能控制、图像机器识别，E-mail：。引用格式：杜青，杨仕教，郭钦鹏，等.地下矿山作业人员佩戴安全帽智能检测方法J.工矿自动化，2023，49（7）：134-140.DU Qing,YANG Shijiao,GUO Qinpeng,et al.Intelligent detection method of working personnel wearing safety helmets inundergroundmineJ.JournalofMineAutomation，2023，49（7）：134-140.第49卷第7期工矿自动化Vol.49No.72023年7月JournalofMineAutomationJul.2023文章编号：1671251X（2023）07013407DOI：10.13272/j.issn.1671-251x.2022090033overallF1scoreis4%higherthantheYOLOXmodel.ThedetectionprecisionishigherthanthemainstreamtargetdetectionmodelsEfficientDet,YOLOv3,YOLOv4,YOLOv5andYOLOX.Key words:undergroundmines;targetdetection;detectionofpersonnelwearingsafetyhelmets;YOLOX;attentionmechanism 0引言在地下矿山生产中，对作业人员佩戴安全帽情况进行检测对保障其人身安全和生产安全具有重要意义1。目前矿山生产中的行为监测通常采用人工方式，调度室监控人员通过视频监控数据判断作业人员的不安全行为2。该方式费时费力，误检率高，且难以实现全程监控。因此，地下矿山作业人员不佩戴或不规范佩戴安全帽的情况仍时有发生。随着矿山智能化技术的不断发展，有学者对矿山作业人员佩戴安全帽智能检测进行了研究，其中以基于视觉图像的检测方法为热点3-4。李晓宇等5提出了一种基于超像素特征提取与 SVM（SupportVectorMachine，支持向量机）分类的矿井人员安全帽分割方法。毕林等6构建了 3 种不同深度的卷积神经网络，对矿山背景及矿工是否佩戴安全帽进行检测。仝泽友等7基于 Inception-V3 网络模型，实现矿工人脸识别及安全帽佩戴检测。上述方法较人工方式极大提高了检测效率，但由于所用的地下矿山数据较少，导致安全帽特征分类不够精确。近年来，深度学习算法在工业检测领域应用越来越广泛。其中，基于单阶段的 YOLO 系列算法8-10发展迅速，其检测速度快，对于小目标检测精度高，被许多学者用于工业现场施工环境下的作业人员佩戴安全帽检测研究中11-15，为实现地下矿山环境下人员佩戴安全帽智能检测提供了参考。基于此，本文采用对小目标识别效果好的 YOLOX 算法10进行地下矿山作业人员佩戴安全帽智能检测。考虑YOLOX 采用多层残差网络结构提取目标特征，过分关注特征图局部特征而忽略了全局特征信息，将AM（AttentionMechanism，注意力机制）引入 YOLOX，以增强全局特征提取能力，由此构建了 YOLOXA 模型。针对目前缺少适用矿山安全帽检测数据集的问题，通过采集地下矿山实际生产场景的图像，构建了 MHWD（MineHelmetWearingDataset，矿山安全帽佩戴数据集），其包含 12 个地下矿山不同场景中作业人员佩戴安全帽的图像，并对安全帽佩戴情况进行进一步细分。基于 MHWD 对 YOLOXA 模型进行训练和验证，结果表明该模型能对地下矿山现场中不同场景与不同尺度的安全帽进行准确识别。1数据集构建1.1作业人员佩戴安全帽图像分类地下矿山企业要求下井人员需将安全帽戴正，帽舌朝正前方；调节下颌调节器，使下颌带紧贴下颚，并携带好矿灯。作业人员佩戴安全帽检测通常分为佩戴与不佩戴两类，难以满足实际检测需求。考虑目前大多数地下矿山为方便下井人员作业，将矿灯安置在安全帽上，因此将人员佩戴安全帽图像划分为正确佩戴、不规范佩戴（佩戴未携带矿灯的安全帽）和未佩戴 3 种，如图 1 所示。（a）正确佩戴（b）不规范佩戴（c）未佩戴图1地下矿山作业人员佩戴安全帽图像分类Fig.1Imageclassificationofworkingpersonnelwearingsafetyhelmetsinundergroundmine1.2MHWD 制作基于深度学习的目标检测模型前期需要大量的标 签 样 本，以 提 升 模 型 的 准 确 度 和 泛 化 能 力。SHWD（SafetyHelmetWearingDataset）16是目前最大的开源安全帽检测数据集，通过网络爬虫收集了部分露天工地场景下工人佩戴安全帽的图像，以及教室监控中未佩戴安全帽人员的图像，共 7581 张。直接将该数据集用于地下矿山作业人员佩戴安全帽检测存在 2 个问题：未考虑矿山井下弱光环境；缺乏不规范佩戴安全帽数据。针对上述问题，采集湖南省长沙市、衡阳市、娄底市等 12 个矿山调度室的实际监控视频及现场拍摄的作业人员佩戴安全帽图像。监控视频每 10s 剪切 1 帧并筛选。考虑矿井中未佩戴安全帽的图像很少，通过网络爬虫方式获取部分适用于井下环境安全帽检测的数据，并从 SHWD 中选取部分适合矿山检测环境的人员未佩戴安全帽图像。MHWD 中数据涵盖矿山采场、井巷等复杂场景，以及作业人员正确佩戴、不规范佩戴、未佩戴安全帽等情况，共有 8151 张图像，含 5000 张矿山现场采集图像、3151 张网络爬虫获取图像和 SHWD 图2023年第7期杜青等：地下矿山作业人员佩戴安全帽智能检测方法135像。采用图像标注软件 LabelImage 进行标签分类，如图 2 所示。正确佩戴安全帽图像采用红色框，标记为 WithHelmet；不规范佩戴安全帽图像采用绿色框，标记为 IrregularWearing；未佩戴安全帽图像采用蓝色框，标记为 Person。图2MHWD 标签分类Fig.2Labelclassificationofminehelmetwearingdataset（MHWD）MHWD 标签分类结果：WithHelmet 标签 6590个，IrregularWearing 标签 3224 个，IrregularWearing标签 99483 个。将 MHWD数据按 91 随机划分为训练集和验证集，并使用 mosaic 方法进行扩充，以增强模型泛化能力。2YOLOXA 模型构建2.1模型结构YOLOX 网络由 Darknet5317Backbone（主干网络）、PAFPN（Path Aggregation Feature PyramidNetwork，路径聚合特征金字塔网络）18及 YoloHead10组 成。YOLOXA 基 于 YOLOX 网 络 结 构，在Backbone 的 SPPB（SpatialPyramidPoolingBottleNeck，空 间 金 字 塔 池 化 瓶 颈）19层 嵌 入 ECA（EfficientChannelAttention，有效通道注意力）模块20，在PAFPN中每个上采样（UpSample）和下采样（DownSample）后添加 CBAM（ConvolutionalBlockAttentionModule，卷积块注意力模块）21，如图 3 所示。YOLOXA 通过融合轻量级 AM 模块，加强网络对全局信息的关注度，以增强特征提取能力。CBSCBSCspLayerCBSCspLayerCBSCspLayerCBSSPPB+ECACspLayerCBAMConv2DConcat+CSPConv2DCBAMCBAMConcat+CSPYoloHeadCBAMConcat+CSPYoloHeadConcat+CSPYoloHead输入图像输出结果FocusDark3Dark4Dark5UpSampleUpSampleDownSampleDownSampleBackbonePAFPNYoloHead图3YOLOXA 模型结构Fig.3YOLOX-Amodelstructure2.2改进 SPPBYOLOX 的Backbone 使用SPPB 提取特征。SPPB采用 11 卷积进行通道数缩减，再用 33 卷积进行通道数扩张，以降低参数量。卷积核通常是局部的，忽略了特征图中部分全局信息，导致检测结果不理想。而 AM 可通过权值分配和信息过滤实现网络自适应，增强重要特征信息，从而从海量的特征信息中提取出对网络训练更有价值的信息。因此，在 SPPB中嵌入 ECA 模块，通过全局平均池化得到特征图聚合特征，以增强全局特征信息。改进前后的 SPPB 结构如图 4 所示。ECA 是一种用于提升深度卷积网络性能的超轻K注意力模块，通过执行大小为的快速一维卷积生成通道权重。Conv11Conv33SiLUSiLUECAConv11Conv33SiLUSiLUSiLU（a）改进前（b）改进后图4改进前后的 SPPB 结构Fig.4SPPBstructurebeforeandafterimprovement136工矿自动化第49卷K=?log2C+b?odd（1）C，bb|odd式中：为输入特征图的通道数；为常数，设置=2，=1；为取最近的奇数。2.3改进 PAFPNYOLOX 模 型 Backbone 的 Dark3，Dark4，Dark5输出的多尺度特征进入 PAFPN 融合。为保留更多的高级语义信息，在 PAFPN 的每个上采样、下采样之后加入 CBAM，从而对重要的语义信息给予更多关注，如图 5 所示。Dark5Dark4P5P4P3P2N2N3N4N5Dark3CBAMCBAMCBAM图5融合 CBAM 的 PAFPNFig.5PAFPNintegratingCBAMCBAM 包含通道注意力模块和空间注意力模块，可更好地选择对当前任务目标更关键的信息，使得卷积提取的特征相关性更强，捕获的高级语义信息更丰富，从而更好地识别目标。I=McI（2）I=MsI（3）IMc RC11I RCHWIMsR1HW式中：为经通道注意力模块处理的特征图；Mc为通道 注 意 力 模 块，；I 为 输 入 特 征 图，H，W 分别为输入特征图的高度和宽度；为CBAM 输出特征图；Ms为空间注意力模块，。3实验验证3.1实验环境及模型参数实验基于 Windows10 系统、Pytorch 深度学习框架；处理器为 Intel（R）Core（TM）i510400FCPU2.90GHz，16GiB 内存；GPU 为 NVIDIAGeForceRTX1650，显存为 4GiB。实验数据集为 MHWD，输入图像尺寸为 640640。模型训练 100 个 epoch，batch-size 设置为 2，使用 yolox_s.pth 权重文件。模型参数由 SGD 优化器更新，初始学习率设置为0.01，并通过余弦退火方法减小学习率。3.2模型评价结果采用目标检测中常用的 AP（AveragePrecision，平均精度）、mAP（meanAveragePrecision，平均精度F1均值）和分数作为模型的评价指标。F1分别对 YOLOX，YOLOXA 模型进行训练，之后设置置信度阈值 0.5 过滤掉错误检测框，采用分数评价模型性能，结果如图 6 所示。可看出 YOLOXA 模 型 针 对 IrregularWearing 类 检 测 的 F1 分 数 较YOLOX 模型提升了 3%，WithHelmet 类提升了 1%，Person 类保持不变，整体提升了 4%。00.20.40.6F1 分数0.8F1=0.86F1=0.92F1=0.89F1=0.91F1=0.831.0YOLOX 模型0.20.4置信度阈值（a）IrregularWearing0.60.81.0YOLOXA 模型00.20.40.6F1 分数0.81.0YOLOX 模型0.20.4置信度阈值（b）WithHelmet0.60.81.0YOLOXA 模型00.20.40.6F1 分数0.81.0YOLOX 模型0.20.4置信度阈值（c）Person0.60.81.0YOLOXA 模型图6YOLOX 模型与 YOLOXA 模型训练结果的 F1 分数对比Fig.6F1scorecomparisonoftrainingresultbetweenYOLOXmodelandYOLOX-Amodel采用 MHWD 对主流目标检测算法 EfficientDet，YOLOv3，YOLOv4，YOLOv5，YOLOX 进行训练，并与 YOLOXA 模型的检测结果进行对比，见表 1。可看出 YOLOXA 模型对 IrregularWearing，WithHelmet，Person 类检测的 AP 分别为 93.16%，95.76%，91.69%，mAP 为 93.54%，均高于其他检测模型。3.3消融实验为了检验改进模块的有效性，在 MHWD 上进行2023年第7期杜青等：地下矿山作业人员佩戴安全帽智能检测方法137消融实验，结果见表 2。可看出 YOLOX 模型依次加入 CBAM 和 ECA 后，检测结果的 mAP 分别较前一模型提升了 0.12%和 0.27%，验证了 CBAM 和 ECA均能提高人员佩戴安全帽检测精度。表2消融实验结果Table2AblationexperimentresultsYOLOXCBAMECAmAP/%93.1593.2793.543.4作业人员佩戴安全帽识别实验分别采用 YOLOX 模型与 YOLOXA 模型识别图像中作业人员佩戴安全帽情况，热力图可视化对比如图 7 所示。红色表示网络提取特征时需高度注意的区域，颜色越深表示显著性越高。可看出YOLOXA 模型对安全帽的目标特征更加集中且敏感度更高。（a）YOLOX（b）YOLOXA图7YOLOX 模型与 YOLOXA 模型热力图可视化对比Fig.7VisualizationcomparisonofthermalmapsbetweenYOLOXmodelandYOLOX-AmodelYOLOXA 模型对作业人员佩戴安全帽的识别结果如图 8 所示。可看出 YOLOXA 模型针对矿井图像照度低、模糊、有障碍物遮挡等情况，均能较准确地检测出安全帽，但对于图像 6 中安全帽目标较小且存在反光的情况，YOLOXA 模型将不规范佩戴安全帽误检为正确佩戴。总体上，采用 MHWD 训练的 YOLOXA 模型基本满足地下矿山工作人员佩戴安全帽自动检测要求。WithHelmet 0.80123456WithHelmet 0.83WithHelmet 0.85WithHelmet 0.52IrregularWearing 0.83Person 0.83IrregularWearing 0.58WithHelmet 0.75WithHelmet 0.78WithHelmet 0.84IrregularWearing 0.87IrregularWearing 0.87一直井五中段19 中段翻罐笼一直井井口IrregularWearing 0.87WithHelmet 0.7520220614T15:51:2420220615T10:39:0620220614T09:34:54图8YOLOXA 模型对作业人员佩戴安全帽识别结果Fig.8IdentificationresultsofworkingpersonnelwearingsafetyhelmetsbyusingYOLOX-Amodel分 别 采 用 EfficientDet，YOLOv3，YOLOv4，YOLOv5，YOLOX，YOLOXA 模型对地下矿山复杂场景下的作业人员佩戴安全帽图像进行检测，结果如图 9 所示。可看出在低照度环境且存在人员遮挡条件下，EfficientDet，YOLOv3，YOLOv4 模型对于小目标存在漏检情况，YOLOv5，YOLOX 模型能检测出微光下的安全帽，但对于更弱光照条件下的安全帽无法完整检测，而 YOLOXA 模型能准确检测出人员佩戴安全帽情况。4结论1）提出了更适用于地下矿山作业人员佩戴安全帽检测的数据集MHWD。该数据集全面扩充了地下矿山采场、井巷等复杂场景，以及作业人员非规范佩戴安全帽分类标签。2）将 ECA 和 CBAM 融合策略引入 YOLOX 模型，建立 YOLOXA 模型，增强了对特征图像全局信息和高级语义信息的抓取效力。3）基 于 MHWD 训 练 的 YOLOXA 模 型 对IrregularWearing，WithHelmet，Person3 种分类的 AP表1不同目标检测模型在 MHWD 上的检测指标Table1DetectionindexesofdifferenttargetdetectionmodelsonMHWD%模型APmAPIrregularWearingWithHelmetPersonEfficientDet83.0890.8037.5370.47YOLOv374.8789.2179.1281.06YOLOv475.3689.2380.6381.74YOLOv577.390.5387.2285.02YOLOX91.6795.4892.2893.15YOLOXA93.1695.7691.6993.54138工矿自动化第49卷分别为 93.16%，95.76%，91.69%，mAP 为 93.54%，均高于主流的EfficientDet，YOLOv3，YOLOv4，YOLOv5，YOLOX 模型，且针对低照度、模糊、有人员遮挡的矿井图像，能够准确识别人员佩戴安全帽情况，满足地下矿山作业人员佩戴安全帽智能检测要求。参考文献（References）：李超.现代化矿山救护技术装备问题分析J.中国金属通报，2021（11）：116-117.LI Chao.Analysis of modern mine rescue technologyand equipmentJ.China Metal Bulletin，2021（11）：116-117.1陈杰.智慧矿山安全防控多系统井下融合与应急联动技术研究J.煤矿安全，2022，53（5）：99-105.CHEN Jie.Research on multi-system undergroundintegrationandemergencylinkagetechnologyforsmartmine safety prevention and controlJ.Safety in CoalMines，2022，53（5）：99-105.2张立艺，武文红，牛恒茂，等.深度学习中的安全帽检测算法应用研究综述J.计算机工程与应用，2022，58（16）：1-17.ZHANG Liyi，WU Wenhong，NIU Hengmao，et al.Summary of application research on helmet detectionalgorithm based on deep learningJ.ComputerEngineeringandApplications，2022，58（16）：1-17.3孙国栋，李超，张航.融合自注意力机制的安全帽佩戴检测方法J.计算机工程与应用，2022，58（20）：300-304.SUNGuodong，LIChao，ZHANGHang.Safetyhelmetwearing detection method fused with self-attentionmechanismJ.ComputerEngineeringandApplications，42022，58（20）：300-304.李晓宇，陈伟，杨维，等.基于超像素特征与SVM分类的人员安全帽分割方法J.煤炭学报，2021，46（6）：2009-2022.LIXiaoyu，CHENWei，YANGWei，etal.Segmentationmethodforpersonnelsafetyhelmetbasedon super-pixel features and SVM classificationJ.JournalofChinaCoalSociety，2021，46（6）：2009-2022.5毕林，谢伟，崔君.基于卷积神经网络的矿工安全帽佩戴识别研究J.黄金科学技术，2017，25（4）：73-80.BILin，XIEWei，CUIJun.IdentificationresearchontheminerssafetyhelmetwearbasedonconvolutionalneuralnetworkJ.Gold Science and Technology，2017，25（4）：73-80.6仝泽友，冯仕民，侯晓晴，等.基于安全帽佩戴检测的矿山人员违规行为研究J.电子科技，2019，32（9）：26-31.TONG Zeyou，FENG Shimin，HOU Xiaoqing，et al.Recognition of underground miners rule-violatedbehaviorbasedonsafetyhelmetdetectionJ.ElectronicScienceandTechnology，2019，32（9）：26-31.7REDMON J，FARHADI A.Yolov3：an incrementalimprovementEB/OL.2022-09-03.https:/arxiv.org/abs/1804.02767.8BOCHKOVSKI A，WANG C Y，LIAO H Y M.Yolov4：optimal speed and accuracy of objectdetectionEB/OL.2022-09-03.https:/arxiv.org/abs/2004.10934.9GEZheng，LIUSongtao，WANGFeng，etal.Yolox：exceeding YOLO series in 2021EB/OL.2022-09-03.https:/arxiv.org/abs/2107.08430.10JAMTSHO Y，RIYAMONGKOL P，WARANUSASTR.Real-time license plate detection for non-helmeted11WithHelmet 0.7WithHelmet 0.53WithHelmet 0.WithHelmet 0.7WithHelmet 0.7IrregularWearing 0.52IrregularWearing 0.98IrregularWearing 0.79IrregularWearing 0.75WithHelmet 0.53WithHelmet 0.IrregularWearing 0.79IrregularWearing 0.75WithHelmet 0.72WithHelmet 0.IrregularWearing 0.79IrregularWearing 0.71IrregularWearing 0.52IrregularWearing 0.98IrregularWearing 0.52IrregularWearing 0.98WithHelmet 0.69（a）EfficientDet（b）YOLOv3（c）YOLOv4（d）YOLOv5（e）YOLOX（f）YOLOXA图9不同目标检测模型对作业人员佩戴安全帽的检测结果Fig.9Identificationresultsofworkingpersonnelwearingsafetyhelmetsbyusingdifferenttargetdetectionmodels2023年第7期杜青等：地下矿山作业人员佩戴安全帽智能检测方法139motorcyclist using YOLOJ.ICT Express，2021，7（1）：104-109.SRIDHAR P，JAGADEESWARI M，SRI S H，et al.Helmet violation detection using YOLO v2 deeplearningframeworkC.The6thInternationalConference on Trends in Electronics and Informatics，Tirunelveli，2022：1207-1212.12CHEN Meixi，KONG Rong，ZHU Jianming，et al.Applicationresearchofsafetyhelmetdetectionbasedonlow computing power platform using YOLO v5C.International Conference on Adaptive and IntelligentSystems，Suzhou，2022：107-117.13HE Zhiwei，WU Fan，GAO Mingyu，et al.HelmetdetectionbasedonimprovedYOLOv3deepmodelC.IEEE 16th International Conference on Networking，SensingandControl，Alberta，2019：363-368.14XIEWenqin，XIELei，ZHANGLinzhi，etal.TowardefficientsafetyhelmetdetectionbasedonYolov5withhierarchical positive sample selection and box densityfilteringJ.IEEETransactionsonInstrumentationandMeasurement，2022，71：1-14.15SHIRMOHAMMADIS，FERREROA.Cameraastheinstrument：therisingtrendofvisionbasedmeasurementJ.IEEEInstrumentation&Measurement16Magazine，2014，17（3）：41-47.WANGCY，LIAOHYM，WUYH，etal.CSPNet：anew backbone that can enhance learning capability ofCNNC.ProceedingsoftheIEEE/CVFConferenceonComputer Vision and Pattern Recognition，Seattle，2020：390-391.17LIN T Y，DOLLAR P，GIRSHICK R，et al.FeaturepyramidnetworksforobjectdetectionC.ProceedingsoftheIEEE/CVFConferenceonComputerVisionandPatternRecognition，Honolulu，2017：2117-2125.18HE Kaiming，ZHANG Xiayu，REN Shaoqing，et al.SpatialpyramidpoolingindeepconvolutionalnetworksforvisualrecognitionJ.IEEETransactionsonPatternAnalysis and Machine Intelligence，2015，37（9）：1904-1916.19WANGQilong，WUBanggu，ZHUPengfei，etal.ECA-Net：efficient channel attention for deep convolutionalneuralnetworksC.ProceedingsoftheIEEEComputerSociety Conference on Computer Vision and PatternRecognition，Seattle，2020：11534-11542.20WOO S，PARK J，LEE J Y，et al.CBAM：ConvolutionalblockattentionmoduleC.Proceedingsof the European Conference on Computer Vision，Munich，2018：3-19.21（上接第 133 页）谢炜炜.FX0041输出异常的典型失效模式分析及改进措施研究D.成都：电子科技大学，2021.XIE Weiwei.Analysis of typical failure mode ofFX0041abnormaloutputandresearchonimprovementmeasuresD.Chengdu：UniversityofElectronicScienceandTechnologyofChina，2021.15NARAYANASAMYB，LUOFang.AsurveyofactiveEMIfiltersforconductedEMInoisereductioninpowerelectronicconvertersJ.IEEETransactionsonElectromagneticCompatibility，2019，61（6）：2040-2049.16廖志强，陈东春，刘水文.煤矿井下电磁干扰源及抗干扰技术研究J.工矿自动化，2012，38（7）：25-28.LIAO Zhiqiang，CHEN Dongchun，LIU Shuiwen.Research of underground electromagnetic interference17sources sources and anti-interference technologyJ.IndustryandMineAutomation，2012，38（7）：25-28.IEC61000-4-18Electromagneticcompatibility（EMC）Part4-18：Testingandmeasurem