勘误：区块链技术采纳颠覆金融科技功能：面向企业管理、供应链、银行业和股票市场的系统文献综述

《Digital》：Correction: Basdekidou, V.; Papapanagos, H. Blockchain Technology Adoption for Disrupting FinTech Functionalities: A Systematic Literature Review for Corporate Management, Supply Chain, Banking Industry, and Stock Markets. Digital 2024, 4, 762–803 Vasiliki Basdekidou and Harry Papapanagos

　　

地下矿井的复杂环境（光线昏暗、高粉尘和高湿度）阻碍了特征提取并降低了检测精度。为解决此问题，研究人员提出了一种基于低光图像增强的目标检测算法。首先，LIENet通过双伽马曲线（dual-gamma curve）和无参考损失函数（non-reference loss function）引导的迭代来提升低光图像质量和亮度。其次，具有双分支结构的层次特征提取（Hierarchical Feature Extraction, HFE）方法捕获长期和局部相关性，重点关注关键角落区域。最后，HDE与特征金字塔结构（feature pyramid structure）结合，通过自顶向下的全局调整实现综合特征表示。该方法在自建数据集上验证，以96.96%的mAP@0.5和71.1%的mAP@0.5:0.95优于其他算法，证明了在矿井中卓越的低光检测性能。

地下矿井环境光线昏暗、粉尘和湿度高，导致图像特征提取困难，目标检测精度大幅下降。现有低光增强方法（如基于Retinex理论或监督学习模型）常依赖配对数据、网络结构复杂，且对极端场景适应性差；无监督方法虽具优势，但模型庞大、计算资源需求高。为兼顾增强质量与轻量部署，研究人员提出LIENet（轻量零参考图像增强网络）用于预处理低光图像，并设计层次特征提取（HFE）方法以改进YOLOv8（最新版YOLO目标检测算法）的检测能力，最终实现矿井低光环境下的高效目标识别。该论文发表在《Digital》。

研究人员使用自建矿井低光数据集（共6500张图像，标注三类目标：工人、安全帽、锚栓），部分数据来源于中国矿业大学CUMT-HelmeT和CUMT-BelT公开数据集，部分通过网络爬虫获取，并采用伽马校正与高斯噪声合成模拟低光图像。关键技术主要包括：（1）LIENet：基于双伽马曲线（dual-gamma curve）进行像素级亮度自适应调整，无需配对数据，通过无参考损失函数（含空间一致性损失¹、曝光控制损失²、色彩恒常损失³、光照平滑度损失⁴）引导学习；（2）HFE：含双分支结构——PLP（空间池化层替代注意力机制以捕获长期依赖）和PLEM（基于码本与全连接层提取局部相关特征），并与YOLOv8的特征金字塔（FPN）结合进行全局特征调整；（3）训练采用两阶段独立策略：先无监督训练LIENet，再固定其权重，用增强后的图像监督训练YOLOv8-HFE检测网络。推理时依次进行增强与检测。

**3.1 实验准备**：低光增强模型LIENet在1200张低光图像上无监督训练，设置epochs=90、batch size=8、Adam优化器、学习率0.0001。YOLOv8-HFE在自建数据集上按4:1划分训练/验证集，图像resize至640×640，epochs=300、batch size=32、SGD优化器、momentum=0.9。训练约280轮后损失趋于稳定。

**3.2 图像增强评价指标**：以目标检测平均精度（mAP）为核心评价增强效用，同时采用全参考指标PSNR（峰值信噪比）和SSIM（结构相似性），以及无参考指标NIQE（自然图像质量评估器）和BRISQUE（盲/无参考空间质量评估器）。仅在自建合成数据集上计算PSNR和SSIM（以原始正常光图像为真值）。

**3.3 图像增强效果分析**：与RetinexNet、MIRNetv2、MBLLEN、Zero-DCE、SCI、LIME、Dong、BIMEF等八种增强算法对比。主观上，LIENet增强后图像色彩饱和、细节清晰，在暗区恢复效果显著优于其他算法（如图12：安全帽纹理和工具轮廓明显恢复）。客观上，LIENet在自建数据集上获得最高检测mAP@0.75=83.44%，同时PSNR和SSIM最佳，参数量仅67.3K（远低于其他深度学习模型如RetinexNet的555.21K和MIRNetv2的5858.56K），推理时间具有竞争力。在LOL、ExDark、LIME等公开数据集上，LIENet在PSNR/SSIM（LOL）及NIQE/BRISQUE（ExDark、LIME）上均取得最优或次优结果。

**3.4 目标检测性能评估**：与Faster R-CNN、SSD、RetinaNet、YOLOv5、CenterNet、FCOS以及Wang等人、Peng等人、Zhou等人近年低光检测算法对比。本文算法在自建数据集上mAP@0.5达96.96%，mAP@0.5:0.95达71.1%，比YOLOv8s基线提升2.42%，推理FPS为35.2帧/秒，满足实时需求。PR曲线面积最大，检测性能最优。

**3.5 消融实验**：逐步引入LIENet、PLP、PLEM模块。基线YOLOv8s的mAP@0.5:0.95为64.52%；加入LIENet后提升5.16%（运行时间增加7.4ms）；进一步加入PLP提升2.18%；加入PLEM提升2.49%；三者同时引入后mAP@0.5达96.96%，mAP@0.5:0.95较基线提升7.98%。鲁棒性测试（5次不同随机种子）显示mAP@0.5:0.95均值为72.3%，标准差±0.4%，表明性能稳定。

**讨论部分**：LIENet利用双伽马曲线以少量迭代实现宽范围亮度自适应调整，解决对比度不足、暗区受限及曝光过度等问题；HFE通过PLP捕获长期依赖、PLEM提取局部相关信息，弥补全层特征提取不足。大量实验验证了算法的检测精度、轻量性和速度优势。但存在以下局限：（1）应用场景局限：主要针对低光条件，未处理灰尘、镜头污染、运动模糊、强眩光和密集遮挡等退化，部署时需结合其他技术；（2）与下游任务集成：可拓展至矿井定位等任务，但需针对性改进。

**研究结论**：本文提出的零参考低光图像增强算法LIENet和层次特征提取方法HFE，在矿井低光环境中实现了高精度目标检测（mAP@0.5达96.96%，推理时间28.4ms），优于多种对比算法，为推动煤矿信息化和智能化发展提供了有效方案。