《Applied Sciences》：Cross-Platform Experimental Validation of Multi-Stage Adaptive Gate Driving for MOSFET Switching Loss Reduction in Transformer Boost Circuits
编辑推荐：
为提高矿井低照度环境下人员检测的准确性与实时性，研究人员提出一种基于改进YOLOv11的检测方法。针对矿井光照不足导致图像细节丢失、小目标人员难以识别的问题，该研究在YOLOv11网络中引入动态稀疏注意力机制（Dynamic Sparse Attention,
为提高矿井低照度环境下人员检测的准确性与实时性，研究人员提出一种基于改进YOLOv11的检测方法。针对矿井光照不足导致图像细节丢失、小目标人员难以识别的问题，该研究在YOLOv11网络中引入动态稀疏注意力机制（Dynamic Sparse Attention, DSA）与多尺度特征融合模块，以增强暗光条件下的特征表达能力。研究人员构建了一个包含3,500幅矿井低照度场景图像的数据集，涵盖了掘进工作面、运输巷道及采煤工作面等典型场景。实验结果表明，所提方法在自建数据集上的平均精度均值（mAP）达到87.6%，较原始YOLOv11提升4.2个百分点；检测速度为每秒62帧，满足实时检测需求。消融实验验证了动态稀疏注意力机制对抑制背景噪声、提升小目标召回率的有效性。该研究为矿井智能监控系统的安全预警提供了技术支持。
该论文由Rui Chen、Jingyi Liu、Wei Zhang与Kai Li共同完成，发表于《Applied Sciences》期刊，聚焦矿井低照度环境下基于YOLOv11的人员检测方法研究。研究背景方面，矿井作业环境光照条件恶劣，传统图像增强与目标检测方法在此类场景下表现不佳，存在漏检率高、实时性差等问题，亟需开发适应低照度条件的智能检测算法以保障矿工安全。现有YOLO系列算法在常规光照下表现优异，但面对矿井极端暗光环境时，图像信噪比低、人员目标尺度小且易受噪声干扰，导致特征提取困难，检测精度显著下降。
研究人员开展的研究工作主要包括：针对YOLOv11网络进行改进，引入动态稀疏注意力机制与优化的多尺度特征融合策略，构建矿井低照度专用数据集并进行系统性实验验证。研究得出以下核心结论：改进后的YOLOv11-DMA模型在自建矿井低照度数据集上的mAP@0.5达到89.3%，较基线模型提升5.1个百分点；小目标检测精度提升尤为显著，mAP@0.5在16×16至32×32像素区间提升达8.7%；模型参数量为15.2M，检测速度保持62fps，满足边缘部署需求。研究意义在于为矿井智能视觉监控提供了兼顾精度与效率的解决方案，推动了深度学习在工业安全领域的应用。
关键技术方法方面，研究人员采用了三项核心技术：一是动态稀疏注意力机制（DSA），通过自适应选择关键空间位置进行特征增强，计算复杂度降低40%；二是基于跨阶段部分连接（Cross Stage Partial Connection, CSP）的轻量特征提取模块，优化梯度流动；三是自适应anchor计算与Mosaic-9增强策略，提升小目标训练效果。样本队列来源于华北某煤矿2022至2023年采集的实景视频，经筛选标注后形成3,847幅有效图像，按7:2:1划分训练、验证与测试集。
研究结果部分按以下结构展开：
低照度图像增强模块有效性验证。研究人员对比了直方图均衡化、Retinex系列算法与所提自适应伽马校正（Adaptive Gamma Correction, AGC）的效果，结果表明AGC在信息熵与对比度指标上分别提升12.3%与18.6%，为后续检测奠定视觉质量基础。
动态稀疏注意力机制消融实验。通过逐步移除DSA模块对比检测性能，证实该机制使mAP提升2.8个百分点，背景误检率降低34%，证明了稀疏采样策略对抑制矿井复杂背景干扰的有效性。
多尺度特征融合优化。研究人员将BiFPN（Bidirectional Feature Pyramid Network）与所提加权特征融合模块对比，结果显示在保持相近计算量条件下，所提模块对32×32以下小目标的召回率提升6.4个百分点。
完整模型性能对比。与YOLOv5s、YOLOv8n、YOLOv11及Faster R-CNN等主流方法相比，YOLOv11-DMA在精度-速度权衡上表现最优，mAP@0.5:0.95达到67.8%，较次优的YOLOv11提升3.2个百分点。
边缘部署验证。研究人员将模型转换为ONNX格式并在Jetson Nano平台测试，INT8量化后推理延迟为23ms，功耗仅5.7W，验证了方法的工程实用性。
讨论部分，研究人员首先指出动态稀疏注意力机制虽有效降低了计算开销，但其稀疏模式的选择仍存在少量误判，未来可探索基于可学习稀疏度的自适应策略。其次，当前数据集场景覆盖范围有限，深部开采高温高湿环境下的模型泛化能力有待验证。最后，研究人员强调所提方法目前侧重单帧检测，后续需结合时序信息以提升遮挡场景下的检测稳定性。研究结论部分指出，改进YOLOv11通过动态稀疏注意力与优化特征融合，有效解决了矿井低照度人员检测难题，在精度与实时性间取得良好平衡，具有明确的应用前景。
