煤矿井下低光照图像增强与人员检测系统开发实践
1. 项目概述：井下煤矿低光照图像增强与人员检测系统
煤矿井下作业环境存在光照条件差、粉尘浓度高、能见度低等典型特征，传统监控系统拍摄的图像往往存在对比度低、细节模糊、噪声明显等问题。本项目基于深度学习和PyQt框架，开发了一套面向井下环境的低光照图像增强与人员检测系统，主要解决以下核心问题：
- 井下监控画面存在严重的光照不足和噪声干扰
- 现有算法在极端低照度下检测准确率骤降
- 煤矿安全监管缺乏实时智能分析能力
系统采用"前端增强+后端检测"的双阶段架构，前端使用改进的Retinex算法进行图像增强，后端采用轻量化YOLOv5模型实现人员检测，最终通过PyQt构建可视化操作界面。经实测，在照度低于5lux的环境下，系统将图像PSNR值提升12dB以上，人员检测mAP达到89.7%，较原始图像直接检测提升31.2个百分点。
2. 核心技术方案解析
2.1 低光照图像增强模块
采用改进的MSRCR(Multi-Scale Retinex with Color Restoration)算法，针对煤矿环境进行三项关键优化：
- 光照估计优化：使用引导滤波代替高斯滤波，保留边缘细节的同时抑制halo效应
def guided_filter(I, p, r, eps): # I: guidance图像, p: 输入图像, r: 滤波半径, eps: 正则化参数 mean_I = cv2.boxFilter(I, cv2.CV_64F, (r,r)) mean_p = cv2.boxFilter(p, cv2.CV_64F, (r,r)) mean_Ip = cv2.boxFilter(I*p, cv2.CV_64F, (r,r)) cov_Ip = mean_Ip - mean_I*mean_p mean_II = cv2.boxFilter(I*I, cv2.CV_64F, (r,r)) var_I = mean_II - mean_I*mean_I a = cov_Ip / (var_I + eps) b = mean_p - a*mean_I mean_a = cv2.boxFilter(a, cv2.CV_64F, (r,r)) mean_b = cv2.boxFilter(b, cv2.CV_64F, (r,r)) return mean_a*I + mean_b- 多尺度权重自适应：根据图像局部对比度动态调整三个尺度(15,80,250)的权重系数
- 噪声抑制策略：在反射分量计算阶段加入BM3D去噪模块
2.2 轻量化人员检测模型
基于YOLOv5s架构进行针对性改进：
- Backbone优化：
- 使用ShuffleNetV2替换部分C3模块
- 添加ECA注意力机制提升特征表达能力
- 数据增强策略：
- 模拟井下粉尘效果的随机粒子噪声
- 低照度色彩畸变增强
- 损失函数改进：
- 引入Focal Loss解决样本不平衡
- 使用CIoU Loss提升定位精度
模型压缩效果：
| 指标 | 原始YOLOv5s | 改进模型 |
|---|---|---|
| 参数量 | 7.2M | 3.8M |
| FLOPs | 16.5G | 9.2G |
| mAP@0.5 | 86.4% | 89.7% |
3. PyQt系统实现细节
3.1 界面架构设计
采用Model-View-Controller模式构建：
- Model层：图像处理算法封装为独立Python模块
- View层：主界面包含四个功能区：
- 视频源选择区（支持RTSP/本地文件）
- 参数调节区（增强强度、检测阈值等）
- 双路显示区（原始画面/处理结果）
- 报警日志区
3.2 关键实现技术
- 多线程处理框架：
class Worker(QObject): finished = pyqtSignal() result = pyqtSignal(np.ndarray) def __init__(self, algorithm): super().__init__() self.algorithm = algorithm def run(self): while self.running: frame = self.capture.read() processed = self.algorithm.process(frame) self.result.emit(processed) self.finished.emit()- 跨模块通信方案：
- 使用信号槽机制传递处理结果
- 共享内存池减少数据拷贝开销
- 采用ZMQ实现进程间通信
- 性能优化技巧：
- 对ROI区域进行选择性增强
- 检测模块使用TensorRT加速
- OpenCV的UMat实现显存零拷贝
4. 系统部署与实测效果
4.1 部署环境要求
| 组件 | 最低配置 | 推荐配置 |
|---|---|---|
| CPU | i5-8250U | i7-11800H |
| GPU | NVIDIA MX150 | RTX 3060 |
| 内存 | 8GB | 16GB |
| 系统 | Ubuntu 18.04 | Windows 10 |
4.2 实测性能指标
在山西某煤矿井下测试获得：
- 图像增强耗时：48ms/帧(1080P)
- 人员检测耗时：62ms/帧
- 系统内存占用：<1.5GB
- 连续运行稳定性：>72小时无故障
典型场景效果对比：
[原始图像] → [增强结果] → [检测输出] PSNR: 18.6dB → 31.2dB SSIM: 0.42 → 0.78 检测率: 58.3% → 89.7%5. 常见问题解决方案
5.1 图像增强相关问题
问题1：增强后出现光晕伪影
- 解决方案：调整引导滤波的半径参数(r=15→8)，减小eps值(0.01→0.001)
问题2：色彩失真严重
- 解决方案：在MSRCR后接色度校正模块，限制色度分量变化幅度
5.2 人员检测相关问题
问题1：误检设备为人员
- 解决方案：在训练数据中添加更多设备负样本，调整分类损失权重
问题2：遮挡情况漏检
- 解决方案：引入Repulsion Loss增强遮挡处理能力
5.3 系统运行问题
问题1：界面卡顿
- 解决方案：限制显示帧率(30FPS→15FPS)，启用QPixmap缓存
问题2：内存泄漏
- 解决方案：定期调用gc.collect()，使用memory_profiler定位泄漏点
6. 工程实践建议
数据采集注意事项：
- 使用防爆相机实地采集井下图像
- 标注时区分不同姿态（弯腰、爬行等）
- 保留EXIF中的ISO和曝光参数
模型训练技巧：
- 采用渐进式学习率策略(0.01→0.0001)
- 使用SWA(Stochastic Weight Averaging)提升泛化性
- 在验证集上早停(patience=15)
部署优化方向：
- 将增强算法移植到CUDA实现
- 使用ONNX Runtime替代PyTorch推理
- 对检测模型进行INT8量化
这个项目在实现过程中最深的体会是：工业场景的算法落地必须考虑工程约束。我们最初使用的Vision Transformer模型虽然指标更高，但实际部署时难以满足实时性要求，最终转向改进YOLO架构。这种在精度和效率间的平衡取舍，是校园项目与工业应用的本质区别。