导读：
针对煤矿井下采煤工作面裂缝、鼓包、坍塌等隐患检测中样本有限、特征微弱的问题，构建500张实景图像数据集，对比YOLO11与Faster R-CNN。实验表明，YOLO11最优mAP50达94.80%，精确率96.30%，召回率89.60%，参数量仅2.59 M，推理速度72 FPS，对细长裂缝等小目标检测完整精准；Faster R-CNN的mAP50为81.91%，对大尺度坍塌较好，但小目标漏检明显。YOLO11在精度与实时性上更具优势，适合井下部署。
作者信息：
王耀杨, 秦佳俊：应急管理大学资源与环境学院，河北 廊坊；王 翀*：应急管理大学计算机与安全信息学院，河北 廊坊
doi：
采煤工作面隐患目标检测中YOLO11与Faster R-CNN的对比研究
论文详情
实验设计
本次实验图像全部取自冀东地区 3 座在产煤矿综采工作面。采集环境覆盖井下典型复杂工况，数据集总计采集、筛选有效实景图像 500 张，包含裂缝(crack)、鼓包(bulge)、坍塌(collapse)三类典型 工作面隐患，采用 LabelImg 工具完成边界框标注，同步输出 VOC、YOLO 两种标准格式文件。
实验硬件配置为：CPU 为 Intel Core i7-12700K，GPU 为 NVIDIA RTX3090，内存 32 GB，存储 512 GB SSD。软件环境方面，操作系统为 Windows10 专业版，深度学习框架为 PyTorch1.12.1，Python 版本 3.8.13，辅助库包括 OpenCV4.5.5、NumPy1.21.6、Matplotlib3.5.3 等。
为保证实验公平性与可比性，YOLO11 与 Faster R‑CNN 均使用官方预训练权重，采用完全相同的数据增强策略、统一优化器类型，在相同硬件环境下完成训练与速度测试。
两种算法核心训练参数配置如表 1 所示。
实验结果与分析
两种模型整体检测性能指标如表 2 所示。
两种算法对不同缺陷类别的单类 AP 检测性能如表 3 所示。
YOLO11 模型完整训练损失变化曲线见图 4。
Faster R‑CNN损失曲线见图 5。
为进一步验证模型在真实井下场景的泛化能力，采用全程独立隔离、未参与训练与参数调优的测试 集进行客观评估，实测指标如表 4 所示。
采煤工作面隐患目标检测场景中，经独立测试集泛化验证，YOLO11 算法的综合性能优于 Faster RCNN。。综合来看，在样本有限、环境复杂的煤矿井下场景中，YOLO11 在检测精度与实时性方面优势突出，可作为采煤工作面隐患实时检测的优选方案。
（编辑：HHans-Yuan）