矿用巡检机器人是煤矿智能安全生产的重要辅助装备，能够替代人工完成井下常态化巡检任务，对提升巡检效率、规避人工巡检风险、保障井下设备稳定运行具有重要现实意义。现阶段，主流矿用巡检机器人功能较为单一，仅支持井下环境参数与机电设备运行状态的采集监测，缺乏对井下作业人员的实时感知与巡检功能，无法实现人员安全智能管控。井下工况环境恶劣，存在光照昏暗、粉尘浓度高、场景背景复杂、成像干扰严重等问题，图像采集质量较差，传统行人检测算法难以适配该特殊场景，检测精度与稳定性不足，无法实时识别作业人员靠近带式输送机机头、机尾、拉紧装置等易挤夹高危区域，以及违规跨越输送带等危险行为，也不具备人员在岗核查与现场预警能力，制约了煤矿智能巡检系统的全覆盖应用。
针对上述行业痛点与技术难题，本课题开展基于深度学习的井下行人检测技术研究，选用SSD目标检测模型作为基础算法，兼顾复杂井下场景的检测精度与实时性需求。为克服Jetson TX2嵌入式平台算力受限、模型推理速度不足的问题，本研究利用TensorRT推理引擎对SSD模型进行量化、层融合与推理优化，有效提升模型在嵌入式终端的运行效率。最终将优化后的检测算法部署于矿用巡检机器人平台，实现井下作业人员自动检测、违规危险行为识别及在岗状态智能核查，有效弥补传统巡检设备的功能短板，为煤矿井下人员安全监管与智能化巡检提供坚实的技术支撑。