煤矿井下矿工安全智能识别是防止矿工受到意外伤害的重要保护措施之一.为了提高煤矿井下光线不足等暗环境下的识别准确率,提出一种基于改进 YOLOv5的目标检测算法对矿工安全穿戴进行智能识别.首先,实地采集数据构建安全穿戴数据集,将其输入到弱光增强网络 Zero-DCE中,提升模型的泛化能力;其次,提出 C-ASPP模块,通过对ASPP改进并加入注意力机制,将其加入主干网络之中,使模型更加高效关注安全穿戴区域的特征;然后,在主干融入Transformer算法,增强模型对不同尺度目标的动态调整能力;最后,在特征融合阶段,使用双向特征融合金字塔模型,提高模型的特征提取能力和检测性能.试验结果表明:改进后的 YOLOv5算法的平均检测精度提升至90.2％,较原算法提高了3个百分点,检测速度为81.2 帧/s,相较于其他算法有着较高的准确度和速度,可满足井下工作区域内矿工安全穿戴识别要求.