在矿山皮带场景里，仅靠原始数据很难覆盖井下所有的光照、粉尘和遮挡变化，有针对性地做数据增强，是提高 YOLOv5/v8 准确率的关键手段之一。可以从“通用增强 + 矿山场景增强 + 对抗训练”三层来做。
一、先做通用的高质量增强（打好基础）
这些是任何场景下都能用的增强，先把模型的“基本功”练好。
-
几何变换
- 随机缩放：皮带宽度不一，可用
scale=0.5~1.5放大缩小，让模型学会不同视野下的目标。 - 随机裁剪：模拟皮带边缘截断或部分遮挡，提升鲁棒性。
- 旋转 ±15°：皮带偶尔倾斜拍摄，小幅旋转能让模型适应姿态变化。
- 翻转：水平翻转为主（皮带左右对称），垂直翻转慎用。
- 随机缩放：皮带宽度不一，可用
-
颜色与光照增强
- 亮度/对比度/饱和度扰动：模拟井下忽明忽暗、灯老化等。
- 色调偏移（Hue） ：适应不同色温的照明。
- Gamma 校正：改变整体明暗分布，让模型不依赖固定亮度。
-
Mosaic & MixUp（YOLO 自带）
- Mosaic：4 张图拼成一张，增加小目标、多目标组合出现的概率，对皮带上的小锚杆、小撕裂很有效。
- MixUp：两张图按比例叠加，缓解类别不平衡，尤其适合“异物样本少”的情况。
二、针对矿山环境的场景化增强（提升实战表现）
通用增强之后，要专门模拟矿山特有的“脏乱差”。
-
粉尘 / 烟雾模拟
- 做法：在图像上叠加半透明灰度噪点或纹理，模拟粉尘飘浮、镜头蒙尘。
- 参数建议：透明度 10%～40%，颗粒大小和密度随场景调整。
- 作用：提高模型对“目标被粉尘遮挡一部分”时的识别能力。
-
低光照增强
- 做法：使用 CLAHE、Retinex 或自校准光照增强网络，把正常图像人为变暗，再用增强算法恢复。
- 作用：让模型学会在低照度下依然能抓住皮带边缘、异物轮廓。
-
运动模糊模拟
- 做法：沿皮带运动方向做线性模糊（核大小 5～15px）。
- 作用：皮带速度快时画面容易拖影，这种增强能显著降低高速场景下的漏检。
-
阴影与反光模拟
- 做法：添加不规则深色遮罩模拟支架、滚筒阴影；叠加高亮斑块模拟金属反光。
- 作用：避免模型把阴影当成撕裂、把反光当成异物。
-
皮带纹理增强
- 做法：随机调整皮带纹理对比度、周期重复模式，甚至合成不同花纹的皮带背景。
- 作用：防止模型过度依赖某一种皮带花纹，提升对不同矿区皮带的泛化能力。
三、进阶：高级增强与对抗训练
当模型在常规增强下遇到瓶颈时，可以用这些手段进一步榨取性能。
-
CutMix / Copy-Paste（针对异物样本少）
- 做法：把锚杆、矸石等异物抠出来，随机贴到正常皮带图上，位置和大小随机。
- 作用：低成本扩充异物样本，缓解类别极度不平衡。
-
随机擦除（Random Erasing）
- 做法：随机遮挡图像的一块区域（可以是矩形或多边形）。
- 作用：强迫模型不只靠局部特征做判断，提升对遮挡、污损的鲁棒性。
-
对抗训练（Adversarial Training）
- 做法：在训练时对输入图像加微小扰动（FGSM/PGD），让模型学习抵抗干扰。
- 作用：减少因粉尘边缘、反光等造成的误检，提升稳定性。
四、落地配置示例（YOLOv5/v8）
以 YOLOv5/v8 的 YAML 配置文件为例，可以这样组合增强策略：
# hyp.scratch.yaml（示意）
hsv_h: 0.015 # 色调扰动
hsv_s: 0.7 # 饱和度扰动
hsv_v: 0.4 # 亮度扰动
degrees: 15 # 旋转角度范围
translate: 0.1 # 平移
scale: 0.5 # 缩放下限
shear: 0.0 # 剪切（皮带场景一般不加）
perspective: 0.0 # 透视变换（可选关闭）
flipud: 0.0 # 垂直翻转禁用
fliplr: 0.5 # 水平翻转概率
mosaic: 1.0 # Mosaic 开启
mixup: 0.1 # MixUp 轻度开启
copy_paste: 0.1 # Copy-Paste 扩充异物样本
erasing: 0.4 # Random Erasing 概率
如果是自定义 Pipeline（如 Albumentations），可以在 train.py里接入粉尘叠加、运动模糊等自定义函数。
五、注意事项
-
增强要有“度”
- 不要把皮带纹理完全破坏、不要把异物模糊到看不见，否则相当于引入噪声。
-
只在训练时用增强
- 验证集、测试集必须用原始分布，否则指标虚高。
-
配合数据闭环
- 部署后把现场的漏检、误检截图回收到训练集，再做一轮针对性增强训练，准确率提升会更明显。
