针对因光照不足和井下环境恶劣造成的运输皮带异物识别率差等问题，本文提出了一种改进的YOLOv7模型，通过在其特征提取网络中引入注意力模块，使其能够更加关注重要的特征信息，从而有效提升网络对特征的提取能力。同时，将模型的原始基础网络替换为更轻量化的骨干特征提取网络Ghost Bottleneck，以加快模型的检测速度。实验结果表明，本文算法在皮带异物识别应用中精度达到了97.3%，相较于基线模型提高了3.6%，识别速率提高了8.5%，表明了算法的有效性。井下运输皮带作为煤炭运输系统的重要组成部分，对于保障矿井正常生产和人员安全具有至关重要的作用。然而，由于井下环境的复杂性和不确定性，运输皮带经常面临着非煤异物的威胁，如物料堆积、设备故障、人员误操作等。这些异物不仅可能导致皮带运行异常，甚至可能引发严重的安全事故。因此，开展井下运输皮带异物检测方法的研究具有重要的理论意义和实际应用价值。

[1]莫凡,陈波.基于YOLOv7的运输皮带异物识别算法研究[J].煤矿现代化,2024,33(05):115-118+123.