准确快速地识别煤矸是进行有效分拣的基础，也是选煤厂智能化选煤技术研究的焦点。传统的煤矸分选技术包括人工分拣、射线法、重介法、跳汰分选法等，这些方法通常效率较低且易造成环境污染。现有基于深度学习的煤矸检测模型存在特征提取不充分、参数量大、检测精度低、实时性差等问题，对此，提出了一种基于YOLOv5s−FSW模型的煤矸检测方法。

      1） FasterNet Block结构。采用FasterNet Block结构替换主干网络中部分C3模块，通过降低内存访问量和计算量来提升模型的检测速度。

      2） SimAM注意力机制。煤矸检测任务中目标之间特征差异小，尤其在选煤厂、煤矿井下等复杂场景中，目标与背景区分度小，影响模型对煤矸目标的特征提取能力。在颈部网络中添加SimAM注意力机制，以增强模型的特征提取能力，特别是复杂环境中的煤矸检测精度。

      3） Wise−IoU边界框损失函数。由于煤矸目标与背景相似，且存在相互重叠与遮挡等问题，人工标注图像数据时难免会产生一些低质量标注框，影响模型的检测精度与稳定性。若低质量样本较多，一味地增强边界框回归会使模型检测性能下降。在输出端采用Wise−IoU边界框损失函数代替CIoU，以提高模型的定位精度和收敛速度。

       与 YOLOv5s 模型相比，YOLOv5s−FSW模型的平均精度均值（mAP）提高了1.9%，模型权重减少了0.6 MiB，参数量减少了4.7%，检测速度提高了19.3%。表明 YOLOv5s−FSW模型降低了参数量和计算量，提高了检测精度和检测速度，更加适合选煤厂复杂环境下的煤矸检测任务。

       YOLOv5s−FSW模型的mAP较YOLOv5s− CBC，YOLOv5s−ASA，YOLOv5s−SDE模型分别提高了1.1%，1.5%，1.2%。YOLOv5s−FSW模型的mAP较YOLOv5m，YOLOv6s模型分别提高了0.3%，0.6%，检测速度分别提高了16.3%与15.2%，权重分别减少了27.1，25.6 MiB，计算量分别减少了70.1%，68.4%。与YOLOv7模型对比，虽然YOLOv5s−FSW模型的mAP降低了0.3%，但权重减少了58.2 MiB，计算量减少了86.4%，检测速度提高了45.0%。说明YOLOv5s−FSW模型在检测精度和检测速度上性能更加均衡，满足选煤厂煤矸检测需求。

       YOLOv5s−FSW模型较YOLOv5s模型对煤矸目标特征区域更加敏感，且关注度更高。

       在环境昏暗、图像模糊、目标相互遮挡的复杂场景下，YOLOv5s−FSW模型对煤矸目标检测的置信度得分高于YOLOv5s模型，且有效避免了误检和漏检现象的发生。

燕碧娟（1975—），女，山西芮城人，教授，博士，主要研究方向为智能矿山视觉感知关键技术，E-mail：tyustybj@tyust.edu.cn。

燕碧娟，王凯民，郭鹏程，等. 基于YOLOv5s−FSW模型的选煤厂煤矸检测研究[J]. 工矿自动化，2024，50（5）：36-43, 66.

YAN Bijuan, WANG Kaimin, GUO Pengcheng, et al. Research on coal gangue detection in coal preparation plant based onYOLOv5s-FSW model[J]. Journal of Mine Automation，2024，50（5）：36-43, 66.