为解决煤矿高粉尘、低照度、高噪声与堆叠等复杂环境因素导致的煤矸识别精度低、漏检与误检问题，提出一种基于KRB-YOLOv5s算法的煤矸识别方法。采用K均值聚类（K-means++）算法对数据集进行重新聚类，以得到更精准的锚框参数；在YOLOv5s主干网络中引入大核卷积结构重参数（RepLKNet）网络，通过大核卷积架构提取目标更高层级的特征信息；在YOLOv5s颈部引入加权双向特征金字塔（Bi FPN）网络，通过双向跨尺度连接对目标多尺度特征进行快速捕捉与融合。在煤矸数据集上开展实验，结果表明：与其他YOLO系列检测算法相比，KRB-YOLOv5s算法在高粉尘、低照度、高噪声与堆叠工况下的综合检测性能最佳，识别精度均值（m AP）达94.5%，比YOLOv5s算法提高了3.3个百分点。研究结论为煤矿复杂工况下煤矸智能分选提供参考。

安徽省高校协同创新项目（GXXT-2021-076）；

0引言
1 KRB-YOLOv5s模型
2 KRB-YOLOv5s算法原理
2.1 K-means++算法
2.2 Rep LKNet网络
2.3 Bi FPN网络
3实验数据集
4实验及结果分析
4.1实验配置
4.2实验评价指标
4.3消融实验
4.4对比实验
4.5检测结果分析
5结论

[1]葛庆楠,程刚,赵东洋.基于KRB-YOLOv5s的煤矸识别方法[J].辽宁工程技术大学学报(自然科学版),2024,43(04):385-392.