针对现有煤矸石检测模型存在的特征提取不充分、参数量大、检测精度低且实时性差等问题，提出了一种基于YOLOv5s-FSW模型的选煤厂煤矸石检测方法。该模型在YOLOv5s的基础上进行改进，首先将Backbone部分的C3模块替换为FasterNet Bolck结构，通过降低模型的参数量和计算量提高检测速度；然后，在Neck部分引入无参型SimAM注意力机制，增强模型对复杂环境下重要目标的关注，进一步提高模型的特征提取能力；最后，在Prediction层用Wise-IoU替换CIoU边界框损失函数，模型聚焦普通质量锚框，提高收敛速度和边框的检测精度。消融实验结果表明：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%。对比实验结果表明：YOLOv5s-FSW模型的mAP达95.8%，相比YOLOv5s-CBC、YOLOv5s-ASA、YOLOv5s-SDE模型分别提高了1.1%、1.5%和1.2%，相比YOLOv5m、YOLOv6s分别提高了0.3%、0.6%；检测速度达36.4帧/s，相比YOLOv5s-CBC和YOLOv5s-ASA模型分别提高了28.2%和20.5%；较YOLOv5m、YOLOv6s、YOLOv7分别提高了16.3%、15.2%、45.0%。热力图可视化实验结果表明：YOLOv5s-FSW模型对煤矸石目标特征区域更加敏感且关注度更高。检测实验结果表明：在环境昏暗、图像模糊、目标相互遮挡的复杂场景下，YOLOv5s-FSW模型对煤矸石目标检测的置信度分数高于YOLOv5s模型，且有效避免了误检和漏检现象的发生。

0 引言
1 YOLOv5s-FSW检测模型
1.1 YOLOv5基础模型选择
1.2 YOLOv5s-FSW模型
1.2.1 FasterNet Block结构
1.2.2 SimAM注意力机制
1.2.3 Wise-IoU边界框损失函数
2 实验分析
2.1 数据采集
2.2 模型训练
2.3 消融实验
2.4 对比实验
2.5 热力图可视化实验
2.6 煤矸石检测实验
3 结论