现有基于深度学习的输送带异物检测模型较大，难以在边缘设备部署，且对不同尺寸异物和小目标异物存在错检、漏检情况。针对上述问题，提出一种基于改进YOLOv8的煤矿输送带异物检测方法。采用深度可分离卷积、压缩和激励(SE)网络将YOLOv8主干网络中C2f模块的Bottleneck重新构建为DSBlock，在保持模型轻量化的同时提升检测性能；为增强对不同尺寸目标物体信息的获取能力，引入高效通道注意力(ECA) 机制，并对ECA的输入层进行自适应平均池化和自适应最大池化操作，得到跨通道交互MECA模块，以增强模块的全局视觉信息，进一步提升异物识别精度；将YOLOv8的3个检测头修改为4个轻量化小目标检测头，以增强对小目标的敏感性，有效降低小目标异物的漏检率和错检率。实验结果表明：改进YOLOv8的精确度达91.69%，mAP@50达92.27%，较YOLOv8分别提升了3.09%和4.07%；改进YOLOv8的检测速度达73.92帧/s，可充分满足煤矿输送带异物实时检测的需求；改进YOLOv8的精确度、mAP@50、参数量、权重大小和浮点运算次数均优于SSD，Faster-RCNN，YOLOv5，YOLOv7-tiny等主流目标检测算法。

0 引言
1 YOLOv8网络结构
2 改进YOLOv8网络
2.1 数据增强
2.2 SC2f模块
2.3 MECA 模块
2.4 小目标检测头
3 实验结果与分析
3.1 实验数据集
3.2 CED-YOLO性能验证
3.3 消融实验
3.4 主流算法性能对比
3.5 热力图可视化分析
4 结论