煤块检测方法主要包括传统图像检测方法和深度学习目标检测方法。传统图像检测方法检测精度不高、实时性较差、无法对堆煤进行准确判断；深度学习目标检测方法虽然可以实现实时检测，但没有对煤块的数量、滞留和堵塞状态进行识别，而且识别模型参数较多。针对上述问题，提出了一种基于改进YOLOv5s+DeepSORT的煤块行为异常识别方法。首先通过摄像头和巡检机器人采集煤矿综采工作面带式输送机上煤块视频图像，并制作数据集。然后利用MobileNetV3＿YOLOv5s＿AF-FPN模型进行煤块图像目标检测：通过MobileNetV3替换原始YOLOv5s主干特征提取网络，减少参数量，提高推理速度；将YOLOv5s中原有的特征金字塔网络改进为增强特征金字塔网络（AF-FPN），以提高YOLOv5s网络对多尺度煤块目标的检测性能。利用DeepSORT进行煤块多目标跟踪：将改进YOLOv5s模型检测后的煤块图像作为DeepSORT的输入进行多目标跟踪，利用DeepSORT对煤块进行状态估计、数据关联匹配和跟踪器参数更新，确定跟踪结果，并对连续跟踪的煤块进行ID编码，对当前帧的煤块数量进行计数。最后在目标跟踪器中取出连续跟踪的目标，设置距离阈值，判断其是否滞留；设置数量阈值，判断其是否堵塞，最终实现煤块滞留和堵塞行为异常识别。利用自建dkm＿data2021数据集对基于改进YOLOv5s+DeepSORT的煤块行为异常识别方法的可靠性进行实验验证，结果表明：改进YOLOv5s模型相比YOLOv5s模型平均检测精度提高了1.45%，参数量减少了35.3%，推理加速了12.7%，平均漏检率降低了11.08%，平均误检率降低了11.54%；基于改进YOLOv5s+DeepSORT的煤块行为异常识别方法检测精度为80.1%，可准确识别煤块滞留、堵塞状态，验证了该方法的可靠性。