传统的煤矸图像检测方法需要人工提取图像特征，准确率不高，实用性不强。现有基于改进YOLO的煤矸目标检测方法在速度和精度方面有所提升，但仍不能很好地满足选煤厂带式输送机实时智能煤矸分选需求。针对该问题，在YOLOv5s模型基础上进行改进，构建了YOLOv5s-SDE模型，提出了基于YOLOv5s-SDE的带式输送机煤矸目标检测方法。YOLOv5s-SDE模型通过在主干网络中添加压缩和激励（SE）模块，以增强有用特征，抑制无用特征，改善小目标煤矸检测效果；利用深度可分离卷积替换普通卷积，以减少参数量和计算量；将边界框回归损失函数CIoU替换为EIoU，提高了模型的收敛速度和检测精度。消融实验结果表明：YOLOv5sSDE模型对煤矸图像的检测准确率达87.9%，平均精度均值（mAP）达92.5%，检测速度达59.9帧/s，可有效检测煤和矸石，满足实时检测需求；与YOLOv5s模型相比，YOLOv5s-SDE模型的准确率下降2.3%,mAP提升1.3%，参数量减少22.2%，计算量下降24.1%，检测速度提升6.4%。同类改进模型对比实验结果表明，YOLOv5s-STA与YOLOv5s-Ghost模型的检测精度明显偏低，YOLOv5s-SDE模型与YOLOv5s模型及YOLOv5s-CBAM模型的检测效果整体相近，但在运动模糊和低照度情况下，YOLOv5s-SDE模型整体检测效果更优。

山西省研究生教育创新项目（2021Y739）；2022年大同市科技计划重点研发（高新技术领域）项目（2022005）；山西大同大学2022年度校级揭榜招标项目（2021ZBZX3）；山西大同大学2021年度产学研专项研究项目（2021CXZ2）；山西大同大学研究生教育创新项目（21CX02,21CX37）；

0 引言
1 基于YOLOv5s-SDE的带式输送机煤矸目标检测
1.1 YOLOv5s-SDE结构
1.2 SE模块
1.3 深度可分离卷积网络
1.4 边界框回归损失函数
2 实验分析
2.1 参数配置及数据采集
2.2 YOLOv5s-SDE模型训练结果
2.3 消融实验
2.4 对比实验
3 结论

张磊,王浩盛,雷伟强,王斌,林建功.基于YOLOv5s-SDE的带式输送机煤矸目标检测[J].工矿自动化,2023,49(04):106-112.DOI:10.13272/j.issn.1671-251x.2022080043.