基于深度学习的目标检测算法在异物检测中具有较好的识别效果，但模型内存需求大，检测速度慢；轻量化深度学习网络能够大幅减少模型内存需求，提升检测速度，但在井下弱光环境中检测精度低。针对上述问题，提出了一种基于Faster-YOLOv7的带式输送机异物实时检测算法。通过限制对比度自适应直方图均衡化算法(CLAHE)进行图像增强，提高弱光环境中异物对比度；基于Mobilenetv3对YOLOv7主干网络进行轻量化设计，减少YOLOv7模型的计算量、参数量；添加有效通道注意力机制，缓解因特征通道数减少而导致的高层特征信息丢失问题；采用Alpha-IoU作为损失函数提高异物检测精度。实验结果表明：① Faster-YOLOv7的初始损失为0.143，最终稳定在0.039左右；② Faster-YOLOv7的检测速度可达到42帧/s，较YOLOv5、YOLOv7分别提升了17，20帧/s；Faster-YOLOv7内存为14 Mbit，较YOLOv5、YOLOv7分别降低了29，57 Mbit；检测准确率达91.3%，较YOLOv5提升了8.8%；③ 将SSD、YOLOv5、轻量化YOLOv7、Faster-YOLOv7目标检测算法应用到煤矿井下带式输送机运煤图像及视频中，发现SSD在视频检测时发生了漏检现象，YOLO系列模型均有效地识别出待测异物，而Faster-YOLOv7识别结果的置信度更高。

0 引言
1 异物检测流程
2 图像增强
3 改进YOLOv7模型
3.1主干特征提取网络轻量化
3.2 ECA有效通道注意力机制
3.3 Alpha-IoU损失函数
4 实验结果与分析
4.1 数据集
4.2 实验结果分析
5 结论