煤矿井下目标检测技术是建设智慧矿山不可或缺的内容，可以提供实时监测和识别能力，但井下光照不均匀、遮挡严重等因素造成了井下部分目标的信息缺失，极大降低了目标检测的准确率。基于此，提出一种改进YOLOv5s的井下残缺信息的多目标检测算法。考虑到残缺目标易与井下背景相混淆，本文算法通过在YOLOv5s的Backbone部分融入 CBAM注意力模块，增强特征图中与残缺目标相关的通道和空间信息，从而增强抑制背景干扰能力。同时，为了有效地提取和强化小目标和被遮挡目标的细节特征，使用加权双向特征金字塔网络BIFPN代替原网络的PANet结构。其次，为了更好地适应井下残缺目标形状的变化，采用引入了额外的边界框坐标信息的EIOU函数来优化原有的损失函数。最后通过自建井下数据集对本文改进算法进行验证，实验结果表明：所提出的目标检测算法可以更好地解决井下监控环境中目标尺寸较小、部分区域被遮挡、纹理和形状变化对目标检测精度的影响，改进后模型的平均准确率达到了91.3%，相较于原模型提高了2.7%左右，F1-Score达到了90.0%，相较于原模型提高了1.9%左右。

0.引言
1.YOLOv5算法原理
2.改进YOLOv5s的井下残缺信息的目标检测算法
2.1 基于CBAM注意力机制的残缺特征提取网络
2.2 基于BiFPN的残缺特征强化网络
2.3 基于EIOU的残缺目标损失函数
3.训练与结果分析
3.1 数据集和参数配置
3.2 评价指标
3.3实验结果分析
3.3.1 算法改进前后性能对比
3.3.2 消融实验
3.3.3 不同模型测试对比
4.结语