煤炭是重要的国家能源，在煤炭的生产、转运的过程中主要依靠输送带传送。然而借助输送带转运时，大块煤炭影响输送带的安全运行。针对煤炭运输过程中的块煤监测问题，提出一种基于轻量化神经网络的输送带块煤实时监测方法AMGC YOLOv5（AHE Mosaic Ghost CBAM YOLOv5）。首先，利用AHE（Adaptive Histogram Equalization）自适应直方图均衡化进行图像数据预处理，降低煤尘、粉尘以煤矿井下光线对目标监测的影响，提高数据集的清晰度和对比度，同时结合Mosaic多数据增强提高数据集的丰富度。其次，引入Ghost Net轻量化神经网络，充分利用特征提取与特征图冗余特性之间的关系，将传统卷积操作与轻量化线性操作相结合，在保证检测精度的同时，极大程度减少模型的参数量和浮点计算量。最后，结合CBAM（Convolutional Block Attention Module）注意力机制依次完成通道特征提取和空间特征提取，改善特征提取的倾向性，提高模型的表征能力，降低背景图像的干扰。实验结果表明：改进以后的AMGC YOLOv5算法在模型轻量化方面，网络层数减少145层，模型体积压缩58.8M。参数量和浮点计算量分别减少约63.60%和68.86%。训练时长减少约0.76小时，GPU使用率减少约21.78%。此外，在模型性能方面，精确度提升约0.91%，实时监测效率从68.34FPS提高至94.34FPS，提高约38.05%。由此可见，AMGC YOLOv5不仅实现轻量化，而且能够有效提升模型的各项检测性能。

0 引 言
1 AMGC YOLOv5检测方法
1.1 数据预处理
1.2 Ghost轻量化网络
1.3 CBAM注意力机制
2 实验结果与分析
2.1 消融实验
2.2 对比实验
2.3 模型轻量化分析
2.4 模型精确度分析
2.5 模型实时性能分析
2.6 可视化监测结果
3 结论