输送带是煤矿井下最重要的运输设备之一，在输送工作中会因锚杆、槽钢、大块矸石等异物混入造成皮带撕裂、落煤口阻塞等重大安全事故，严重影响运输效率，甚至威胁工人生命安全。为了解决现有输送带异物检测算法存在的对细长物体表征能力弱、弱语义特征提取能力差等问题，设计了一种基于低层级特征增强与Transformer机制的异物检测算法 (Feature Enhancement and Transformer YOLO，FET-YOLO)。首先，针对现有检测网络难以提取细长物体特征的问题，引入可变形卷积以提升网络对细长异物的形状特性的适应性，并使用MobileViT模块增加图像中异物与背景的区分度，以提取出更符合细长异物的多样性特征，削弱背景噪声的干扰；其次，构建低层级特征增强模块(Low-Level Feature Enhancement Module，LFEM)，提升异物弱语义特征在检测网络中的表达能力，以降低漏检、错检的概率；最后，引入鬼影混洗卷积(GSConv)减少因特征图尺寸变化造成的信息丢失，保证网络高效提取特征的同时，减少模型参数量。利用煤矿井下输送带工作视频制作训练集和验证集，并将提出的算法与现有的3种输送带检测算法对比，实验结果表明：所提出的算法可以更好的解决输送带异物目标检测中细长物体检测效果差、弱语义特征提取困难的问题，具有更高的检测精度、同时符合输送带检测场景对检测实时性的要求，对于分辨率大小为640×640的图像mAP@0.5可达0.875，mAP@0.5:0.95可达0.543，检测速度为75fps。

0 引言
1 YOLOv7-tiny算法原理
2 FET-YOLO网络
2.1 可变形卷积
2.2 低层级特征增强模块LFEM
2.3 基于Transformer的特征融合模块
2.4 GSConv模块
3 模型训练及结构分析
3.1数据集制作
3.2 网络模型训练
3.3 评价指标
4 实验结果分析
5 结 论