由于煤矿井下高噪声、低照度、运动模糊的复杂工况和煤矸易聚集现象，导致煤矸目标检测模型特征提取困难及煤矸分类、定位不准确问题。针对该问题，提出一种基于CED-YOLOv5s模型的煤矸识别方法。首先，在YOLOv5s主干网络中引入坐标注意力 (CA) 机制，通过将坐标信息嵌入信道关系和长程依赖关系中对特征图进行编码，充分利用通道注意力信息和空间注意力信息，使模型更加关注重要特征，抑制无用信息。其次，在YOLOv5s的检测头部引入EIoU回归损失函数，将目标框与锚框的宽高差异最小化，以增强目标的位置和边界信息，提高模型在密集目标下的定位精度和收敛速度；最后，在YOLOv5s的检测头部引入轻量化解耦头，解耦出单独的特征通道，分别用于分类和回归任务，解决了原模型中耦合头部分类任务与回归任务的相互干扰问题，进一步提升了模型的并行运算效率与检测精度。实验结果表明： CED-YOLOv5s模型与其他YOLO系列目标检测模型相比，综合性能最佳，平均检测精度达94.8%，相较于YOLOv5s模型提升了3.1%，检测速度达84.8 帧/s，可充分满足煤矿井下煤矸实时检测需求。

0 引言
1 CED-YOLOv5s模型结构
2 YOLOv5s模型改进
2.1 特征提取模块改进
2.2 损失函数改进
2.3 检测头改进
3 实验验证
3.1 数据集获取与预处理
3.2 模型训练
3.3 评价指标
3.4 消融实验
3.5 对比实验
4结论