过大的煤块在带式输送机上运输时易造成煤流不畅、堵塞及堆煤，然而大块煤和普通煤块在外形和颜色上的差异较小，且煤块间存在遮挡和堆叠的情况，现有煤块检测方法对大块煤与普通煤块的区分不够精确，容易出现漏检或误检。针对上述问题，提出了一种改进YOLOv5模型，用于带式输送机大块煤检测。利用并行空洞卷积模块替换YOLOv5骨干网络中的部分普通卷积模块，扩大感受野，提升多尺度特征学习能力，从而更好地区分大块煤与普通煤块；在颈部网络中加入联合注意力模块，更好地融合上下文信息，提高对大块煤的定位能力。利用训练好的改进YOLOv5模型对摄像仪采集的实时输煤视频进行检测，根据大块煤的数量信息实时联动PLC示警。实验结果表明：相比于比原始YOLOv5模型，改进YOLOv5模型在召回率和平均精度上分别提高了3.4%，2.0%；PLC可根据改进YOLOv5模型检测的大块煤数量操作相应的指示灯和蜂鸣器进行示警；将改进YOLOv5模型应用于煤矿井下实际输煤视频中，对大块煤的检测精确率达97.0%，有效避免了漏检和误检现象。

0 引言
1 带式输送机大块煤检测方法
1.1 方法原理
1.2 改进YOLOv5模型
1.2.1 并行空洞卷积模块
1.2.2 联合注意力模块
1.3 PLC联动示警
2 实验设置
2.1 实验环境
2.2 数据集
2.2.1 数据来源
2.2.2 图像预处理
2.3 评价指标
3 实验结果
3.1 改进YOLOv5模型识别结果
3.2 PLC联动示警结果
3.3 实际场景检测结果
4 结论