针对煤矿高噪声、低照度、运动模糊与大批量煤矸混杂等复杂工况环境因素导致煤矸识别存在误检、漏检以及检测精度低的问题，提出一种基于CFS-YOLO算法的煤矸智能识别模型。采用ConvNeXt V2（Convolutional Neural Network with NeXt Units Version 2）特征提取模块替换主干网络末端的2个C3（Cross stage partial bottle neck mudule）模块，通过将掩码自动编码器（Masked Autoencoders， MAE）和全局响应归一化（Global Response Normalization， GRN）层添加到ConvNeXt架构中，有效缓解特征崩溃问题以及保持特征在网络传递过程中的多样性；采用Focal-EIOU（Focal and Efficient Intersection Over Union）损失函数替换原CIOU（Computer Intersection Over Union）损失函数，通过其Focal-Loss机制和调整样本权重的方式优化边界框回归任务中的样本不平衡问题，提高模型的收敛速度和定位精度；添加无参注意力机制（Simple Attention Mechanism， SimAM）于主干网络每个C3模块的后端，凭借其注意力权重自适应调整策略，提升模型对尺度变化较大或低分辨率煤矸目标关键特征的提取能力。通过消融实验和对比实验验证所提CFS-YOLO模型的有效性与优越性。实验结果表明，CFS-YOLO模型对于煤矸在煤矿高噪声、低照度、运动模糊与大批量煤矸混杂等复杂环境下的检测效果均得到有效提高，模型的平均精度均值达到90.2%，相较于原YOLOv5s模型的平均精度均值提高了3.7%，平均检测速度达到90.09FPS，可充分满足煤矸实时检测的需求。同时与YOLOv5s、YOLOv7-tiny与YOLOv8n等六种YOLO系列算法相比，CFS-YOLO模型对煤矿复杂环境的适应性最强且综合检测性能最佳，可为煤矸的智能高效分选提供技术支持。

0 引言
1 CFS-YOLO模型
1.1 ConvNeXt V2模块
1.2 Focal-EIOU损失函数
1.3 SimAM无参注意力机制
1.4 CFS-YOLO模型结构
2 数据采集与处理
2.1 煤矸识别分拣装置
2.2 数据采集与预处理
3 实验与结果分析
3.1 模型训练
3.2 模型评价指标
3.3 不同主干网络实验结果
3.4 不同损失函数实验结果
3.5 添加注意力机制实验结果
3.6 消融实验
3.7 对比实验
3.8 检测结果对比
4 结论