针对异物图像背景复杂、特征提取能力弱、黏连小目标的检测精度低、检测框定位及尺度失真等问题，提出一种基于YOLOv5n-CND的矿用输送带目标检测算法。首先，采用C2f对特征金字塔进行优化，使用更少参数解决在井下异物图像采集背景复杂且存在复杂目标干扰对小目标检测不敏感的问题；然后，采用归一化高斯瓦萨斯坦距离（NWD）回归损失函数替代CIoU，改善多尺度异物检测效果不佳的问题，精准预测黏连的小目标检测情况；最后，添加目标检测头（DyHead），将尺度、空间和任务3种注意力机制结合，改善对异物轮廓的特征提取能力，增强对多尺度目标的适应能力。实验结果表明：YOLOv5n-CND的mAP@0.5、mAP@0.5:0.95、参数量及检测速度分别为87.9%，55.9%，4.49×106，85.5帧/s，满足煤矿井下异物检测需求；YOLOv5n-CND的mAP@0.5和mAP@0.5:0.95较YOLOv5n分别提高了2.6%和3.4%，较YOLOv5s-CBAM分别提高了1.7%和3.8%；模型参数量在原模型的基础上略有提升，但较其他模型参数量均有所降低。选取异物与背景相近的细长检测物、光照比较低的锚杆检测物、含有大量煤矸石混杂的检测物、含有多个异物4种场景进行测试，结果表明：基于YOLOv5n-CND的矿用输送带异物检测算法未出现误检及重复检测的情况，漏检较少，检测框定位准确，对黏连小目标的处理效果更好，能够实现输送带异物的准确检测。

0 引言
1 YOLOv5n-CND模型
1.1 C2f模块
1.2 NWD损失函数
1.3 DyHead检测头
2 数据集及评价指标
2.1 数据集制作及预处理
2.2 性能评价指标
3 实验结果及分析
3.1实验环境及参数配置
3.2消融实验
3.3对比实验
4 结论

孙奥然,赵培培,杨迪,等.基于YOLOv5n-CND的矿用输送带异物检测[J/OL].工矿自动化,1-8[2025-01-25].https://doi.org/10.13272/j.issn.1671-251x.2024030070.