基于CSR-YOLOv5s的煤矸目标检测算法

针对基于深度学习的煤矸目标检测方法速度慢、参数量多、计算量大等问题，文章提出了一种基于CSR-YOLOv5s的煤矸目标检测算法。首先使用轻量化网络ShuffleNetv2作为主干网络，提升目标检测速度；其次将Neck区域的20×20特征图分支删除，降低了模型复杂度；最后SIOU损失函数替换CIOU损失函数，引入CBAM注意力机制使模型更加关注重要特征提高检测性能。实验结果表明：改进后的煤矸检测算法模型大小压缩了92.3%,参数量减少了94.3%,计算量降低了90.5%,帧数提高了34.2帧，可为煤矸的智能分选提供借鉴。     

基于YOLOv5s改进的井下人员和安全帽检测算法研究

针对目前煤矿井下综采工作面煤尘干扰导致的人员和安全帽检测算法精确度低、漏检率高等问题，文章提出一种基于YOLOv5s改进的矿井人员和安全帽检测算法。首先引入CBAM注意力机制，更准确的提取图像关键特征；然后采用αCIOU损失函数替换原始的CIOU损失函数，二者结合提升整体目标检测的准确率。实验结果表明：改进后的检测算法精度优于YOLOv5s原始算法，检测准确率高达97.6%,在井下综采工作面复杂环境下可以实现高效准确的井下人员和安全帽检测。