1.一种煤矿井下输送带异物目标检测方法，其特征在于，所述煤矿井下输送带异物目标检测方法包括以下步骤：

步骤一，利用煤矿井下输送带监控视频制作训练样本和测试样本；

步骤二，利用Labellmg标注工具从获取的视频中对异物进行截取和标注，并对输送带图像进行自适应直方图均衡；

步骤三，在YOLOv5算法框架下，引入注意力模型CBAM，使用深度可分离卷积精简网络参数，优化损失函数，并构建检测模型。

2.如权利要求1所述的煤矿井下输送带异物目标检测方法，其特征在于，步骤一中，所述煤矿井下输送带异物目标检测，包括煤尘干扰、光照不均以及高速运动三种情况下的异物检测。

3.如权利要求1所述的煤矿井下输送带异物目标检测方法，其特征在于，步骤三中，所述煤矿井下输送带异物目标检测方法利用深度可分离卷积代替主干网络中的标准卷积，精简网络结构，优化损失函数；所述网络模型在输入分辨率为1280×720的图像之前，将输入图像分割为小块后，对每个像素通过其周边一个矩形范围内的像素的直方图进行均衡化，均衡图像灰度并增强图像边缘的优势；输入图像像素数为x，灰度范围[0，L‑1]在之间取值，L为动态范围内的离散灰度级；其中，所述输入图像的直方图p(rk)为：式中，rk表示第k个灰度级；nk表示图像中出现的像素的个数；

灰度累计分布函数Sk为：

直方图均衡化变换函数为：

r′k＝round((L‑1)，SK)，K＝0，1，2…L‑1；

式中，r′k为直方图均衡化后的灰度级round(·)为四舍五入取整运算。

4.如权利要求1所述的煤矿井下输送带异物目标检测方法，其特征在于，步骤三中，所述YOLOv5网络主干网络的CSP模块后引入通道和空间卷积块注意模型，共引入3个CBAM模C×H×W

块；给定特征图F∈R ，其中C为特征图的通道数，H×W为特征图大小；将F送入通道注意力模块，通过平均池化和最大池化得到每个通道的信息，并将得到的参数通过多层感知器进行叠加，再经过Sigmoid函数激活，从而得到通道注意力特征MC(F)：式中，Mc(F)是为通道注意力模块；s(·)表示Sigmoid函数；MLP(Multilayer Perceptron)为多层感知器，AvgPool(·)和MaxPool(·)分别表示模块对特征图空间信息进行平均池化和最大池化的操作； 和 分别表示通道注意机制的全局平均池化和最大平均池化运算；

将给定特征图F送入空间注意力模块后，通过平均池化和最大池化沿通道维度汇聚空

1×H×W 1×H×W

间信息，生成空间特征图Favg∈R 和Fmax∈R ；通过1×1的卷积和Sigmoid函数激活，得到空间注意力特征后，再与F逐元素乘，最终得到空间注意力特征图FS：

7×7

式中，Cat表示连接操作；f 表示大小为7×7的卷积运算； 和 分别表示空间注意机制的全局平均池化和最大平均池化运算。

5.如权利要求1所述的煤矿井下输送带异物目标检测方法，其特征在于，步骤三中，所述煤矿井下输送带异物目标检测方法的网络模型采用深度可分离卷积，卷积核为3×3，输入通道为3，输出通道为256；其中M和N分别为输入和输出数据的通道数；Dx和Dy分别为输入数据的长度和宽度；Dk为卷积核尺寸；Dw和Dh分别为输出数据的长度和宽度；标准卷积运算时是将各通道的输入特征图与相应的卷积核进行卷积操作，计算量Q1表示为：深度可分离卷积将标准卷积中的卷积操作分解为1个3×3的深度卷积和1个1×1的逐点卷积；假设输入的特征图F为Dx×Dy×M，经过深度卷积操作后得到Dh×Dw×N的特征图G，计算量Q2表示为：

深度可分离卷积与标准卷积之间的计算量比值为：

6.如权利要求1所述的煤矿井下输送带异物目标检测方法，其特征在于，步骤三中，所述煤矿井下输送带异物目标检测方法的CBAM‑YOLOv5使用DIOU代替原损失函数，优化边框信息，实现目标框与预测框之间更有效的损失计算；其中，所述GIOU的计算公式为：gt

式中，检测框和目标框的中心点用b，b 表示，ρ代表两个中心点间的欧式距离，C为覆盖检测框和目标框之间的最小矩形的斜距。

7.一种实施权利要求1～6任意一项所述的煤矿井下输送带异物目标检测方法的煤矿井下输送带异物目标检测系统，其特征在于，所述煤矿井下输送带异物目标检测系统包括：样本制作模块，用于利用煤矿井下输送带监控视频制作训练样本和测试样本，包括煤尘干扰、光照不均以及高速运动三种情况下的异物检测；

直方图均衡模块，用于利用Labellmg标注工具从获取的视频中对异物进行截取和标注，并对输送带图像进行自适应直方图均衡；

检测模型构建模块，用于在YOLOv5算法框架下，引入注意力模型CBAM，使用深度可分离卷积精简网络参数，优化损失函数，并构建检测模型。

8.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：利用煤矿井下输送带监控视频制作训练样本和测试样本，包括煤尘干扰、光照不均以及高速运动三种情况下的异物检测；利用Labellmg标注工具从获取的视频中对异物进行截取和标注，并对输送带图像进行自适应直方图均衡；在YOLOv5算法框架下，引入注意力模型CBAM，使用深度可分离卷积精简网络参数，优化损失函数，并构建检测模型。

9.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：

利用煤矿井下输送带监控视频制作训练样本和测试样本，包括煤尘干扰、光照不均以及高速运动三种情况下的异物检测；利用Labellmg标注工具从获取的视频中对异物进行截取和标注，并对输送带图像进行自适应直方图均衡；在YOLOv5算法框架下，引入注意力模型CBAM，使用深度可分离卷积精简网络参数，优化损失函数，并构建检测模型。

10.一种信息数据处理终端，其特征在于，所述信息数据处理终端用于实现如权利要求

7所述的煤矿井下输送带异物目标检测系统。