1.一种基于改进YOLOv8‑EfficientNet的皮带磨损状态检测方法，其特征在于，包括如下内容：S1、利用CCD相机采集煤矿带式输送机皮带的不同磨损程度图像，依据不同磨损程度的磨损纹理特征结合拉伸实验划分的不同磨损程度确定磨损类别，进而对采集的图像基于磨损类别制作标签，标出磨损部位区域和类别信息，制作数据集；对数据集进行扩增，并将数据集划分为训练集和验证集；

所述磨损类别是依据NN‑100型尼龙输送带结构特点、拉伸性能试验得出的不同磨损程度皮带性能数据、不同磨损程度的磨损纹理特征进行类别划分；所述数据集是利用CCD相机采集空载皮带上的皮带磨损图像，对所有图像中的磨损部位标注出区域和类别信息，制作磨损数据集；

S1中所述对数据集进行扩增，并将数据集划分为训练集和验证集具体指：将皮带磨损图像通过翻转、镜像的方式来增加不同角度的图像，并采用mosaic算法实现图像的数据增强，通过将四张图片随机缩放、随机裁剪、随机排布的方式进行拼接，扩充数据集，然后按照

8：2的比例将皮带磨损图像数据集划分为皮带磨损目标检测训练集和皮带磨损目标检测验证集；

S2、以传统Retinex图像增强算法为基础，将高斯滤波和双边滤波作为中心环绕函数，再将处理后的图像与进行直方图均衡化和自适应亮度调节的图像进行通道融合处理；将S1中采集到的图像送入改进后的图像增强算法进行处理；

S3、建立基于改进YOLOv8‑EfficientNet算法的皮带磨损状态检测模型，具体包括：将YOLOv8的主干网络更换为EfficientNet模块，变换为轻量级网络模型，利用EfficientNet模块中不改变层结构对卷积层进行混合缩放，达到性能最优模型结构；

所述S3进一步包括：在EfficientNet模块中设置混合因子φ，对网络深度、宽度、分辨率进行混合缩放，使得网络具有最优性能；在改进的YOLOv8‑EfficientNet模型主干输出的三个有效特征层中通过引入NAM注意力模块插入空间和通道注意力机制；对数据集使用k‑means++聚类算法，获得适合皮带磨损位置的锚点框；

EfficientNet模块采用对输入到预测网络的特征图是输入图像经过卷积下采样压缩3次、4次、5次后的特征图的组合，压缩后不同尺度单独计算特征图，能够提升算法的检测精度；

所述通过引入NAM注意力模块插入空间和通道注意力机制具体指：在每个网络块的末端嵌入一个NAM注意力模块，对于残差网络，将NAM注意力模块嵌入在残余结构的末端；对于通道注意子模块，使用了批归一化的缩放因子重新设计通道和空间注意子模块；

S4、训练S3中构建的改进YOLOv8‑EfficientNet算法的皮带磨损状态检测模型，将S2中处理后的皮带磨损图像中的训练集和验证集送入构建的基于改进YOLOv8‑EfficientNet算法的皮带磨损状态检测模型中进行训练；对训练后的改进YOLOv8‑EfficientNet算法的皮带磨损状态检测模型进行性能评估与评价，得到收敛良好的网络模型；

S4中所述训练步骤2中构建的改进YOLOv8‑EfficientNet算法的皮带磨损状态检测模型具体指：设置训练参数，训练迭代次数为300次，前50次利用冻结方式训练，学习率为

0.001；后250次迭代学习率为0.0001，训练过程采用退火余弦算法以及标签平滑；

S5、评估模型，根据训练后得到的基于改进YOLOv8‑EfficientNet算法的皮带磨损状态检测模型，对模型的平均检测精度、检测速度进行评估；

S6、将S5中评估后的满足实际工况的基于改进YOLOv8‑Efficient Net算法的皮带磨损状态检测模型应用于实际工况中，对输送机皮带磨损级别和位置进行实际检测。