摘要: 针对目前综放工作面低照度、高噪声和煤矸混杂堆积等复杂工况下的煤矸特征提取难、分割效果差等问题，提出一种基于改进YOLOv8-seg模型的轻量化煤矸识别算法GSL-YOLO。在主干网络中嵌入全局注意力机制模块GAM Attention，通过减少信息弥散和放大全局交互表示来提高网络模型性能；选用结合SPP（Spatial Pyramid Pooling）和ELAN（Efficient Layer Aggregation Network）的SPPELAN模块替换YOLOv8-seg空间金字塔池化结构，提升了模型处理不同尺寸目标时的检测性能；最后将检测头替换为轻量化非对称多级压缩LADH检测头，有效缓解了网络模型的训练难度，并同时提高了推理速度。通过在自建的煤矸数据集上的训练结果表明，GSL-YOLO模型平均精度均值（Mean average precision, mAP0.5:0.95）为96.1%，与原始网络模型相比mAP提高了0.8个百分点。改进后的模型内存占用量为6.0MB、参数量为2.9M、浮点运算数为11.4G，相比YOLOv8-seg模型分别缩减11.8%、12.1%、5.8%，表明GSL-YOLO模型具有良好的鲁棒性，能够实现煤矸图像的高精度识别分割。