一句话结论：在煤矿井下这个“低照度+高粉尘+小目标”的极端场景里，单独改损失函数或单独加注意力，收益都容易触顶；真正的杠杆在于让损失函数“感知困难样本”、让注意力“锁定头部区域”，两者联合调优。根据 2026 年 5 月Scientific Reports发表的井下安全帽检测研究，SENet-tn + INWDLoss 的组合在自建 MWHD 数据集上将 mAP 比 YOLOv5s 基线提升了2.91%；而另一项面向工地/隧道/煤矿的 YOLOv5-GBCW 工作，借助 CoordAttention + Beta-WIoU 把 mAP@0.5 推到94.5%，同时保持124.6 FPS的检测速度。一、为什么煤矿安全帽检测，YOLOv5 的“默认配方”不够用YOLOv5s 出厂自带的 CIoU 损失和 C3 主干，在 COCO 上表现均衡，但搬到煤矿井下会立刻暴露两个结构性短板。第一，小目标在损失函数里被“淹没”了。井下监控画面中，远处的安全帽可能只有十几个像素，CIoU 对这类目标的梯度信号极弱。根据Scientific Reports2026 年那篇工作的分析，采矿环境中的昏暗光照、遮挡和复杂背景使现有检测模型“往往无法达到令人满意的性能”，而这恰恰是 NWDLoss