在矿山复杂环境中,高磁性矿输送带异物检测面临场景干扰严重、识别难度大的挑战,针对高磁性矿中异物边缘信息易丢失和实时响应难度大的问题,提出了基于YOLOV8的深度学习图像检测方法。首先,建立输送带异物数据集,采用暗通道去雾技术对数据进行预处理,提升图像清晰度;然后,结合YOLOV8的网络特性,引入动态注意力机制,并用蛇形卷积代替普通卷积,允许模型在处理输入数据时动态地分配注意力,同时捕捉到更广泛的局部和全局特征;最后,改进动态检测头来灵活适配多尺度和多方向的检测需求,以提升模型的适应性并降低参数计算量。试验结果表明:基于YOLOV8的异物检测模型平均检测准确率达到96.4%,召回率为91%,平均检测时间仅为29 ms,完全满足矿山皮带运输现场对精准检测和实时性的要求。