Para abordar la baja precisión de reconocimiento de modelos para imágenes de ganga de carbón en sistemas inteligentes de preparación de carbón, especialmente en la identificación de pequeñas gangas de carbón objetivo debido a factores como cambios en el ángulo de la cámara, baja iluminación y desenfoque de movimiento, proponemos un modelo mejorado de separación de ganga de carbón, Yolov8n-improvedGD (GD-Gangue Detection), basado en Yolov8n. La estrategia de optimización incluye la integración del GCBlock (Bloque de Contexto Global) de GCNet (Red de Contexto Global) en la red principal para mejorar la capacidad del modelo de capturar dependencias a larga distancia en las imágenes y mejorar el rendimiento de reconocimiento. El módulo CGFPN (Red de Pirámide de Características de Guía Contextual) está diseñado para optimizar la estrategia de fusión de características y mejorar las capacidades de expresión de características del modelo. Se emplea la arquitectura GSConv-SlimNeck para optimizar la eficiencia computacional y mejorar las capacidades de fusión de mapas de características, mejorando así la robustez del modelo. Se incorpora una cabeza de detección a escala de 160 x 160 para mejorar la sensibilidad y precisión de detección de pequeñas gangas de carbón, mitigar los efectos de datos de baja calidad y mejorar la precisión de localización de objetivos.