胡璟皓，高妍，张红娟，靳宝全

(1.太原理工大学 电气与动力工程学院， 山西 太原 030024；2.太原理工大学 新型传感器与智能控制教育部与山西省重点实验室， 山西 太原 030024)

0 引言

带式输送机作为煤矿井下运输的关键设备，在煤矿运输中起着举足轻重的作用。随着煤矿生产效率的提升，对带式输送机可靠性方面的要求不断提高[1-3]。由于井下环境复杂，在煤矿生产运输过程中，断裂的锚杆、角铁等非煤异物易导致输送带纵向撕裂、断带等事故，影响煤矿安全生产[4-5]。快速准确地识别输送带中非煤异物并提前预警，对煤矿安全运输具有重要意义。

目前，图像识别法因其安装维护简单、成本低，成为非煤异物检测研究热点[6]。何敏等[7]引入支持向量机，结合图像样本分析与特征提取对煤矸石进行识别。程健等[8]利用高斯混合模型分离煤流视频背景，结合粒子群算法优化模型，实现煤流中矸石等异物的检测。陈立等[9]利用小波分析对采集到的煤与矸石图像进行降噪，并通过构造小波矩对煤和矸石进行特征提取，以此识别煤与矸石。薛光辉等[10]采用灰度-梯度共生矩阵提取煤矸图像纹理特征，利用随机森林算法对纹理特征排序，以提高模型识别效果。Y. Pu等[11]基于VGG16卷积神经网络进行煤矸识别。然而，现阶段研究主要是针对煤矸进行识别，缺乏对多类别非煤异物的识别，且现有识别模型缺乏对异物的精确定位，运行速度慢，无法实现实时检测。

针对上述问题，本文提出一种基于深度学习的带式输送机非煤异物识别方法。……