杜京义， 陈瑞， 郝乐， 史志芒

(1.西安科技大学 电气与控制工程学院，陕西 西安 710054;2.西安科技大学 安全科学与工程学院，陕西 西安 710054)

0 引言

由于煤炭开采环境复杂，运输过程中煤矿输送带容易发生撕裂、转接处堵塞等安全事故[1-3]，主要原因是异物(锚杆、编织物、木块和铁丝网)进入。因此对煤矿输送带上异物进行实时检测，及时发现并处理，可最大程度减少异物对带式输送机造成的损害，不仅有利于煤矿安全生产，而且对提高生产效率具有重要意义。

传统的煤矿带式输送机异物检测方式主要包括人工检测、雷达检测、金属探测器等[4-5]。人工检测效率低，安全隐患大；雷达检测成本高，维护难；金属探测器部署困难，检测类别较少。随着图像识别技术的发展，基于深度学习的目标检测算法应用广泛。基于深度学习的目标检测算法根据模型结构可分成以Faster-RCNN(Faster Region-based Convolutional Neural Networks)为代表的双阶段目标检测算法和以YOLO(You Only Look Once)、SSD(Single Shot MultiBox Detector)为代表的单阶段目标检测算法[6-8]。吕志强[9]提出了基于Faster-RCNN的输送带异物识别方法，引入置信度惩罚函数筛选最佳候选框，获得较高的检测精度。Wang Yuanbin等[10]基于改进SSD设计了煤矿输送带异物检测方法，通过替换损失函数及优化默认锚框比例等提高了检测精度。胡璟皓等[11]在YOLOv3模型基础上，采用Focal Loss函数替换交叉熵损失函数，并调节最佳超参数来解决输送带异物检测的样本不平衡问题，提高了模型检测性能。然而，基于深度学习的目标检测模型参数量大[12]，在计算资源有限的设备上运行速度慢[13]，无法实现异物的实时检测，且单纯依靠硬件的提升不足以带来检测性能的显著改善，根据目标特点设计模型才能更好地提升检测效果。……