薄景文，张春堂，樊春玲，李海菊

青岛科技大学 自动化与电子工程学院，山东 青岛266100

在选矿生产过程中，矿石输送是重要的一环。由于矿山井下开采出的矿石夹杂了大量的废旧木头、钢钎、塑料管、起爆线、钢板、铝方管等杂物，必须要清除。目前，杂物清理主要依靠人工作业，工人的劳动强度大，效率低，且有些杂物在现场很难被发现，会有诸多漏拣的杂物进入到后续破碎、选矿环节，其中刚性杂物容易损坏设备，软性杂物容易造成堵塞，给生产带来严重的经济损失。因此有必要将目标检测技术引入到矿石输送环节，实现对杂物的快速准确识别。

近年来，基于深度学习的目标检测算法被初步应用于采矿业领域[1-4]，实现了人工智能技术与矿山某些特定业务的结合，推动了智慧矿山[5]的建设。目前目标检测算法主要有两类：一类是双阶段检测算法，以RCNN[6]、Fast RCNN[7]、Faster RCNN[8]和Mask RCNN[9]等为典型代表，这类算法先通过选择搜索（Selective Search）或候选区域生成网络（Region Proposal Network）生成一系列候选框，再通过卷积神经网络对候选框内目标的位置和类别进行预测；另一类是单阶段检测算法，以SSD[10]、YOLO[11]和RetinaNet[12]等为代表，这类算法是一种端到端的算法，直接通过网络最后的输出层得到目标的位置和类别信息，因此单阶段算法检测速度更快但精度低，双阶段算法则检测精度高但速度慢。由于现场输送带实时运行，对检测速度的要求更高，因此输送带杂物检测中首先考虑单阶段算法。相比于其他单阶段算法，YOLOv3[13]更好地平衡了检测精度与检测速度，但其网络结构复杂，对硬件资源配置要求较高。……