毛清华， 郭文瑾， 翟姣， 王荣泉， 尚新芒， 李世坤， 薛旭升

（1. 西安科技大学 机械工程学院, 陕西 西安 710054；2. 陕西省矿山机电装备智能检测与控制重点实验室, 陕西 西安 710054；3. 西安重装韩城煤矿机械有限公司, 陕西 韩城 715400）

0 引言

煤炭作为我国主体能源，为国民经济和社会发展提供了能源安全保障，是国家能源安全稳定供应的“压舱石”[1]。2020年2月25日，国家发展改革委、国家能源局等八部委联合印发《关于加快煤矿智能化发展的指导意见》，要求煤矿带式输送机实现智能化运行。带式输送机作为煤炭运输系统的核心装备，长期处于高负荷状态运行，一旦发生故障，将影响煤炭生产效率，甚至造成人员伤亡。带式输送机的异常状态识别能够有效预防故障发生，对确保煤矿带式输送机安全、高效运行具有重要意义。

传统的带式输送机异常状态识别采用人工巡检或机械综合保护系统进行检测。由于煤矿带式输送机在井下布设广泛，人工巡检存在劳动强度大、效率低、难以准确发现故障等问题[2]。机械综合保护系统主要采用机械式传感器对带式输送机故障进行监测，但传感器可靠性易受环境影响，容易造成误判，导致识别效果不佳[3]。

随着机器视觉、深度学习和工业以太网技术发展，视频AI（Artificial Intelligence，人工智能）识别技术在煤矿带式输送机异常状态识别领域成为研究和应用的热点。本文通过分析视频AI识别技术在煤矿带式输送机跑偏、托辊故障、人员异常、堆煤和异物识别方面的研究现状，总结现有带式输送机视频AI识别技术存在的问题，并给出相应的解决思路和发展趋势，为后期煤矿带式输送机异常状态视频AI识别技术研究提供借鉴。

1 带式输送机异常状态视频AI识别研究现状

1.1 输送带跑偏视频AI识别技术

井下复杂环境导致的视频噪声大等现象会降低视频质量，从而影响识别效果，通过对视频数据降噪等预处理操作可提升视频数据质量，从而提高识别精度，因此应将预处理作为带式输送机输送带跑偏视频AI识别技术的首要研究目标。文献[4]基于滤波块中像素的加权平均值，提出一种抑制高斯噪声和脉冲噪声的方法，可抑制井下视频信息混合噪声。文献[5]提取输送带监控的ROI（Region of Interest，感兴趣区域）并进行归一化，采用较大阈值区间的Canny 算法提取输送带边缘特征点，并采用形态学滤波方法处理噪声及伪边缘。目前，输送带跑偏异常识别的预处理仍存在噪声滤除及伪边缘处理不彻底等问题，因此预处理算法需继续深入研究。

将视频数据进行预处理后，利用视频AI识别算法对输送带跑偏进行识别。文献[6]针对视频数据，运用PPHT（Progressive Probabilistic Hough Transform，累计概率霍夫变换）实时监测跑偏异常。文献[7-8]利用Canny算法结合霍夫变换检测输送带边缘并提取直线斜率，根据拟合的直线斜率和直线与图像坐标系中x轴的交点监测输送带跑偏。文献[9]利用巡检机器人采集输送带运行视频，通过Canny算法获取输送带边缘后判别输送带跑偏异常。文献[10]使用CMOS（Complementary Metal Oxide Semiconductor，互补金属氧化物半导体）图像传感器采集输送带视频数据，将坐标统计法与分组近似法相结合，识别输送带跑偏异常状态。文献[11]利用优化M-SSD（MobileNet-Single Shot MultiBox Detector，轻量化单激发多框探测器）提取输送带区域画面，并基于模板匹配算法实现输送带跑偏异常检测。随着深度学习技术发展，学者们开展了基于深度学习的视频AI识别输送带跑偏研究。文献[12]基于RCNN（Region Convolutional Neural Networks，区域卷积神经网络）实例分割算法自主学习目标区域特征并完成标注，利用改进的边缘检测算法和改进的直线段检测算法实现输送带跑偏识别。文献[13]基于多任务的卷积神经网络对输送带跑偏进行检测，识别效果如图1所示。文献[14]通过改进的语义分割FCN（Fully Convolutional Network，全卷积网络）算法实现ROI分割，使用深度可分离卷积轻量模型提取特征，并以特征金字塔网络融合来自不同特征层的信息，提高了识别准确性和实时性。文献[15]以空间金字塔池化作为YOLOv5特征提取网络，由输送带边缘斜率及输送带识别框对角坐标计算左右带边缘与视场之差，由差值是否超出阈值判别是否发生跑偏异常。

图1 基于视频AI技术的输送带跑偏识别Fig. 1 Recognition of belt deviation based on video AI technology

基于深度学习的输送带跑偏视频AI识别方法提高了跑偏识别的效率，但仍存在数据集构建耗时长、使用的视频AI识别算法只能对局部输送带进行识别而难以有效获得长距离依赖关系的问题[16]。因此，在输送带跑偏识别中，需加强对数据集高效构建方法及融合全局和局部信息的视频AI识别算法的研究，从而提高输送带跑偏异常识别精度与速度。

1.2 托辊故障视频AI识别技术

托辊作为带式输送机的重要组成部分，在带式输送机长期运行中易出现轴损坏及表面磨损等问题。传统托辊故障识别需人工巡检，劳动强度大，效率低。基于声音的托辊故障检测方法易受井下噪声影响，无法有效检测到故障信号，漏检严重。基于压力和电压等物理量的托辊故障检测方法需大量传感器进行数据采集，传感器稳定性不足，且安装和维护成本高。而利用红外视频数据检测托辊故障具有良好的可行性，因此国内外学者在利用红外视频AI技术识别煤矿带式输送机托辊故障方面开展了诸多研究。

对数据进行预处理是利用红外视频AI技术识别托辊故障的首要步骤，可降低红外数据中的噪声及复杂背景对托辊故障识别效果的影响。文献[17]采用3D降噪算法抑制数据随机噪声，并设计了基于多尺度视网膜皮层理论的图像增强算法以提升图像细节。文献[18]通过离散小波变换和粒子群优化对含噪数据进行分割，得到较好的分割区域，但预处理效果仍需进一步提升，以更好地复原视频数据。

许多学者对基于红外视频AI技术的托辊故障识别方法进行了研究。文献[19]在巡检机器人上布设RGB相机与红外摄像仪，对这2种设备采集的数据分别进行分析处理后融合，实现对托辊故障的识别与定位。文献[20] 提出一种基于异常值的托辊自动分割方法和形状检测算法，将分割出的热点形状、位置与RGB图像进行对比，实现对带式输送机托辊状态的定量评估。文献[21]利用热成像诊断方法测量异常托辊红外辐射，在带式输送机运行的情况下实现托辊异常状态诊断。文献[22]利用红外数据处理技术进行托辊区域分割和特征提取，根据温度对故障等级作出判断并进行故障预警。文献[23]利用迁移学习增强红外数据训练效果，通过DenseNet模型实现托辊故障检测。文献[24]利用提取光流法进行边缘检测，以保证视频完整性，对处理后的视频运用改进CNN（Convolutional Neural Networks，卷积神经网络）和LSTM（Long Short-Term Memory，长短期记忆）双流网络模型进行托辊异常状态识别。文献[25] 提出了一种基于声音和热红外特征的带式输送机托辊故障分析方法，实现对托辊故障程度的识别和显示。文献[26]使用红外相机采集数据，将红外图像转换为温度值矩阵，以获取托辊温度，从而检测其故障。文献[27]提取RGB数据中ROI，利用热点检测算法识别红外数据中的热点，最终在RGB数据中融合红外故障点，实现托辊故障准确识别，检测效果如图2所示。

图2 融合红外数据与RGB数据的托辊故障视频AI识别Fig. 2 Idler fault video AI recognition based on fusion of infrared data and RGB data

目前主要开展了基于红外视频AI技术、基于红外视频与RGB视频融合的托辊故障识别方法研究。将RGB视频图像与红外视频图像融合，能有效提升托辊故障识别精度，但仍存在识别实时性不足、融合后数据对比度低、细节丢失等问题。未来可考虑融合激光雷达等设备采集的数据，加强融合算法及视频AI识别技术研究，进一步提升识别精度和速度。

1.3 人员异常状态视频AI识别技术

带式输送机运行中的人员异常状态主要分为人员入侵危险区域及人员不安全行为。由于井下环境复杂、粉尘大、光照不均，视频存在遮挡、噪声大等情况，导致视频数据细节信息模糊、特征信息丢失。为改善输入视频质量，对采集到的煤矿视频数据进行预处理。文献[28]提出了一种基于小波变换与暗原色先验知识相结合的方法，有效去除图像噪声，解决浓雾和光照不均问题。文献[29]提出一种基于单尺度视网膜大脑皮层理论和双边滤波集成的混合算法，减少了图像噪声，强化了边缘信息。

1.3.1 人员入侵危险区域识别技术

煤矿带式输送机工作区存在巨大安全隐患，人员入侵危险区域造成的伤亡事故时有发生。目前人员入侵危险区域检测主要依靠传统视频监控下的人工提醒或设置实体围栏，实时性差、安全性低。而利用视频AI识别技术检测人员入侵带式输送机工作区域并实时报警，可提高煤矿生产安全水平及智能化程度。

国内外学者在利用视频AI技术识别人员入侵危险区域方面进行了诸多研究。文献[30]利用一种改进Tiny YOLOv3方法，并以深度可分离卷积单元为网络主体构建下采样残差模块，实现井下人员越界行为的快速准确识别。文献[31]利用行人越界检测算法识别视频中行人目标，并通过状态缓冲处理计算出人员越界趋势，以判断越界方向。文献[32]通过双阈值背景差分法识别人员，利用改进的CAMShift（Continuously Adaptive Mean-Shift，连续自适应的均值偏移）算法跟踪人员是否入侵危险区域。文献[33]提出基于目标区域的配准算法，采用Lucas-Kanade光流法和基于块的背景运动补偿分别实现静态和动态背景下的人员检测与分割。文献[34]利用Faster-RCNN（Faster-Region Convolutional Neural Networks，快速区域卷积神经网络）提取图像特征，再通过RPN（Regional Proposal Networks，区域选取网络）实现视频中人员初步定位，经过ROI池化及全连接层操作后，得到精确的人员检测图。文献[35]提出一种基于DenseNet网络和SCAE（Stacked Convolutional AutoEncoder，堆叠卷积自编码器）的相似性学习步态识别算法，采用特征融合方法实现动静态特征的融合和呈现，提升人员入侵识别准确率。文献[36]提出基于鬼影的Vibe（Visual Background Extractor，视觉背景提取）二次检测方法，划定人员最小边界矩形，通过像素的区域计算和相似度阈值判断，有效抑制人员入侵检测中鬼影现象，提高前后景分离精度，增强识别能力，其识别效果如图3所示。

图3 基于视频AI技术的人员入侵危险区域识别效果Fig. 3 Personnel intrusing dangerous region recognition based on video AI technology

人员入侵危险区域的视频AI识别算法包括帧差法、背景建模法和光流法等，但由于人员入侵带式输送机工作区域的数据样本不足、视频AI识别算法提取特征能力有限，人员入侵识别率仍有待提升。加强可应用于小样本数据的视频AI识别算法研究和融合前景人员动态信息与背景环境静止信息的识别算法研究，可进一步提升对人员入侵危险区域的识别效果。

1.3.2 人员不安全行为识别技术

在煤矿带式输送机安全事故中人为因素占比较高，部分矿工安全意识淡薄，出现未按要求佩戴安全帽、睡岗离岗、打电话等不安全行为，严重时造成人员伤亡，因此开展矿井人员不安全行为的视频AI识别研究十分必要。

许多学者针对煤矿井下人员危险行为识别进行了研究。文献[37]提出一种基于交叉注意力机制的多特征融合行为识别模型，采用一种基于三维残差网络分组膨胀卷积模型提取图像特征，利用人体姿态识别算法和时空图卷积网络提取人体关键点特征，采用交叉注意力机制和自注意力机制对2种特征进行融合和拼接处理，大幅提高了识别准确率。文献[38]针对人体行为识别中传统动态时间规整算法经常出现的奇异点和时间复杂度问题，提出一种分段线性逼近结合自适应权重动态时间规整算法，提升了人员行为的识别速度和准确率。文献[39]针对输送带区域矿工的不安全行为，基于Kinect深度传感器，采用多层次互补特征表示方法，引入加权平均投票模型和集成算法，对矿工的不安全行为进行有效识别。文献[40]基于YOLOv4网络模型识别矿工安全帽佩戴情况，采用Open Pose算法及时空图卷积网络模型对监控视频中的矿工行为进行识别，实现了不安全行为的自动预警。文献[41]采用人体姿态识别算法对人体关键点进行识别，采用YOLOv3神经网络对设备与环境进行识别，采用MobileNetV3神经网络与时空图卷积网络分别对静态不安全行为和动态不安全行为进行识别，采用规则推理对互动不安全行为进行识别，实现了井下人员不安全行为智能识别。文献[42]针对生产区域监控视频模糊及识别准确率低的问题，提出了一种基于DA-GCN（Domain-Aware Attentive Graph Convolution Network，面向域的注意力图卷积网络）的煤矿人员行为识别方法，采用人体姿态识别算法提取人员骨架关键点，利用TCN（Temporal Convolutional Network，时间卷积网络）提取人体关节点的时间特征，在Cumt-Action数据集上进行了验证，具有较高的识别准确率。

目前主要开展了基于二维视频图像的人员不安全行为识别方法研究，但二维视频AI识别方法识别精度不高。运用三维视频AI识别方法能够准确提取人体关键特征，识别效果更好，但单一人体特征信息不全面，易导致人员行为识别率低。加强对融合人体轮廓、人体骨架等多种特征的三维视频AI识别技术研究，可有效提升人员不安全行为识别精度。

1.4 堆煤检测视频AI识别技术

带式输送机运行中由于运输量大、大块煤堵塞等因素导致的堆煤会造成输送带起火、撕裂等安全隐患。传统输送带堆煤预警方法分为人工检测和开关量堆煤传感器检测。人工检测效率低、劳动强度大；开关量堆煤传感器检测存在易受环境影响、误识别率较高等问题。视频AI识别技术作为非接触式检测方法，在带式输送机堆煤检测中可有效克服传统检测方法的弊端并提高识别实时性。

国内外学者针对堆煤检测开展了诸多研究。文献[43]利用无监督分割算法得到煤堆轮廓，在视频图像上设置电子围栏，以是否超出警戒线判断是否出现堆煤异常。文献[44]针对煤矿带式输送机溜槽堆煤和拥塞问题，采用帧差-Vibe法和图像亮度分割法获得图像的运动特性和亮度特性，并利用运动特性和亮度特性获取实时ROI，计算累计煤粒度比值来判别是否出现堆煤异常。文献[45]利用滤波去噪、降采样等预处理算法对采集到的点云数据进行处理并完成煤流三维重建，利用前后2帧输送带煤流的高度和宽度信息差识别堆煤异常，识别效果如图4所示。文献[46]以YOLOv4和YOLACT算法为基础，通过SGBM（Semi-Global Block Matching，半全局模板匹配）双目视觉算法获取堆煤三维坐标点，以求取堆煤体积，通过判断体积是否超过设定阈值实现堆煤检测。文献[47]采用基于红外结构光技术的快速重建煤流曲面方法实现带式输送机堆煤识别。文献[48]在视频中获取图像的内部凹凸信息和梯度渐变特征，组建曲量子场空间，构建堆煤模型，根据模型高度和半径识别堆煤异常。

图4 基于视频AI技术的输送带堆煤识别效果Fig. 4 Coal pile recognition of belt based on video AI technology

基于二维视频AI技术的堆煤识别受图像颜色信息影响较大，易产生误识别问题。基于三维视频AI技术的堆煤异常识别方法能够检测带式输送机上煤流三维信息，对堆煤识别准确性更高，但现有的三维点云信息处理复杂，基于三维视频AI的堆煤识别精度和速度有待进一步提升。

1.5 输送带异物视频AI识别技术

煤矿带式输送机在运输过程中存在矸石、锚杆、槽钢等异物，轻则造成输送带划伤、撕裂，重则导致输送带断裂，影响煤炭正常运输，甚至造成人员伤亡。常用的异物识别方法包括人工识别、射线识别、光谱识别、视觉识别等。人工识别异物劳动强度大、效率低，不符合智能化发展要求；射线识别存在辐射，会对人体健康产生影响；光谱识别效果不佳且效率低；基于视频AI技术的视觉识别方法具有成本低和非接触等优点，成为研究热点。

对于井下复杂环境引起的视频数据质量差及异物数据集不足等问题，需通过预处理进行数据增强。文献[49]利用多卷积神经网络及KinD++（Kindling the Darkness++，加入多尺度照明注意模块的低光照图像增强）算法增强图像色彩，恢复异物细节特征。文献[50]融合Mixup和CutMix数据增强方法，随机将2张样本图像按照比例混合生成新图像，实现异物数据集的扩充。

预处理后利用视频AI识别算法进行异物识别。文献[51]采用双目视觉相机获取图像，基于Canny算法和灰度拉伸方法完成图像处理，利用形态学矩阵方法提取异物特征，通过特征匹配方式解算出异物区域。文献[52]提出一种融合残差信息的轻量级网络，采用残差块作为基本特征提取单元，以交叉学习机制和特征拼接的方法融合不同尺度的特征信息，以实现异物识别。文献[53]以DarkNet-53作为主干特征提取网络，利用深度可分离卷积替换标准卷积，引入复合残差块、加权双向特征金字塔网络和双尺度输出，提高特征利用率和异物识别效率。文献[54]构建一种多尺度特征融合的语义分割网络，将得到的多尺度特征图谱在解码器端进行融合，结合图像的背景语义信息，对实际生产现场采集的煤中异物图像实现端到端的检测。文献[55]以YOLOv3作为基础框架，增加反卷积网络，并以Focal Loss损失函数替换交叉熵损失函数，实现异物识别。文献[56] 提出一种Faster-RCNN结合双向特征金字塔网络（Double-Sided Feature Pyramid Networks，DSFPN）的异物识别模型，模型以目标检测框架Faster-RCNN为基础，利用DSFPN自底向上和自顶向下2个多尺度特征融合过程来解决输送带异物的多尺度问题，提升了异物识别能力和精度。文献[57]提出一种融合卷积块注意力模型的YOLOv5目标检测算法，增强异物在网络中的特征表达能力，提升了异物目标识别精度。文献[58]通过自适应空间特征融合图像的特征信息，增强异物特征表达，实现异物准确识别。文献[59]利用改进的模板匹配算法初步识别异物，结合帧差法和面积法进一步筛选大块异物，实现对煤中异物精确筛选和识别。文献[60]设计了基于帧间差分法、阈值分级和选择轮廓算法的带式输送机大块异物识别算法，并采用卡尔曼滤波对大块异物进行追踪。文献[61]运用以深度可分离卷积替换其主干网络的改进YOLOv7模型进行异物识别，并通过加入轻量化注意力机制模块提升识别精度，识别效果如图5所示。

图5 基于视频AI技术的输送带异物识别效果Fig. 5 Foreign object recognition of belt based on video AI technology

目前异物视频图像预处理方法难以破解高速运动导致的异物模糊问题，因此需深入研究解决运动模糊问题的预处理算法。在异物视频AI识别算法方面，针对因异物数据不足导致的识别精度不高问题及因算法复杂导致的实时性问题，需加大对小样本识别算法的研究，从而降低视频图像数据集构建时间，提升识别精度与速度。

2 异常状态视频AI识别技术存在问题及解决思路

视频AI技术已广泛应用于煤矿带式输送机异常状态智能识别，在煤矿带式输送机跑偏、堆煤、异物、托辊故障、人员入侵和人员不安全行为等异常识别方面取得了一定的研究进展，但仍存在一些共性问题未解决。

2.1 视频图像数据集构建耗时长

1） 主要原因。目前视频AI识别采用有监督学习方法，需要大量异常状态数据样本，这些样本需要人工进行标注，耗时较长；异常状态出现频率小，采集异常状态数据周期较长。

2） 解决思路。① 针对标注耗时长问题，加大半监督学习AI识别技术、无监督学习AI识别技术和小样本学习算法的研究。如无监督学习AI识别只需输入无标签数据，算法自主生成人工标签，然后对数据进行保持语义信息的数据增强后进行异常识别，小样本学习算法只通过学习小样本数据即可实现异常识别。② 扩充异常数据集。基于生成模型的扩充方法可得到丰富多样的异常数据集[62]，也可较好解决异常数据采集周期长导致的数据集构建耗时长问题。

2.2 异常状态识别精度不高

1） 主要原因。① 煤矿带式输送机处于采光条件差、杂光干扰、粉尘干扰等复杂环境，导致视频图像模糊。② 实际工况中带式输送机异常状态出现频率不高，导致异常状态数据集不足，正常与异常样本数据不平衡。③ 现有深度学习方法对于煤矿复杂环境下的视频图像特征提取和特征融合能力不足。

2） 解决思路。① 研究适应于煤矿井下复杂环境的图像去模糊方法，构建数据集之前，进行图像降噪、图像增强等预处理，提升数据集图像质量。② 对于正负样本不均衡导致的识别精度不高问题，运用辅助分类生成对抗网络等算法均衡异常和正常样本，提升识别精度。③ 针对现有深度学习模型特征提取及融合能力不足导致的识别精度不高问题，通过改进视频AI识别的深度学习算法，使之更适用于煤矿特殊环境。煤矿带式输送机异常状态识别精度不高问题的解决思路如图6所示。

图6 煤矿带式输送机异常状态识别精度不高问题的解决思路Fig. 6 Solutions to the problem of low precision of abnormal state recognition of coal mine belt conveyor

2.3 视频信息传输延时大

1） 主要原因。① 目前带式输送机异常状态视频识别系统通过将视频信息从井下带式输送机传到地面服务器，地面服务器利用视频AI识别算法识别视频信息中异常状态，视频信息传输距离远，且传输过程中存在网络通信延时，导致视频信息传输延时较大。② 带式输送机异常状态识别信息传输量较大，网络带宽占用率高，影响视频信息传输速率，导致传输延时较大。

2） 解决思路。① 针对目前将数据传输至地面服务区识别异常状态导致的延时现象，构建“云-边-端”协同的视频AI识别系统架构，充分发挥边缘节点计算的优势，缓解传输过程及地面云端计算堵塞问题。“云-边-端”带式输送机异常状态视频AI识别系统架构由云平台、边缘节点和前端设备组成，如图7所示。系统利用5G网络高效传输数据，采用边缘节点对前端设备输入的多种视频数据进行视频分析和处理，将处理后输出的异常状态识别结果转入云平台，并在人机交互界面显示识别效果，动态决策预警。② 适当降低视频分辨率，压缩数据量，减小带宽占用率，在井下合理部署高带宽、低延时的5G等网络通信系统。

图7 “云-边-端”协同的带式输送机异常状态视频AI识别系统架构Fig. 7 Architecture of abnormal state video AI recognition system for belt conveyor with cloud-edge-end

3 煤矿带式输送机视频AI识别技术发展趋势

1） 高性能视频AI识别算法。针对识别精度不高、数据集构建耗时长等问题，需进一步加强无需人工构建数据集的无监督学习模型研究，简化识别过程，并深化提升算法识别精度的理论研究。进一步加强对当下主流AI算法的改进研究并提出新的AI识别算法，使之在井下复杂环境中呈现更好的识别效果。

2） 高带宽、低延时视频通信技术。现有4G、WiFi等网络通信技术在带宽、稳定性、延时等方面都不能满足煤矿视频信息高效传输需求，所以攻关高带宽、低延时的视频通信技术是未来的发展趋势之一。如代表性的5G网络，具有高带宽、低延时等优势，合理部署后将有利于解决井下带式输送机异常状态视频数据传输延时问题。

3） “云-边-端”高效协同视频AI识别系统。目前用于视频AI识别分析的边缘计算节点存在通信接口协议、数据类型不同及边缘计算能力不足等问题，均会导致“云-边-端”系统难以高效协同。因此，应进一步加强对边缘计算、多数据融合技术，以及通信协议、接口自主匹配研究，构建“云-边-端”高效协同处理的视频AI识别系统。

4） 健全视频AI识别技术标准。目前视频AI识别技术已广泛应用于煤矿井下带式输送机等场景异常状态识别中，但尚未建立统一的技术规范标准、技术管理标准和技术应用标准，不利于视频AI识别技术在更多煤矿中的推广和应用。因此，逐步健全视频AI技术标准和生产实际中的技术管理体系，有助于形成安全高效的带式输送机异常状态视频AI识别体系，不断提高煤矿智能化建设水平。

4 结语

分析了煤矿带式输送机异常状态视频AI识别技术研究现状，总结出带式输送机异常状态视频AI识别存在视频图像数据集构建耗时长、异常状态识别精度不高、视频信息传输延时大3个主要问题，并提出了相应的解决思路。指出未来煤矿带式输送机异常状态视频AI识别技术的主要发展方向为深入研究高性能视频AI识别算法，不断发展高带宽、低延时视频通信技术，构建“云-边-端”高效协同的视频AI识别系统及健全视频AI识别技术标准。