1.研究背景与意义

煤炭作为我国一次能源消费的主体，在“智能矿山”“本质安全型矿井”等战略背景下，煤矿生产对运输系统的安全与稳定性提出了更高要求。作为井下运输环节的关键装备，皮带机长期在低照度、高粉尘、高振动等恶劣环境中运行，其表面一旦混入锚杆、槽钢、大块矸石等异物，极易造成胶带划伤、撕裂甚至断带事故，导致长时间停产和严重经济损失[1]。这些异常工况往往产生在设备高速运行阶段，事故发展迅速、不可逆性强，对安全监控的实时性与准确性提出了严苛要求。

如图1所示，煤矿井下皮带运输系统空间狭窄、照明条件有限，传统人工巡检依赖工人经验，存在巡检频率低、主观性强、发现滞后的问题，难以适应高强度连续生产的需求。随着开采深度增加和采掘强度提高，单靠人工巡检已难以及时发现和处置高速运行皮带上的危险异物，易形成“发现晚—处置慢—损失大”的被动局面。


图1 煤矿井下皮带机运输现场示意

近年来，随着工业视频监控与深度学习的发展，基于视觉的皮带机异物检测成为研究热点。然而，煤矿井下图像往往存在严重欠曝、噪声和运动模糊，煤矿井下皮带表面典型异物如图2和图3所示，直接采用常规检测模型容易出现漏检与误检。特别是细长的锚杆类目标在灰暗背景中对比度极低，对模型的特征提取能力和鲁棒性提出了更高要求[2]。若不能在异物进入皮带机之前或刚进入时及时识别并报警，就难以实现对撕裂事故的前移预警与主动防控。

因此，面向煤矿井下复杂工况，开展结合低照度图像增强与轻量化目标检测的皮带机异物智能识别方法研究，可实现“监测—识别—预警—联动”一体化，对预防皮带撕裂事故、提升矿井本质安全水平具有重要的工程应用价值和现实意义。


图2 皮带表面锚杆异物示意

图3 皮带表面大块异物示意

2.国内外研究现状

煤矿皮带机异物检测研究 国内外学者围绕输送带异物与缺陷检测开展了大量研究。早期工作多采用传统图像处理与机器学习方法，通过颜色、纹理、形状等手工特征结合SVM等分类器，对煤与矸石或金属异物进行识别，但对光照变化和噪声较为敏感，泛化能力有限[3]。近年来，Faster R-CNN、YOLO等深度学习目标检测模型被引入煤矿场景，实现了对大块矸石、金属杆件等异物的自动检测，部分研究在公开或自建数据集上取得较高mAP和实时性表现[4]。同时，也有学者尝试引入多尺度特征融合、小目标检测头等结构，以提升对细小异物的识别能力。

但在实际井下部署中，由于图像质量差、目标尺寸小、形态细长等问题，系统整体性能仍受到限制：一方面，复杂背景和煤尘干扰导致特征表达不稳定；另一方面，工业现场受限于计算资源和部署成本，难以支持大规模、高复杂度网络的在线运行。这使得许多在实验室条件下表现良好的模型难以直接迁移到工程应用场景。

低照度图像增强与轻量化检测方法研究 针对煤矿井下等低照度环境，Retinex理论被广泛用于亮度校正与细节增强，通过将图像分解为照度和反射分量，改善整体亮度与对比度。然而传统Retinex方法容易产生颜色失真和噪声放大，在复杂场景中难以兼顾视觉效果与后续检测需求。近年来，Zero-DCE 等端到端低照度增强网络利用深度学习自动学习亮度映射曲线，在通用弱光数据集上取得了良好效果，为工业场景的自适应增强提供了新思路[5]。部分研究还尝试将增强网络与检测网络级联或联合训练，以减弱光照变化对检测性能的影响。

同时，MobileNetV3 等轻量化网络结构被广泛应用于边缘端目标检测，为资源受限场景下的实时部署提供了可能[6]；RT-DETR 等新型检测框架在保持精度的同时进一步提升了推理效率，为工业现场高帧率检测提供了参考方案。但将“低照度增强—细长异物建模—轻量化部署”进行整体协同设计的研究仍然较少，缺乏面向煤矿井下皮带机这一典型场景的专用方法和系统化技术路线。由此可见，在结合场景特性开展针对性算法设计方面，仍存在较大提升空间。

3.本研究课题的创新性与必要性

综合上述分析，当前煤矿皮带机异物检测在低照度图像质量、细长目标识别和边缘部署等方面仍存在明显短板，难以满足智能矿山对安全监测“实时、准确、可靠”的要求。本课题拟开展基于语义引导的煤矿井下皮带机异物检测方法研究，主要创新性与必要性体现在以下三方面：

引入语义先验与Retinex理论，将皮带及物料区域作为重点增强对象，实现针对性低照度图像增强，提升异物与背景的对比度，为后续检测提供高质量输入；通过与场景语义信息的结合，有望在降低噪声放大的同时，更好地保留异物边缘与纹理细节。

结合轻量化主干网络与注意力机制，设计适用于边缘设备的异物检测模型，在保证检测精度的前提下显著降低参数量和计算复杂度，满足井下实时在线监测需求；同时考虑工程部署中的模型压缩与推理优化，使算法能够在矿用工业计算平台上稳定运行。

面向锚杆等细长异物的形态特征，对特征提取与检测头结构进行有针对性的优化，提高对小目标、细长目标的识别能力，从而有效降低皮带撕裂事故发生概率。通过以上工作，有望形成一套可在煤矿现场推广应用的智能检测技术与实现方案，兼具理论研究价值与工程推广意义，为建设安全、高效、智能的现代化矿井提供技术支撑。

参考文献

  1. [1]Y. Su and X. Yang, “Low-light image enhancement based on variational image decomposition,” Multimedia Systems, vol. 30, no. 6, p. 383, 2024.
  2. [2]L. Xu et al., “Degrade for upgrade: Learning degradation representations for real-world low-light image enhancement,” Computers and Electrical Engineering, vol. 119, p. 109622, 2024.
  3. [3]J. Guo, J. Ma, Garcı́a-Fernández Ángel F, Y. Zhang, and H. Liang, “A survey on image enhancement for Low-light images,” Heliyon, vol. 9, no. 4, p. e14558, 2023.
  4. [4]M. Wang, J. Li, and C. Zhang, “Low-light image enhancement by deep learning network for improved illumination map,” Computer Vision and Image Understanding, vol. 232, p. 103681, 2023.
  5. [5]Y. Zhang, X. Guo, J. Ma, W. Liu, and J. Zhang, “Beyond brightening low-light images,” International Journal of Computer Vision, vol. 129, pp. 1013–1037, 2021.
  6. [6]S. Rahman, M. M. Rahman, M. Abdullah-Al-Wadud, G. D. Al-Quaderi, and M. Shoyaib, “An adaptive gamma correction for image enhancement,” EURASIP Journal on Image and Video Processing, vol. 2016, pp. 1–13, 2016.

相关科研项目

基于语义引导的煤矿井下皮带机异物检测方法研究