露天矿生产中电铲长时间在复杂恶劣的环境下工作铲齿易发生磨损和脱落失效,故障铲齿严重影响露天开采效率和经济效益,磨损若未及时发现会造成铲斗磨损加剧,而脱落的铲齿混入煤中进入破碎机会产生严重的安全隐患,为解决这一问题,本文将图像处理技术运用到矿山生产中,对铲齿工作状态检测系统进行研究,旨在实现全年全天候铲齿状态检测,并在出现异常时能第一时间报警提醒电铲司机。首先结合电铲斗齿工作特点,分析铲齿断裂和磨损等异常状态,结合项目现场实际需求,运用基于深度学习的目标检测和实例分割技术设计铲齿脱落和磨损的检测方案,搭建硬件平台,采集铲齿关键帧图像。针对原始数据夜间成像质量差、雾气、噪声等问题进行混合补光、暗通道去雾和滤波预处理,针对原始数据样本重复率高的问题使用图像增强技术丰富样本,分别建立铲齿目标检测和实例分割数据集。基于YOLO-v4算法构建铲齿目标检测模型,针对铲齿样本长宽比相对固定的特点运用K-means算法对模型中先验框进行重新聚类,优化后的铲齿检测模型均值平均精度（m AP）达到0.982,平均交并比（Avg＿Io U）为0.877,单帧检测时间为19ms,准确度和实时性均能满足铲齿脱落检测的使用要求,并设计了铲齿脱落判断算法对模型输出的预测框进行位置排序并判断是否发生脱落。利用实例分割提取铲齿掩码图像,基于MS RCNN分割网络构建铲齿分割模型,主干网络选择Resnet-101,改进FPN特征金字塔网络,增加一个从下至上的特征融合网络,使每一层充分利用底层铲齿细节特征,在测试集上铲齿像素平均交并比（m Io U）为0.8362,平均像素精度（m PA）为0.9076,并设计了基于二值化mask的铲齿磨损算法计算各铲齿分割掩码的像素面积,与未磨损的初始值进行对比,准确判断铲齿当前磨损程度。最后通过现场试验测试铲齿工作状态检测系统功能。安装硬件设备,搭建软件环境,在露天矿电铲上进行调试,进行铲齿脱落报警实验和磨损检测实验,实验结果表明本铲齿状态检测系统在铲齿脱落和不同磨损状态下均能有效识别,铲齿脱落准确报警率可达到90%以上,磨损程度检测准确度可达到95%以上,对环境鲁棒性强,具有较高工程应用价值。该论文有图79幅,表21个,参考文献78篇。