在煤炭港口取装作业中,皮带是主要的运输设备,皮带上特定位置的料流信息可以判断当前料流位置,起到预警作用,也可防止皮带上料流洒落等意外情况发生。目前传统的港口皮带料流检测主要依靠人工目测、倾斜开关、拉绳开关或超声波开关等设备类实现。人工目测会受到光线的限制,传感器由于设备工作环境的特殊性,会经常出现误检和漏检的情况。同时传统皮带料流检测频率和速度都难满足实际作业需求。提高检测的准确率、频率和速度,是皮带料流检测急需解决的问题。针对传统料流检测局限性问题,提出一种基于机器视觉的皮带料流检测方法,并应用于煤炭料流检测,提高了料流检测的准确率和速度,主要研究内容如下:（1）基于机器视觉的料流检测算法是皮带料流检测系统研发的核心,算法的性能直接决定了系统的准确率和运行速度。皮带料流检测算法是基于YOLOv3网络进行改进和模型压缩,提出了一种轻量化YOLOv3模型的方法,在YOLOv3基础上引入深度可分离卷积,将原模型的体积压缩至原先的1/6,减少了整体模型的参数量和计算量,模型大小由234MB缩减为39MB。（2）提出了一种基于BN层尺度因子的通道剪枝模型压缩策略。将L1正则化施加到BN层的尺度因子上,并作为通道剪枝的缩放因子,剔除模型中不重要的连接关系,实现在不损失精度的情况下,成功将参数量下降为原始模型的0.085倍,进一步将模型大小缩小至2.64MB。两种模型压缩策略下整体压缩率高达98.87%,压缩后的模型的速度提升至原模型的6倍,检测速度约为89FPS,且精确率高达99.80%,满足料流检测对算法准确率和实时性的需求。（3）设计了一套基于视觉的皮带料流检测系统,由图像视频采集及分析系统、数据通讯与存储系统和上位人机交互界面系统组成。系统会根据实时采集的视频图像,通过料流检测算法分析运算,将最终的检测结果,包括料流的有无信息和当前料流宽度信息,发送至PLC,并存储至数据库。系统功能完善,且可通过配置文件修改系统参数,易于操作。基于视觉的皮带料流检测系统通过在黄骅港进行实地测试,验证了系统的准确性、稳定性和实时性。