煤炭是我国经济发展的基础产业,在社会发展和经济建设中占据重要地位。矿用输送带作为煤炭运输的主要设备,一旦发生故障会给企业带来重大的经济损失,严重时还会危及矿工生命安全。矿用输送带异常情况检测已经成为煤炭企业信息化管理和监控的重要内容。基于计算机视觉的检测方法具有检测成本低、复用性好、准确率高等优点,是很多学者研究的首选方向。但是就目前而言,还没有一套相对完整有效的基于计算机视觉的矿用输送带异常情况检测方法。为此,本文提出了一套基于计算机视觉的矿用输送带异常情况检测方法。该方法主要针对输送带撕裂和跑偏进行了全面和深入研究:1.针对小型输送带撕裂检测,现有的检测方法存在缺乏早期预警、检测精度低等问题。为此,本文提出了针对小型输送带撕裂检测的方法。该方法将“一”字型线激光投射于输送带下表面,使用CCD工业相机在线采集图像;采用改进的Canny算法结合斜率差分法提取图像斜率差特征,根据斜率差对输送带撕裂趋势进行早期判断;通过基于YOLO(You Only Look Once)的目标检测算法对已发生撕裂的部位进行检测。实验结果表明,该方法不仅能够对输送带撕裂趋势进行早期预警,还能对撕裂部位进行准确检测,平均检测速度达到35fps,准确率达到94.6%。针对大型输送带撕裂检测,本文将深度学习方法与传统的直线段检测方法相结合。首先采用基于深度学习的YOLO算法对输送带两边托轴进行检测进而确定撕裂检测区域;之后采用改进的LSD算法对输送带两侧边缘直线段进行检测,选取两侧边缘直线段上相同纵坐标的点相连即为带宽长度。当输送带发生撕裂时,输送带带宽会明显的变窄。根据检测到的带宽变化即可判断输送带是否发生了撕裂。实验结果表明,该检测方法可以准确的对输送带带宽进行测量,从而判断输送带是否发生撕裂。2.针对输送带跑偏检测,本文提出了一种基于计算机视觉的矿用输送带跑偏检测方法。该方法首先采用基于卷积神经网络的Mask RCNN实例分割算法提取图像中的输送带区域并进行图像预处理;之后采用改进的Canny算法提取输送带区域的边缘轮廓信息;最后采用改进的LSD直线段检测算法提取输送带边缘直线特征,根据边缘直线的斜率和中心线的相对位置判断输送带是否跑偏。实验结果表明,该方法能够较准确地检测出输送带边缘直线从而进行跑偏判定,验证了该方法的有效性。