我国是煤炭的生产大国,也是煤炭高消耗国家,对煤炭运输过程进行研究具有重要意义。目前煤在工业生产中主要通过皮带机运输,掺杂在煤中的异物不仅会降低煤的质量,还有可能损坏皮带机,因此在异物进入皮带机的初期对其进行精准识别尤为重要。由于皮带机的持续运动,目前对于皮带机上的异物识别方法难以满足实时性要求,针对以上问题,本文对YOLOv3模型进行改进,并将其应用于皮带机上的非煤异物检测。本文在实际生产环境中采集了常见的异物图片,使用图像增强算法将原始图片扩充六倍,建立皮带机上常见非煤异物数据集,并将该数据集按照PASCAL VOC2012的格式划分。首先使用K-means算法对常见的异物尺寸进行维度聚类,得到更接近真实非煤异物的anchor尺寸,然后精简YOLOv3特征提取网络并增加104×104尺度的检测,在基本保持检测时间的同时提高其对异物的识别准确率,最后将经典的目标检测模型Faster R-CNN、SSD、YOLOv3和改进的YOLOv3模型在非煤异物数据集上进行实验。实验结果表明,改进的YOLOv3模型取得了较好的检测效果,更适合于皮带机上的非煤异物检测。针对皮带机上非煤异物检测的工程化需求,本文基于改进的YOLOv3模型开发了非煤异物检测系统,实现了对载煤皮带机实时监控和异物检测。当系统检测到非煤异物时会自动保存检测结果和异物信息,并结合皮带机控制系统启动声光报警器进行预警,提示相关工作人员及时处理异物。