智慧矿山是目前矿产行业朝着高效绿色发展转型的必由之路,矿山开采运输过程更加注重与人工智能和大数据等技术的融合。露天矿无人卡车运输因其封闭、低速、交互程度低的特点,成为近年来无人矿山发展的重点。无人卡车的环境感知是进行行车决策和运动控制的前提条件,防碰撞检测又是车辆行进感知的关键环节。随着图像检测技术发展,基于机器视觉的图像感知方法因为感知设备成本低、信息获取丰富等优点,逐渐成为防碰撞检测的热点。本课题基于机器视觉对露天矿无人卡车防碰撞检测方法进行深入研究。本文的主要工作有:(1)研究了基于机器视觉的碰撞目标检测方法,选择高精度的Mask R-CNN网络作为基础检测网络,针对露天矿卡车运载过程中的大型稀疏目标,结合感受野理论在残差模块中引入扩展卷积扩大候选检测框的感受野,增强检测精度。同时分析了候选框的冗余性,改进候选框生成方法加速网络训练,实现了高精度的碰撞目标检测,为后续研究建立基础。(2)基于目标检测结果,设计了检测框宽、高、中心点坐标和掩膜面积5维距离估计特征。针对不同目标像素占比差异较大的情况,分别构建梯度提升回归模型,并在公开数据集中与四种距离估计模型进行对比。实验结果表明本文设计构建的梯度提升回归模型,可有效估算大型碰撞目标距离。(3)根据距离估计结果,构建了LSTM距离预测模型,实现了从输入图像到距离预测的整体流程,并对其中的隐含层和时间步选取问题设计网格搜索流程,进一步提高预测的准确性。实验表明,本文提出了基于机器视觉的露天矿无人卡车防碰撞检测方法,基本满足露天矿无人卡车防碰撞检测的精度需求,具有一定的适用性和可行性。