电铲是一种广泛应用于露天矿产开采的矿用挖掘机,其铲斗在采掘作业过程中,斗齿会直接与矿石等物料接触,由于受到较大的反作用力,斗齿常发生磨损、断裂、脱落等故障。发生故障的斗齿与矿石等物料一起进入破损机中,会造成破碎机故障,进而引发整条采掘-破碎生产线的故障,造成巨大的经济损失。针对这一问题,本文设计了一套斗齿故障检测系统,并结合深度学习以及图像处理技术,对铲斗的斗齿故障检测算法进行研究。首先根据电铲恶劣的工作条件与工作环境,选用合适的摄像头对电铲进行监测,并根据系统的工作要求,对检测系统进行了整体设计。根据后续检测算法的需要建立了合适的数据集,并对数据集进行数据增强。其次,对铲斗图像进行目标检测,通过预测斗齿数目与边框计数对比,实现斗齿故障初步检测。为了满足斗齿目标检测的实用性与准确性需求,本文使用Faster R-CNN目标检测算法来实现。本文根据斗齿数据集,对Faster R-CNN的锚初始值进行调整。对比ZFNet和ResNet-50,从精度和速度方面考虑,使用VGG16作为特征提取网络,并使用模型铲斗数据作为预训练网络,训练实际铲斗的数据,以提高检测精度。然后,在得到图像中斗齿的位置信息后,为区分端部和中部斗齿,实现斗齿的序位标定,本文使用全卷积神经网络对斗齿图像进行前景分割,并提取斗齿的轮廓。使用标准化傅里叶描述子作为斗齿的轮廓特征,通过欧式距离区分端部斗齿和中部斗齿,结合斗齿之间的位置关系,利用最小二乘法来预测故障斗齿的位置。通过分析轮廓点的高度关系,实现正常斗齿和故障长度的计算,从而实现磨损程度的输出。最后,对电铲的斗齿故障检测系统进行软件设计。以Python的PyQt4的GUI界面设计平台为依托,设计了电铲斗齿故障检测系统的可视化界面,实现图像读取、斗齿目标检测、斗齿故障检测、故障报警等功能。通过实验对整套检测系统的算法进行验证,并分析了误差产生原因。该论文有图81幅,表14个,参考文献91篇。