煤炭开采过程中,带式输送机是运输原煤的主要设备,同时也是耗电的主要设备,启动后常保持恒高速运行,容易出现低载高速、甚至空载高速的“大马拉小车”现象,浪费了大量的电能。根据实时煤量变化调节皮带速度可以有效缓解上述问题,因此,煤量实时准确的检测成为带式输送机节能调速的关键。传统的检测方法受多种因素的影响,检测精度不稳定,且考虑到带式输送机的调速过程并非无级调速,本文提出了一种基于机器视觉和深度学习的煤量识别方法。通过煤量识别模型将煤流图像进行类别划分,依据煤量大小调节带速,为带式输送机节能调速提供依据。本文主要研究工作如下:针对带式输送机运输物料的特征,基于机器视觉的方法进行煤流图像采集研究。分析了带式输送机结构及运输物料的形态特征,鉴于直接采集的煤炭图像与皮带背景颜色接近容易混淆的问题,本文采用煤流截面图像制作数据集;分析了单目视觉和双目视觉的采集方案,结合机器视觉的成像理论,选择单目视觉结合激光线条纹的图像采集方案,用以增强煤流表面纹理的图像特征;最后,进行了采集设备的选型研究,在图像采集过程中,通过ROI设定,降低了图像边缘信息对后期图像处理的影响。针对目前缺乏煤流截面数据集的问题,建立了5类共计5000张图像的煤流截面数据集。为了使网络具备更好的训练效果,采用数据增强策略进一步扩充数据集,最终将数据集扩充到16850张,包括13480张训练数据集和3370张测试数据集。煤流截面图像的获取过程中,采用中值滤波去除原始图像的噪声;根据煤流图像的激光条纹特性,采用有向滑动自适应阈值的二值化方法进行图像二值化处理,采用有向生长的激光条纹细化算法对激光条纹进行细化处理;针对激光条纹断裂问题,采用Cardinal样条曲线进行条纹修补。最后,将以上算法处理后的煤流图像与空载时的基线图像对比形成煤流截面图像。针对直接构建煤量识别模型训练任务大、识别准确率不高的问题,采用基于迁移学习和改进Inception-Res Net-v2网络的方法构建煤量识别模型。通过对经典图像识别模型和迁移学习方法的研究,选择大规模数据集预训练好的Inception-Res Net-v2网络作为煤流截面图像的特征提取器。在该网络基础上,采用特征融合的方法对模型改进,在改变Inception-Res Net-v2网络输出层的基础上,对网络的Input到Pre Aux Logits的每一层进行了特征融合处理,实现了浅层图像特征与深层图像特征的融合,提高了模型的识别准确率。进行了网络优化实验和动态煤量识别实验研究。首先,通过多组网络优化实验,选择了模型训练的最优参数。其次,通过多组对比实验研究,验证了改进后模型的识别性能,与经典模型的对比实验中表明,改进后的Inception-Res Net-v2模型的Top-1准确率高达97.26%,识别性能最佳。最后,将训练好的模型嵌入带式输送系统实验平台,验证不同运量、不同带速下的煤量识别效果。实验结果表明,带式输送机在中低速运行下,煤量识别的平均准确率为93.42%,单帧图像处理时间为0.143s,动态识别性能较好。