煤炭作为基础能源,在我国经济发展中占据着重要地位,随着近两年国内煤炭行业出现恢复性增长,国家对煤矿安全日益重视,监管力度不断加强,大中型煤矿均已具备了煤矿安全监控系统,无人值守的智能矿山得到了快速发展。带式输送机在煤矿井下运输环节中起到重要作用,但带式输送机通常匀速运行,难以达到满负荷状态,因此经常出现“大马拉小车”的现象。带式输送机的皮带上常会出现一些非煤异物,例如:枕木,锚杆,大块矸石等,这些异物容易致使皮带破裂,严重的甚至会导致煤矿事故,这不但会影响煤矿的安全生产,还会造成严重的经济损失。本文对基于信息融合的带式输送机煤流量监控系统进行了研究,以煤矿实时视频监控为基础,主要运用深度学习、智能控制等技术,提出在嵌入式平台NVIDIA Jetson Nano上实现轻量化的目标检测以及带式输送机的调速。针对煤矿井下带式输送机监控图像质量过低的问题,在传统Retinex图像增强算法的基础上,结合CNN(卷积神经网络)的思想,提出了具有自适应性的井下环境图像增强算法RS-Net。为了将煤流量检测神经网络运用到煤矿井下环境中,本文提出一种轻量化深度学习目标检测网络Dense—YOLO,该网络可以在嵌入式平台上进行煤流量及非煤异物的快速识别,并依据煤流量情况计算出与之匹配的带式输送机速度。为了提高带式输送机调速系统的实时性,提出在同一嵌入式平台上利用其控制器搭建带式输送机调速系统,该调速系统首先将煤流量及带速信息交汇至嵌入式平台的控制器,接着控制器向变频器发送速度调节信号,最终由变频器完成对电机的调速。最后,本文对系统的关键技术进行了实验测试,并分析了测试结果。实验结果表明,本文提出的Dense-YOLO+Retinex目标检测方法,不论是在计算机还是嵌入式平台上都能有效提升煤矿井下带式输送机监控图像中的目标检测识别率,在井下带式输送机的煤流量识别和非煤异物识别中具有较高的应用价值,为实现煤矿的节能降耗和安全生产打下了坚实的基础,具有良好的推广价值。图[36]表[12]参[86]