中国作为世界上最大的煤炭生产国和消费国,在其他能源有限情况下,煤炭在我国能源结构中占主体地位。由于煤矿环境的复杂性,煤炭生产过程中大多通过皮带运输机进行煤炭运输。但在煤炭运输过程中,煤炭中掺杂着的矸石、铁器等异物,不仅会造成皮带划伤、撕裂,还会影响煤炭质量。因此本文将如何有效识别皮带运输过程中存在的异物作为研究对象,利用深度学习的相关方法进行研究。旨在对煤炭运输过程中存在的异物进行及时的发现,有效避免异物对皮带的破坏,减少因异物带来的经济损失。本文进行的研究如下:对如何有效处理井下图像数据,保障后续识别准确率进行研究。由于煤矿井下具有光照分布不均匀、粉尘大以及对比度低的特点,导致获取的图片质量较差,影响后续的识别结果,因此需要进行图像预处理。本文首先采用中值滤波法,对图片进行降噪处理。然后进行图像增强处理,在图像增强处理时,本文采用了直方图均衡化和自适应直方图均衡化两种方法,通过分析对比两种方法对图像处理结果,选取处理效果更优的自适应直方图均衡化。进而确定图像预处理的方法为先中值滤波降噪,然后利用自适应直方图均衡化进行图像增强。完成预处理后,开始对图片进行图像标注处理,构建出图像异物识别的数据集。对如何有效识别皮带运输过程中存在的异物进行研究。通过对比各种深度学习的识别方法发现,基于Faster R-CNN算法的图像识别无论在速度还是精度上都优于其他方法。因此本文确定以Faster R-CNN算法进行图像识别,并对其结构进行构建和改进。首先,在构建CNN时,通过对比选择以VGG16作为特征提取网络。其次,针对如何筛选RPN生成的最佳候选框,本文在传统非极大值抑制法的基础,引入置信度罚函数思想。最后确定损失函数。在完成整个网络的构建后,将构建的数据集放入改进后的Faster R-CNN网络中进行数据处理,通过对处理结果的分析得到,利用本文改进后的Faster R-CNN进行异物识别,在召回率上,矸石和铁器分别达到97.73%和95.00%,同时两者的精确率分别达到81.13%和81.25%,获得较好的检测效果。并且有着较快的检测速度,确保检测过程的实时性。结合C煤矿进行实际案例分析,计算基于Faster R-CNN异物识别方法给C煤矿带来的经济效益。选取皮带维修、减人增效、绿色安全三个方面,进行经济效益计算。通过定量分析发现,煤矿采用基于Faster R-CNN的皮带运输异物识别的方法,可以获得较好的经济效益。同时为确保基于Faster R-CNN的皮带运输异物识别的方法在煤炭企业得到有效使用,本文从煤矿物联网硬件设备投入建议、人员投入建议、组织管理方式建议三个方面给出相应建议。该论文有图30幅,表9个,参考文献90篇。