煤矿产业是我国的支柱能源产业,但现阶段的煤矿行业中由于技术投入不足,往往造成能源的二次浪费、开采效率低、事故发生率高等问题,特别是在煤料的运输过程中,运输带空转造成的电能浪费以及运输带跑偏、撕裂造成的安全事故依然是煤矿企业面临的棘手问题。本文依托于煤矿企业中的电子监控系统,设计了一套完整的基于机器视觉的智能输煤检测系统。本文将运输带区域检测、煤量检测、撕裂检测三个部分作为主要研究内容,针对每部分,本文都会从传统机器视觉方法以及基于深度学习的方法进行探讨和研究。研究内容如下:对于运输带区域检测任务,本文从运输带显著的直线边缘出发,利用Hough变换对画面中的直线进行检测,然后设计一系列的规则,筛选出皮带边缘。这种方法简单快速,但鲁棒性差,因而本文基于RefineNet语义分割网络,对其进行改进,实现对运输带的区域检测,这种方法速度相对较慢,但识别率高。其次是针对煤量检测,考虑到实际需求中,对煤宽的实时性的要求高于煤高,本文将煤量检测分为煤宽检测和煤高检测。煤宽检测,本文通过对图像进行分割成单个区域,对每个区域单独识别来达到煤料的识别,这种方法运算量低,且满足实际需求。针对煤高检测,本文分别从基于马尔科夫随机场的单目深度估计和基于卷积网络的深度估计方法来进行实现和对比。传统的基于马尔科夫随机场的方法具有鲁棒性差、深度边界模糊、运算量大等缺点,实验证明基于卷积网络的深度估计方法可以完全替代传统方法来实现煤高检测。最后的运输带撕裂检测任务,本文利用线阵相机的采集特点,对拍摄到的画面利用行列像素统计信息,对其分割来实现撕裂检测。实验证明,这种方法快速、稳定、识别率较高。