托辊作为带式输送机重要的部件之一,具有物料的运输与支撑作用,若在运行过程中托辊出现故障会对运输系统产生影响,因此针对托辊异常检测方法的研究,对保障矿业生产安全运输、防止恶性事故发生具有重要的研究价值。本文在中煤科工集团常州院的《矿用带式输送机智能巡检装置研究》项目支撑下,以托辊为主要研究对象,采用深度学习与机器视觉相结合的方法,完成对托辊的异常检测,具体工作如下:(1)构建托辊运转数据集。目前托辊运转数据多为监控视频画面,针对视频质量较差、托辊画面遮挡严重、截取相关片段耗时且数量较少难以支撑深度学习训练等问题,本文在仿真实验室与三个真实矿井中模拟巡检装置运行轨迹,通过控制托辊不同的运转影响因素进行数据采集工作;针对托辊异常运转状态数据获取困难的问题,部分数据采用不同托辊运转速度重新组合方法进行构建,最后使用LabelImg开源工具对视频画面按照帧序列图进行打标签并分为三大类。最终获取2160段视频共计8.4h,每段视频平均10s～15s,命名 TGdata2019。(2)针对数据采集过程中受到环境与巡检装置硬件因素的影响,部分数据画面无法达到预期效果,为保留托辊表面特征点运动信息完整性,加快光流提取速度,提出一种基于边缘检测提取光流的方法。首先采用Retinex算法将数据集视频画面进行透雾增强;然后建立合适的非对称半平面区域(NSHP)图像模型,将空间模型转换成卡尔曼滤波可适用的系统状态方程,然后通过“预测+反馈”对帧图片进行降噪处理,最后利用提取出托辊表面细节边缘特征点随着运转的变化来获取光流。实验结果表明,改进的光流提取放法可以提高特征点追踪精确度,较传统光流法提取变化更加明显,提取速度也明显加快。(3)针对目前主流视频分类算法中,网络模型复杂,权重参数较大影响网络运行速度,且网络结构中输入图像尺寸的大小固定等问题,提出了一种改进的CNN+LSTM双流网络模型。CNN采用改进后的轻量级VGG16网络结构。首先在最后一层卷积层中加入空间金字塔池化(SPP)层,来适应托辊空间纹理特征图多尺度变化;然后用全局池化取代全连接层融合网络学习到的深度特征,减少全连接层中冗余的网络参数;最后对卷积层学到的深度描述子做融合,并对其L2规范化,从而加速网络训练收敛。实验结果表明该方法大幅度减少了网络参数,加快模型训练速度,提高托辊异常运转识别准确率。在托辊异常检测中,通过构建合适的网络模型解决了传统方法难以处理的托辊异常识别问题,在提升异常检测率的同时优化了网络性能,为煤炭企业运输链中实现安全保障提供技术支撑,同时构建的托辊运转数据集也为后续的研究做出贡献。