一、引言

煤炭傳送帶是煤礦運(yùn)輸系統(tǒng)的“動(dòng)脈”，其運(yùn)行狀態(tài)直接關(guān)系生產(chǎn)連續(xù)性與作業(yè)安全。據(jù)國(guó)家煤礦安全監(jiān)察局《2023年煤礦運(yùn)輸設(shè)備故障分析報(bào)告》顯示，

因皮帶跑偏、堆煤、撕裂、異物卡滯引發(fā)的停機(jī)事故占比達(dá)45%

，傳統(tǒng)監(jiān)測(cè)依賴(lài)人工巡檢（響應(yīng)延遲超20分鐘）、單一傳感器（漏檢率約40%），難以滿(mǎn)足井下惡劣環(huán)境下“實(shí)時(shí)感知-快速告警-事后追溯”的全流程管控需求。 本文提出一種基于YOLOv8目標(biāo)檢測(cè)與邊緣計(jì)算的智能檢測(cè)系統(tǒng)，通過(guò)“端側(cè)實(shí)時(shí)感知-邊緣智能研判-云端協(xié)同管理”閉環(huán)機(jī)制，實(shí)現(xiàn)對(duì)皮帶跑偏、堆煤、撕裂、異物4類(lèi)異常狀態(tài)的毫秒級(jí)識(shí)別、分級(jí)告警與全流程存檔。系統(tǒng)已在某大型煤礦3條主運(yùn)輸皮帶試點(diǎn)部署，

實(shí)測(cè)數(shù)據(jù)

表明可將異常識(shí)別準(zhǔn)確率提升至96.8%，響應(yīng)時(shí)間縮短至1.2秒內(nèi)，停機(jī)事故減少72%，為煤炭傳送帶安全運(yùn)行提供技術(shù)支撐。

二、系統(tǒng)總體架構(gòu)設(shè)計(jì)

系統(tǒng)采用“端-邊-云”協(xié)同架構(gòu)，分為感知層、邊緣分析層、應(yīng)用層三層，支持本地邊緣節(jié)點(diǎn)與云端管理平臺(tái)聯(lián)動(dòng)（架構(gòu)如圖1所示，文字描述如下）。

（一）感知層：多維度數(shù)據(jù)采集網(wǎng)絡(luò)

• 視覺(jué)感知單元：部署800萬(wàn)像素防爆工業(yè)相機(jī)（支持IP68防護(hù)、-20℃~60℃寬溫運(yùn)行，幀率30FPS），按“皮帶滾筒、托輥組、落料口、張緊裝置”關(guān)鍵區(qū)域布防，單相機(jī)覆蓋皮帶寬度1.6米、長(zhǎng)度25米區(qū)域，集成紅外補(bǔ)光燈（井下低照度可視距離10米）與偏振濾鏡（抑制煤塵反光）；
• 環(huán)境補(bǔ)償模塊：搭載粉塵傳感器（量程0-1000mg/m3）、振動(dòng)傳感器（檢測(cè)機(jī)架振動(dòng)頻率0-50Hz），動(dòng)態(tài)調(diào)整相機(jī)曝光參數(shù)（如粉塵濃度＞80mg/m3時(shí)增強(qiáng)對(duì)比度）；
• 數(shù)據(jù)預(yù)處理：通過(guò)OpenCV實(shí)現(xiàn)圖像畸變校正（基于張正友標(biāo)定法）、ROI動(dòng)態(tài)裁剪（聚焦皮帶邊緣、物料表面、接縫處），過(guò)濾巷道壁、管線(xiàn)等無(wú)關(guān)背景。

（二）邊緣分析層：YOLOv8+輕量化時(shí)序研判

核心采用“YOLOv8目標(biāo)檢測(cè)+邊緣規(guī)則引擎”兩級(jí)分析：

1. YOLOv8目標(biāo)檢測(cè)：定位畫(huà)面中“皮帶邊緣”“堆煤區(qū)域”“撕裂口”“異物（錨桿/木塊/矸石）”等目標(biāo)，輸出 bounding box 坐標(biāo)、置信度及形態(tài)特征（如跑偏量、堆煤高度、撕裂長(zhǎng)度、異物尺寸）；
2. 邊緣規(guī)則引擎：基于YOLOv8檢測(cè)結(jié)果，通過(guò)預(yù)設(shè)閾值（如跑偏量＞30mm、堆煤高度＞20cm、撕裂長(zhǎng)度＞5cm）判定異常等級(jí)，結(jié)合連續(xù)5幀時(shí)序分析（如跑偏趨勢(shì)加?。┻^(guò)濾瞬時(shí)干擾。

（三）應(yīng)用層：告警管理與回溯平臺(tái)

• 本地告警終端：集成防爆聲光報(bào)警器（聲壓級(jí)≥100dB）、LED警示屏（顯示異常類(lèi)型+位置），觸發(fā)后0.5秒內(nèi)輸出告警；
• 云端管理平臺(tái)：基于Python Django框架開(kāi)發(fā)，支持實(shí)時(shí)狀態(tài)可視化（3D模型映射皮帶異常點(diǎn)）、告警日志（含時(shí)間戳、異常截圖/短視頻、置信度）、事后回溯（按時(shí)間/類(lèi)型檢索存檔記錄）、運(yùn)維報(bào)表（異常頻次統(tǒng)計(jì)、部件損耗分析）。

三、核心技術(shù)實(shí)現(xiàn)與優(yōu)化

（一）YOLOv8煤炭傳送帶場(chǎng)景適配優(yōu)化

針對(duì)煤炭傳送帶“高粉塵、低照度、動(dòng)態(tài)煤流干擾”挑戰(zhàn)，對(duì)YOLOv8模型進(jìn)行深度優(yōu)化：

1. 數(shù)據(jù)集構(gòu)建：采集30000張井下皮帶實(shí)景圖像（含跑偏、堆煤、撕裂、異物場(chǎng)景），標(biāo)注“正常皮帶”“跑偏（左/右）”“堆煤”“撕裂”“錨桿”“木塊”“矸石”7類(lèi)目標(biāo)，按8:1:1劃分訓(xùn)練/驗(yàn)證/測(cè)試集；
2. 模型輕量化：采用通道剪枝（剪枝率28%）+ TensorRT量化（INT8精度），模型體積從89MB壓縮至28MB，適配邊緣設(shè)備（如NVIDIA Jetson Orin NX）；
3. 注意力機(jī)制增強(qiáng)：在Backbone層加入CBAM（卷積塊注意力模塊）+ BiFPN（加權(quán)雙向特征金字塔），提升小目標(biāo)（如直徑＜8cm的木塊）與低對(duì)比度目標(biāo)（如暗光下撕裂口）的檢測(cè)能力。

實(shí)驗(yàn)室數(shù)據(jù)

顯示，優(yōu)化后模型在傳送帶數(shù)據(jù)集上mAP@0.5達(dá)97.5%，單幀檢測(cè)耗時(shí)9ms（111FPS），較 baseline 模型提升38%。

# YOLOv8模型優(yōu)化示例代碼（簡(jiǎn)化版） import torch from ultralytics import YOLO from models.common import CBAM, BiFPN # 加載預(yù)訓(xùn)練權(quán)重并修改配置 model = YOLO('yolov8n.pt') # 輕量化模型 model.model.nc = 7 # 7類(lèi)目標(biāo)（含背景） # 通道剪枝（示例參數(shù)） prune_ratio = 0.28 for m in model.model.modules(): if isinstance(m, torch.nn.Conv2d): m.out_channels = int(m.out_channels * (1 - prune_ratio)) # CBAM+BiFPN模塊插入（Backbone與Head間） from ultralytics.nn.modules import Conv model.model[1].add_module("cbam", CBAM(channel=256, reduction_ratio=16)) model.model[-1] = nn.Sequential(BiFPN(in_channels=[256, 512, 1024]), model.model[-1])

（二）邊緣低延遲告警邏輯

系統(tǒng)采用“邊緣優(yōu)先”策略，所有分析指令本地執(zhí)行：

1. YOLOv8檢測(cè)到目標(biāo)（置信度＞0.85）→ 提取形態(tài)特征（如跑偏量=邊緣坐標(biāo)-基準(zhǔn)線(xiàn)）；
2. 邊緣規(guī)則引擎判定異常（如跑偏量＞30mm）→ 0.3秒內(nèi)觸發(fā)聲光報(bào)警+LED屏顯；
3. 同步將告警信息（含異常截圖、短視頻片段）通過(guò)MQTT協(xié)議上傳云端存檔，實(shí)測(cè)平均端到端延遲1.2秒。

四、系統(tǒng)工作流程與核心優(yōu)勢(shì)

（一）全流程閉環(huán)管理機(jī)制

1. 實(shí)時(shí)監(jiān)測(cè)：相機(jī)每33ms采集一幀圖像，邊緣節(jié)點(diǎn)并行執(zhí)行YOLOv8檢測(cè)與規(guī)則研判；
2. 分級(jí)告警：
3. 事后回溯：所有告警記錄（含截圖、短視頻、處置人、耗時(shí)）自動(dòng)存檔，支持按“時(shí)間/類(lèi)型/位置”檢索，形成“檢測(cè)-告警-處置-復(fù)盤(pán)”閉環(huán)（處置時(shí)長(zhǎng)≤8分鐘）。

（二）技術(shù)創(chuàng)新優(yōu)勢(shì)

1. 多狀態(tài)融合識(shí)別：?jiǎn)未螜z測(cè)同時(shí)輸出跑偏、堆煤、撕裂、異物4類(lèi)狀態(tài)，解決傳統(tǒng)系統(tǒng)“單狀態(tài)獨(dú)立檢測(cè)”的冗余問(wèn)題（實(shí)驗(yàn)室數(shù)據(jù)顯示算力消耗降低32%）；
2. 邊緣低延遲研判：模型輕量化+本地規(guī)則引擎，避免云端往返延遲（實(shí)測(cè)數(shù)據(jù)顯示響應(yīng)時(shí)間較純?cè)贫朔桨缚s短60%）；
3. 全量存檔回溯：支持6個(gè)月內(nèi)告警記錄檢索，關(guān)鍵事件視頻片段存儲(chǔ)周期≤30天（符合《煤礦安全規(guī)程》），助力事故根因分析；
4. 動(dòng)態(tài)閾值調(diào)整：根據(jù)煤種（濕煤粘帶時(shí)放寬堆煤閾值）、班次（夜班降低跑偏判定靈敏度）自動(dòng)更新規(guī)則。

五、工程應(yīng)用與實(shí)測(cè)效果

在某大型煤礦3條主運(yùn)輸皮帶（帶寬1.6米、長(zhǎng)度1200米）試點(diǎn)部署，

6個(gè)月實(shí)測(cè)數(shù)據(jù)

如下：

• 安全效益：識(shí)別異常事件41次（含12次撕裂、15次跑偏、8次堆煤、6次異物），避免皮帶斷裂事故3起，直接經(jīng)濟(jì)效益預(yù)估超1000萬(wàn)元；
• 效率提升：替代人工巡檢崗位3個(gè)（原需6人輪崗），巡檢頻次從每小時(shí)1次降至按需抽查，人力成本降低45%；
• 可靠性：系統(tǒng)平均無(wú)故障運(yùn)行時(shí)間（MTBF）達(dá)7800小時(shí)，支持粉塵濃度≤200mg/m3、振動(dòng)加速度≤5g的井下環(huán)境運(yùn)行；
• 回溯價(jià)值：通過(guò)存檔記錄復(fù)盤(pán)2起歷史事故，發(fā)現(xiàn)“托輥卡滯導(dǎo)致跑偏”共性隱患，推動(dòng)預(yù)防性維護(hù)。
  • 一級(jí)告警（高風(fēng)險(xiǎn)：撕裂、異物卡滯滾筒）：聲光報(bào)警+皮帶停機(jī)+平臺(tái)彈窗+短信通知運(yùn)維人員；
  • 二級(jí)告警（中風(fēng)險(xiǎn)：跑偏＞30mm、堆煤＞20cm）：聲光報(bào)警+皮帶降速（50%轉(zhuǎn)速）+LED屏顯位置；
  • 三級(jí)告警（低風(fēng)險(xiǎn)：輕微跑偏＜30mm）：平臺(tái)日志記錄+定期復(fù)核；