第31卷第1期2023年2月Vol.31No.1Feb.，2023GoldScienceandTechnology123基于红外图像的矿石传送带托辊异常检测阮顺领1，2，阮炎康1*，卢才武1，2，顾清华1，21.西安建筑科技大学资源工程学院，陕西西安710055；2.西安市智慧工业感知计算与决策重点实验室，陕西西安710055摘要：为了解决传统的传送带托辊异常检测方法效率低、实时性差等问题，提出一种基于红外图像识别的托辊异常检测模型。通过现场采集并使用标签平滑和Mosaic数据增强处理对托辊红外图像数据集进行扩充，降低模型的训练成本。在特征提取模块提出使用GhostNet骨干特征提取网络，能够有效地降低特征提取所需成本。在特征融合模块，提出使用SPP-Net模块优化PaNet特征融合网络，增加模型的感受野。通过深度可分离卷积块简化模型结构，降低模型的计算量和参数量，并通过LeakyReLU激活函数提高模型的学习能力。试验结果表明：该检测模型能够有效识别托辊异常。在实际检测中，该方法在托辊检测中平均准确率达到94.9%，检测速度达到39.2FPS，为矿山传送带托辊的准确高效巡检提供了保障。关键词：机器视觉；红外图像识别；深度学习网络；网络结构优化；托辊检测；异常检测中图分类号：X986文献标志码：A文章编号：1005-2518（2023）01-0123-10DOI：10.11872/j.issn.1005-2518.2023.01.099引用格式：RUANShunling，RUANYankang，LUCaiwu，etal.DetectionofOreConveyerRollerBasedonInfraredImage［J］.GoldScienceandTechnology，2023，31（1）：123-132.阮顺领，阮炎康，卢才武，等.基于红外图像的矿石传送带托辊异常检测［J］.黄金科学技术，2023，31（1）：123-132.近年来，随着矿山智能化建设的飞速发展，矿山生产设备巡检逐渐走向智能化和无人化。矿石传送带是矿山重要的生产设备之一，其传送带托辊的健康状态监测是安全巡检的重要内容之一。目前传送带托辊检测大多为人工巡检，主要依靠巡检者个人经验判断托辊工作状态，会导致托辊损坏发现不及时等问题，因此亟待研究一种更加客观、智能高效的托辊异常检测方法。目前已有学者对托辊异常检测方法进行了研究。孙维等（2016）通过光纤传感器感知托辊振动来检测异常托辊。Ravikumaretal.（2019）提出引用k-star算法对振动信号进行分析，实现对托辊轴承的状态检测。苏辉等（2018）基于温度提出了一种针对卡阻托辊的故障检测方法。郭清华（2018）提出了2种基于托辊温度的故障检测方法。宋天祥等（2019）利用2种算法对托辊音频进行分析，完成...
