一、項(xiàng)目背景與行業(yè)痛點(diǎn)

選煤廠在生產(chǎn)過程中，原煤從井下或露天礦場運(yùn)輸至洗選系統(tǒng)時，不可避免地會混入一定比例的超限大塊物料（如超大煤塊、矸石、鐵器、木料、橡膠等雜物）。這些大塊物料一旦進(jìn)入破碎機(jī)、篩分機(jī)、溜槽、輸送帶轉(zhuǎn)載點(diǎn)等關(guān)鍵設(shè)備，極易造成堵塞、卡滯，甚至導(dǎo)致設(shè)備損壞、生產(chǎn)中斷，嚴(yán)重時還會引發(fā)安全事故。傳統(tǒng)的人工巡檢方式存在檢測滯后、勞動強(qiáng)度大、危險系數(shù)高、夜班視覺疲勞等問題，難以滿足現(xiàn)代化選煤廠對連續(xù)、高效、安全生產(chǎn)的需求。因此，亟需引入基于人工智能的視覺分析技術(shù)，實(shí)現(xiàn)對輸送帶上的大塊料實(shí)時、精準(zhǔn)、非接觸式檢測與報警。

二、解決方案總體架構(gòu)

本方案采用“端-邊-云”協(xié)同架構(gòu)，在選煤廠關(guān)鍵輸煤皮帶轉(zhuǎn)載點(diǎn)、溜槽入口、破碎機(jī)前等位置部署高清防爆攝像機(jī)，采集實(shí)時視頻流，通過邊緣計(jì)算節(jié)點(diǎn)運(yùn)行深度學(xué)習(xí)目標(biāo)檢測模型，對每一幀圖像中的大塊料進(jìn)行識別、定位與分割。檢測結(jié)果實(shí)時上傳至集中管理平臺，并聯(lián)動現(xiàn)場聲光報警、設(shè)備急?；蛘{(diào)速控制，同時生成統(tǒng)計(jì)報表與趨勢分析。

系統(tǒng)總體架構(gòu)包含四層：

1. 感知層 ：工業(yè)防爆攝像機(jī)、補(bǔ)光燈、速度傳感器等。

2. 邊緣計(jì)算層 ：嵌入式AI計(jì)算盒或工控機(jī)，部署輕量化卷積神經(jīng)網(wǎng)絡(luò)模型，實(shí)現(xiàn)實(shí)時推理。

3. 平臺層 ：選煤廠集控中心服務(wù)器，存儲歷史數(shù)據(jù)，提供可視化看板、報警規(guī)則配置、模型遠(yuǎn)程更新等功能。

4. 應(yīng)用層 ：中控大屏、移動APP、現(xiàn)場聲光報警器、PLC控制系統(tǒng)（用于設(shè)備聯(lián)鎖）。

三、實(shí)現(xiàn)原理

3.1 圖像采集與預(yù)處理

在選煤廠輸煤皮帶上方2.5～3.5米處安裝高清網(wǎng)絡(luò)攝像機(jī)，鏡頭垂直于皮帶表面。為保證光照均勻，采用LED防爆補(bǔ)光燈，并根據(jù)環(huán)境亮度自動調(diào)節(jié)。視頻流以H.265編碼格式傳輸至邊緣設(shè)備，幀率設(shè)定為15～25fps，分辨率1920×1080。

預(yù)處理步驟包括：

去噪：高斯濾波減少粉塵引起的噪聲。

對比度增強(qiáng)：自適應(yīng)直方圖均衡化應(yīng)對煤塵覆蓋或反光。

ROI區(qū)域提?。簝H保留皮帶有效區(qū)域，忽略兩側(cè)托輥及背景，降低計(jì)算量。

3.2 深度學(xué)習(xí)目標(biāo)檢測算法

本方案采用改進(jìn)的YOLOv8模型作為核心檢測器。YOLO系列（You Only Look Once）具有單階段、端到端、實(shí)時性高的特點(diǎn)。針對選煤廠大塊料檢測的特殊需求，對原始模型進(jìn)行了以下優(yōu)化：

特征提取網(wǎng)絡(luò) ：引入RepVGG結(jié)構(gòu)，在訓(xùn)練時使用多分支拓?fù)?，推理時重參數(shù)化為單路3×3卷積，既保證了模型表達(dá)能力，又提高了推理速度。

注意力機(jī)制 ：在骨干網(wǎng)絡(luò)末端添加CBAM（Convolutional Block Attention Module），使模型更加關(guān)注大塊料的邊緣和紋理特征，抑制皮帶紋路、水漬、陰影等背景干擾。

多尺度檢測 ：增加一個針對超大目標(biāo)的檢測頭（感受野160×160像素以上），因?yàn)榇髩K料在圖像中可能占據(jù)較大比例，避免被分割成多個局部區(qū)域而漏檢。

輕量化設(shè)計(jì) ：采用通道剪枝和INT8量化，將模型體積壓縮至原大小的1/4，滿足邊緣設(shè)備實(shí)時運(yùn)行要求。

模型輸入尺寸為640×640像素，輸出包括：

邊界框（x_center, y_center, width, height）

置信度（0～1）

類別（煤塊、矸石、鐵器、木料、其他）

3.3 像素尺寸過濾與超限判斷

本方案采用基于像素大小的判斷邏輯，無需進(jìn)行物理尺寸換算，直接以物料在圖像中占用的像素面積或邊長作為報警依據(jù)。

3.3.1 固定區(qū)域標(biāo)定

在攝像機(jī)安裝完成后，現(xiàn)場進(jìn)行一次性的固定區(qū)域標(biāo)定。選煤廠工藝人員根據(jù)下游破碎機(jī)、篩分機(jī)或溜槽的實(shí)際通過能力，確定“不允許進(jìn)入設(shè)備的最大物料物理尺寸”。例如，某齒輥破碎機(jī)允許的最大入料粒度為300mm。此時，在皮帶上方固定高度處放置一個邊長為300mm的立方體標(biāo)定塊，攝像頭采集該標(biāo)定塊的圖像，自動計(jì)算其邊界框所占像素尺寸（例如長邊占150像素，面積占8000像素2）。該像素值即為后續(xù)判斷的固定閾值。

由于攝像機(jī)安裝高度、角度、焦距一旦固定，視野范圍不再改變，因此同一位置下物料距離鏡頭的物距基本恒定（皮帶表面高度變化在幾十毫米內(nèi)，相對于2.5～3.5米的物距可忽略不計(jì)）。因此，像素尺寸與物理尺寸呈近似線性正比關(guān)系，用像素閾值代替物理閾值是可行且穩(wěn)定的。

3.3.2 像素過濾規(guī)則

對于模型檢測出的每一個目標(biāo)邊界框，系統(tǒng)提取以下兩個像素指標(biāo)中的至少一個進(jìn)行判斷：

像素長邊 ：邊界框的寬度與高度中的較大值（max(width, height)）。

像素面積 ：邊界框的寬度×高度（width × height）。

用戶可在配置界面靈活選擇判斷方式及閾值。例如：

規(guī)則A：若像素長邊 ≥ 150像素，判定為大塊料。

規(guī)則B：若像素面積 ≥ 8000像素2，判定為大塊料。

規(guī)則C：同時滿足長邊≥120像素且面積≥6000像素2（組合條件）。

對于選煤廠常見的非規(guī)則塊料，推薦優(yōu)先采用“像素長邊”規(guī)則，因?yàn)樗咏Y分工藝中“粒度”的定義。對于片狀物料（長而扁），可輔以面積規(guī)則避免漏報。

3.3.3 無需物理尺寸換算的優(yōu)勢

傳統(tǒng)方案需要將像素尺寸轉(zhuǎn)換為毫米，這依賴于精確的物距測量、相機(jī)內(nèi)參標(biāo)定、料層厚度修正等復(fù)雜步驟，且皮帶負(fù)載變化時物料堆高變化會引入較大誤差。本方案直接采用像素閾值，具有以下突出優(yōu)點(diǎn)：

部署簡單 ：一次性標(biāo)定，無需每次開機(jī)重新校準(zhǔn)。

計(jì)算高效 ：省去三角測距、激光輪廓重建等耗時操作，純像素比較僅需幾個CPU周期。

穩(wěn)定性高 ：不受皮帶料層厚度波動、相機(jī)微小震動、鏡頭輕微污損的影響，因?yàn)檫@些因素對同一位置的所有物料同等衰減，相對關(guān)系保持穩(wěn)定。

工藝直觀 ：選煤廠技術(shù)人員可以直接通過觀看監(jiān)控畫面，大致判斷多大像素的物料需要報警，設(shè)置門檻非常方便。

3.3.4 特殊情形處理

物料部分超出ROI邊界 ：若檢測框觸碰到圖像邊緣，該目標(biāo)不參與報警判斷，因?yàn)橄袼爻叽绮煌暾?/p>

多個目標(biāo)粘連 ：通過非極大值抑制（NMS）和輪廓分析進(jìn)行分割，分別計(jì)算每個獨(dú)立塊的像素尺寸。

皮帶空載或薄料層 ：此時物料緊貼皮帶表面，物距最大，相同物理尺寸的物料像素稍小。為避免漏報，閾值可適當(dāng)降低5%～10%，或根據(jù)皮帶速度傳感器反饋動態(tài)微調(diào)。

3.4 運(yùn)動補(bǔ)償與跟蹤

為避免同一大塊料在多幀中重復(fù)報警，采用SORT（Simple Online and Realtime Tracking）算法對檢測目標(biāo)進(jìn)行跟蹤。每個目標(biāo)分配唯一ID，記錄其進(jìn)入ROI到離開的全過程。當(dāng)跟蹤時長超過1秒且像素尺寸持續(xù)超限，才產(chǎn)生一次有效報警，有效抑制抖動和短暫遮擋引起的誤報。

四、實(shí)現(xiàn)流程圖

下面以流程圖形式描述系統(tǒng)運(yùn)行全過程：

該流程從采集到報警全鏈路延遲可控制在120ms以內(nèi)（不含PLC執(zhí)行時間），其中像素判斷步驟幾乎不增加額外耗時，滿足選煤廠實(shí)時控制要求。

五、實(shí)現(xiàn)流程細(xì)化講解（分階段詳述）

為了便于開發(fā)人員和現(xiàn)場工程師理解系統(tǒng)運(yùn)行全過程，下面將整個檢測流程拆解為 六個階段 ，每個階段說明輸入、輸出、關(guān)鍵處理步驟、異常處理機(jī)制以及所涉及的技術(shù)參數(shù)。

第一階段：視頻采集與解碼

輸入 ：選煤廠現(xiàn)場工業(yè)防爆攝像機(jī)輸出的原始視頻流（H.265 / H.264 編碼，RTSP 協(xié)議）。

輸出 ：內(nèi)存中的原始 YUV 或 RGB 圖像幀（分辨率 1920×1080，幀率 15～25 fps）。

詳細(xì)步驟 ：

一、攝像機(jī)配置

設(shè)置固定碼率（CBR）模式，避免場景劇烈變化時碼率波動導(dǎo)致丟幀。推薦碼率 4～8 Mbps。

關(guān)閉攝像機(jī)自帶的運(yùn)動檢測、寬動態(tài)（WDR）等可能引入額外延遲的功能，僅保留基礎(chǔ)曝光和增益控制。

配置 GOP（Group of Pictures）結(jié)構(gòu)為 1 秒一個關(guān)鍵幀（如 25fps 下 GOP=25），以減少解碼時等待關(guān)鍵幀的延遲。

二、邊緣設(shè)備拉流

使用 GStreamer 或 FFmpeg 建立 RTSP 客戶端，設(shè)置接收緩沖區(qū)為 2 秒，防止網(wǎng)絡(luò)抖動。

啟用 TCP 傳輸模式（而非 UDP），避免丟包導(dǎo)致的馬賽克。

每 5 秒監(jiān)測一次流狀態(tài)，若斷流則自動重連，并記錄日志。

三、硬件解碼

利用邊緣設(shè)備（如 NVIDIA Jetson Orin NX）內(nèi)置的視頻解碼器（NVJPGDecoder / V4L2）進(jìn)行零拷貝解碼，直接輸出到 GPU 顯存。

解碼后圖像格式轉(zhuǎn)換為 RGB 平面（planar），方便后續(xù)深度學(xué)習(xí)模型輸入。

四、異常處理：

若連續(xù) 10 秒無法解碼出完整幀，觸發(fā)“攝像頭離線”報警并通知集控中心。

若解碼錯誤率超過 5%，自動切換備用 RTSP 流（如果攝像機(jī)支持雙碼流）。

第二階段：圖像預(yù)處理與 ROI 提取

輸入 ：原始 RGB 圖像（1920×1080）。

輸出 ：經(jīng)過裁剪和增強(qiáng)后的子圖像（640×640），以及原始圖像中的 ROI 映射關(guān)系。

詳細(xì)步驟 ：

一、ROI 區(qū)域定義

在系統(tǒng)首次部署時，由人工通過 Web 界面框選皮帶有效區(qū)域（例如：x: 200～1720 像素，y: 300～800 像素）。該區(qū)域應(yīng)僅包含皮帶及物料，排除兩側(cè)托輥、支架、墻壁等干擾背景。

ROI 信息保存為配置文件，每次啟動時加載。

二、尺寸縮放

將 ROI 區(qū)域圖像從 1920×1080 縮放到 640×640（模型輸入尺寸）?？s放算法使用雙線性插值，兼顧速度與質(zhì)量。

縮放比例（scale_x, scale_y）記錄下來，用于后續(xù)將檢測框坐標(biāo)映射回原始圖像。

三、圖像增強(qiáng)

去噪 ：應(yīng)用快速導(dǎo)向?yàn)V波（Fast Guided Filter），在保持邊緣的前提下抑制粉塵引起的散粒噪聲。

對比度增強(qiáng) ：自適應(yīng)直方圖均衡化（CLAHE），參數(shù) clipLimit=2.0, tileGridSize=(8,8)，有效改善煤塵覆蓋區(qū)域細(xì)節(jié)。

光照歸一化 ：計(jì)算圖像全局均值和標(biāo)準(zhǔn)差，將像素值線性變換到 [0,255] 范圍，減少不同班次光照差異的影響。

四、歸一化與張量轉(zhuǎn)換

將像素值從 [0,255] 縮放到 [0,1] 區(qū)間。

轉(zhuǎn)換為模型要求的 NCHW 格式（Batch=1, Channel=3, Height=640, Width=640），送入 GPU 顯存。

五、性能優(yōu)化：

使用 CUDA 核函數(shù)實(shí)現(xiàn) CLAHE 和縮放，避免 CPU-GPU 數(shù)據(jù)拷貝。

整個預(yù)處理階段耗時控制在 5～8 毫秒以內(nèi)。

第三階段：深度學(xué)習(xí)模型推理

輸入 ：640×640×3 的浮點(diǎn)張量（位于 GPU 顯存）。

輸出 ：原始檢測結(jié)果列表，每個結(jié)果包含（類別ID，置信度，邊界框 x_center, y_center, width, height），坐標(biāo)范圍為 0～640。

詳細(xì)步驟 ：

一、模型加載

采用改進(jìn)后的 YOLOv8 模型，已通過 TensorRT 進(jìn)行 FP16 或 INT8 量化加速。

模型推理引擎在系統(tǒng)啟動時加載一次，常駐 GPU 顯存。

二、前向推理

調(diào)用 TensorRT 的 enqueueV3() 異步執(zhí)行推理。

設(shè)置推理流（CUDA Stream），與預(yù)處理、后處理流水線并行。

推理耗時：FP16 下約 8～12 毫秒，INT8 下約 5～8 毫秒。

三、輸出解析

模型輸出三個特征圖層（對應(yīng) 80×80、40×40、20×20 網(wǎng)格），每個網(wǎng)格預(yù)測多個錨框。

對每個錨框應(yīng)用 Sigmoid 激活函數(shù)得到置信度。

使用非極大值抑制（NMS）去除冗余框，NMS 的 IoU 閾值設(shè)為 0.45，置信度閾值設(shè)為 0.25（低閾值避免漏檢，后續(xù)用跟蹤過濾誤報）。

四、坐標(biāo)映射

將檢測框坐標(biāo)從 640×640 空間映射回原始 1920×1080 圖像的 ROI 空間。

再進(jìn)一步映射到原始全圖坐標(biāo)，用于后續(xù)在抓圖中標(biāo)注。

五、異常處理：

若某幀推理時間超過 50 毫秒（通常不會發(fā)生），則跳過該幀，繼續(xù)處理下一幀，避免積壓。

記錄每幀推理耗時，若連續(xù) 100 幀平均耗時 > 30 毫秒，觸發(fā)“性能下降”預(yù)警，提示檢查設(shè)備散熱或清理緩存。

第四階段：像素尺寸過濾與報警判斷

輸入 ：模型輸出的所有檢測框（每個框包含類別、置信度、在原始圖像中的像素坐標(biāo)及寬高）。

輸出 ：通過像素閾值過濾后的大塊料候選列表。

詳細(xì)步驟 ：

一、固定閾值標(biāo)定（一次性操作）

系統(tǒng)安裝完成后，現(xiàn)場人員將一塊已知物理尺寸的標(biāo)準(zhǔn)塊（例如邊長為 300mm 的立方體）放置在皮帶上，位于攝像頭視野中央。

點(diǎn)擊 Web 界面“標(biāo)定”按鈕，系統(tǒng)自動識別該塊（或由人工框選），計(jì)算其邊界框的像素長邊（max(width, height)）和像素面積。

將該像素值保存為“大塊料報警閾值”。例如測得長邊 = 152 像素，則設(shè)定閾值為 ≥150 像素。

支持分別設(shè)置煤塊、矸石、鐵器、木料的不同閾值（例如鐵器閾值為 100 像素，因?yàn)殍F器危害更大）。

二、每幀過濾

對于每個檢測框，提取 pixel_long_side = max(bbox_width, bbox_height)。

根據(jù)檢測到的類別，獲取該類對應(yīng)的像素閾值 T_class。

如果 pixel_long_side >= T_class，則將該檢測框加入“候選報警列表”。否則丟棄。

三、邊界處理

若檢測框觸碰圖像邊緣（即 x_min <= 5 或 x_max >= 原始寬度-5 或類似），則直接丟棄，不參與報警判斷。因?yàn)槌叽绮煌暾?，無法可靠比較。

四、多條件組合（可選）

系統(tǒng)允許配置同時滿足長邊和面積條件。例如：長邊 ≥150 且 面積 ≥8000 像素2。

也支持“或”關(guān)系。默認(rèn)推薦僅使用長邊，簡單直觀。

性能 ：該階段僅涉及整數(shù)比較和簡單邏輯，每幀耗時 < 0.1 毫秒，可忽略不計(jì)。

第五階段：目標(biāo)跟蹤與重復(fù)報警抑制

輸入 ：當(dāng)前幀的候選報警列表（每個目標(biāo)包含檢測框位置、類別、像素尺寸）。

輸出 ：確認(rèn)需要報警的目標(biāo)（每個目標(biāo)產(chǎn)生一個唯一報警事件，而非每幀重復(fù)報警）。

詳細(xì)步驟 ：

一、跟蹤器初始化

使用 SORT（Simple Online and Realtime Tracking）算法，基于卡爾曼濾波和匈牙利匹配。

狀態(tài)向量：[x_center, y_center, width, height, vx, vy, vw, vh]。

匹配閾值：IoU ≥ 0.3。

二、逐幀更新

對于每一幀，將候選報警列表中的檢測框與現(xiàn)有軌跡進(jìn)行匹配。

匹配成功：更新對應(yīng)軌跡的狀態(tài)，并累加該目標(biāo)連續(xù)出現(xiàn)的幀數(shù) hit_count。

匹配失?。撼跏蓟粭l新軌跡，hit_count = 1。

對于未匹配到的軌跡，若連續(xù) 3 幀未出現(xiàn)，則刪除該軌跡。

三、報警觸發(fā)條件

當(dāng)一個軌跡的 hit_count 達(dá)到 HIT_THRESHOLD（默認(rèn) 15 幀，對應(yīng) 1 秒，因?yàn)閹?15fps）時，檢查該軌跡是否已經(jīng)上報過報警。

若未上報過，則生成一個唯一的報警事件（分配報警 ID），并記錄該軌跡的第一次出現(xiàn)時間、最大像素尺寸、類別。

對于已經(jīng)上報過報警的軌跡，不再重復(fù)觸發(fā)（直到該目標(biāo)離開畫面后重新出現(xiàn)）。

四、跟蹤框平滑

使用卡爾曼濾波的預(yù)測值作為顯示用的跟蹤框，減少檢測框抖動。

五、異常處理：

若同一軌跡的像素尺寸在跟蹤過程中持續(xù)變化（如因物料旋轉(zhuǎn)），取最大值作為報警尺寸。

對于長時間（如超過 5 秒）停留在畫面中的靜止大塊料（可能卡在皮帶上），每 30 秒重復(fù)報警一次，提醒人工處理。

第六階段：報警聯(lián)動與數(shù)據(jù)存儲

輸入 ：確認(rèn)后的報警事件（包含時間戳、皮帶編號、類別、像素尺寸、跟蹤軌跡、抓圖、短視頻片段）。

輸出 ：現(xiàn)場聲光報警、PLC 控制指令、數(shù)據(jù)庫記錄、Web 界面推送。

詳細(xì)步驟 ：

一、現(xiàn)場聯(lián)動

聲光報警器 ：通過 Modbus RTU 或干接點(diǎn)信號觸發(fā)。根據(jù)不同類別可配置不同聲光模式（如鐵器：急促蜂鳴+紅色爆閃；普通大塊料：間斷蜂鳴+黃色閃爍）。

PLC 聯(lián)鎖 ：通過 OPC UA 或 Modbus TCP 向皮帶 PLC 發(fā)送信號。可選動作包括：

僅報警，不停機(jī)（下游設(shè)備允許通過）。

上游皮帶減速（由 2.5m/s 降至 0.5m/s），避免堆積。

上游皮帶緊急停機(jī)（最嚴(yán)重情況）。

為保證安全，PLC 聯(lián)鎖信號采用“常閉”設(shè)計(jì)：AI 系統(tǒng)持續(xù)輸出心跳信號，心跳丟失則 PLC 自動停機(jī)，實(shí)現(xiàn)故障安全。

二、數(shù)據(jù)記錄

結(jié)構(gòu)化數(shù)據(jù) ：報警記錄寫入時序數(shù)據(jù)庫（如 InfluxDB），包含字段：alarm_id, timestamp, belt_id, category, pixel_size, confidence, duration, action_taken。

三、非結(jié)構(gòu)化數(shù)據(jù)：

報警時刻的原始圖像（1920×1080 JPEG，質(zhì)量 85%）保存至 NAS 或云存儲。

報警前后各 3 秒的短視頻（H.264 編碼，15fps）保存為 MP4 文件。

保留策略：圖像和視頻保留 90 天，報警記錄保留 1 年。

四、可視化推送

Web 界面（基于 WebSocket）實(shí)時顯示當(dāng)前皮帶畫面，并用紅色框疊加顯示大塊料跟蹤框。

彈窗提示報警信息，并播放報警音效。

移動 APP 同步推送通知（可選）。

五、統(tǒng)計(jì)分析

每班結(jié)束后自動生成報表：報警次數(shù)、各類別占比、平均像素尺寸、最長持續(xù)時間、上游皮帶停機(jī)的次數(shù)及時長。

提供趨勢圖：大塊料出現(xiàn)頻率隨時間變化，輔助發(fā)現(xiàn)上游工藝惡化趨勢。

性能要求 ：從目標(biāo)進(jìn)入 ROI 到 PLC 發(fā)出停機(jī)信號，全鏈路延遲 ≤ 200 毫秒（其中視頻采集 40ms，預(yù)處理+推理 20ms，跟蹤+過濾 5ms，通信 135ms）。對于帶速 2.5m/s 的皮帶，200ms 對應(yīng)物料移動 0.5 米，足夠在進(jìn)入破碎機(jī)前完成停機(jī)。

全流程時序示例（以一次實(shí)際報警事件為例）

該時序表明，從目標(biāo)進(jìn)入畫面到皮帶停止總耗時約 1.25 秒，其中大部分時間是等待跟蹤確認(rèn)（1 秒），實(shí)際檢測計(jì)算僅占約 75ms。跟蹤確認(rèn)時間可根據(jù)現(xiàn)場需要調(diào)整（如敏感場景可縮短為 0.5 秒）。

五、關(guān)鍵技術(shù)特點(diǎn)

5.1 高魯棒性環(huán)境適應(yīng)能力

選煤廠現(xiàn)場具有高粉塵、低照度、水霧、震動等特點(diǎn)。本方案在算法層面采取了多重措施：

數(shù)據(jù)增強(qiáng)：訓(xùn)練時模擬粉塵遮擋、光照變化、運(yùn)動模糊、雨霧等退化圖像，提升模型泛化能力。

圖像恢復(fù)：使用基于Retinex理論的低光照增強(qiáng)算法，夜間或陰天也能清晰識別物料輪廓。

抗震動算法：利用光流法估計(jì)相機(jī)微小位移，對檢測框位置進(jìn)行運(yùn)動補(bǔ)償。

5.2 實(shí)時性與輕量化并存

通過模型剪枝、算子融合、INT8量化，YOLOv8在NVIDIA Jetson Orin NX邊緣設(shè)備上推理速度達(dá)到60fps以上，而整系統(tǒng)僅需處理15～25fps即可覆蓋皮帶輸送速度（通常2～4m/s）。實(shí)際部署中采用流水線并行：采集線程、預(yù)處理線程、推理線程、后處理線程各司其職，GPU利用率保持在70%左右。

5.3 極簡的像素閾值判斷邏輯

相比傳統(tǒng)需要復(fù)雜物理尺寸重建的方案，本方案采用固定區(qū)域像素比較，具有部署快、計(jì)算省、穩(wěn)定性高的顯著優(yōu)勢?，F(xiàn)場工程師僅需觀看監(jiān)控畫面中一塊已知尺寸的參照物（如300mm標(biāo)定塊），記錄其像素大小，即可完成閾值設(shè)置，無需任何相機(jī)標(biāo)定或測距知識。

5.4 多類異物識別能力

除了檢測超規(guī)格煤塊，模型同時能識別鐵器（錨桿、鋼絲繩頭）、木料（道木、板皮）、橡膠（輪胎、膠帶碎塊）等。針對不同異物，系統(tǒng)可配置差異化像素閾值和處理策略：鐵器因其高危險性，可設(shè)置更敏感的像素閾值（如≥100像素即報警并急停）；木料可僅報警并跟蹤，由人工確認(rèn)。

5.5 自學(xué)習(xí)與模型迭代

系統(tǒng)內(nèi)置難例挖掘模塊，自動將置信度介于0.4～0.7之間的疑似目標(biāo)、誤報目標(biāo)、漏報目標(biāo)上傳至云端訓(xùn)練平臺。每周一次增量訓(xùn)練，更新邊緣模型，使檢測性能隨著部署時間推移不斷優(yōu)化。

5.6 與選煤廠現(xiàn)有系統(tǒng)無縫集成

支持Modbus TCP、OPC UA、MQTT等多種工業(yè)協(xié)議，可與皮帶綜合保護(hù)裝置、PLC、集控系統(tǒng)直接交互。提供RESTful API，便于第三方MES系統(tǒng)調(diào)用檢測結(jié)果。

六、解決的實(shí)際問題

6.1 防止設(shè)備損壞與生產(chǎn)中斷

選煤廠核心設(shè)備如齒輥破碎機(jī)、沖擊式破碎機(jī)、振動篩對入料粒度有嚴(yán)格要求。一旦混入超大塊矸石或鐵器，輕則卡阻造成皮帶打滑、電機(jī)過載，重則導(dǎo)致破碎齒斷裂、篩板撕裂、軸端變形。更換破碎齒需要停機(jī)4～8小時，單次直接損失數(shù)萬元至數(shù)十萬元，間接影響原煤洗選計(jì)劃。本系統(tǒng)在大塊料進(jìn)入破碎機(jī)之前即發(fā)出報警并聯(lián)動上游皮帶停機(jī)，將事故消滅在萌芽狀態(tài)。

6.2 降低人工巡檢安全風(fēng)險

傳統(tǒng)方式需要巡檢工定時站在皮帶旁觀察，存在機(jī)械卷入、煤塵爆炸、滑倒摔傷等隱患。尤其在夜班或惡劣天氣下，人工注意力難以持續(xù)集中。AI系統(tǒng)實(shí)現(xiàn)7×24小時不間斷監(jiān)測，將工人從危險、枯燥的重復(fù)勞動中解放出來，符合“少人則安、無人則安”的安全生產(chǎn)理念。

6.3 提高生產(chǎn)效率與產(chǎn)品質(zhì)量

當(dāng)系統(tǒng)檢測到大塊料報警并短暫停機(jī)后，工人只需清理該塊料即可快速恢復(fù)生產(chǎn)，相比人工發(fā)現(xiàn)時設(shè)備已卡死的情況，處理時間從數(shù)小時縮短至幾分鐘。同時，通過統(tǒng)計(jì)各皮帶的大塊料出現(xiàn)頻率，可以反向追溯上游采煤、運(yùn)輸環(huán)節(jié)的工藝缺陷（如炮采爆破粒度控制差、轉(zhuǎn)載點(diǎn)無篦子等），推動源頭治理。

6.4 支撐智能化選煤廠建設(shè)

智能化選煤廠標(biāo)準(zhǔn)要求關(guān)鍵設(shè)備具備狀態(tài)自感知、故障自診斷能力。大塊料檢測AI系統(tǒng)是智能化的重要組成模塊，其產(chǎn)生的數(shù)據(jù)可與生產(chǎn)執(zhí)行系統(tǒng)、設(shè)備管理系統(tǒng)融合，實(shí)現(xiàn)：

預(yù)測性維護(hù)：頻繁出現(xiàn)大塊料的破碎機(jī)，提示檢查齒板磨損。

工藝優(yōu)化：分析不同班次、不同采區(qū)的大塊料規(guī)律，調(diào)整篩分參數(shù)。

數(shù)字孿生：實(shí)時映射皮帶物料粒度分布。

6.5 減少環(huán)保與能耗問題

大塊料卡堵導(dǎo)致設(shè)備空轉(zhuǎn)、頻繁啟停，會顯著增加電能消耗和機(jī)械磨損。AI系統(tǒng)減少了無效運(yùn)轉(zhuǎn)，每套皮帶年節(jié)電可達(dá)數(shù)萬千瓦時。同時，避免因設(shè)備卡死而人工清理時產(chǎn)生的灑落煤塵，降低無組織排放。

七、典型部署案例與效果

以某大型煉焦煤選煤廠為例，在主洗車間103#原煤皮帶機(jī)頭溜槽處部署本系統(tǒng)。該皮帶帶寬1.2米，帶速2.5m/s，處理能力600噸/小時。攝像機(jī)安裝高度3.0米，標(biāo)定時將300mm標(biāo)準(zhǔn)塊放在皮帶上測得像素長邊為152像素，因此設(shè)置報警閾值為像素長邊≥150像素。

部署前三個月內(nèi)發(fā)生大塊料卡堵事故4次，累計(jì)停機(jī)23小時。部署后連續(xù)運(yùn)行6個月，系統(tǒng)共準(zhǔn)確報警大塊料事件47次（包括矸石38次、鐵器5次、木料4次），其中35次在進(jìn)入破碎機(jī)前成功聯(lián)鎖停機(jī)并由人工清除，避免了設(shè)備損傷；另外12次為超限煤塊，下游破碎機(jī)可勉強(qiáng)通過，僅做報警記錄。未出現(xiàn)漏報導(dǎo)致的卡堵事故，誤報率低于1次/72小時（誤報多因煤流中瞬時水霧反光導(dǎo)致檢測框短暫超過閾值，后經(jīng)跟蹤邏輯過濾）。系統(tǒng)平均檢測延遲約110ms，GPU占用率65%，穩(wěn)定運(yùn)行無死機(jī)。該案例充分證明了基于像素閾值判斷方案的有效性與可靠性。

八、未來演進(jìn)方向

隨著多模態(tài)感知與生成式AI的發(fā)展，本方案可進(jìn)一步升級：

動態(tài)像素閾值 ：根據(jù)皮帶瞬時負(fù)荷（如通過速度傳感器和稱重數(shù)據(jù)）自動微調(diào)閾值，適應(yīng)料層厚度變化。

基于Transformer的視頻行為識別 ：不僅檢測靜態(tài)大塊料，還能識別物料堆積成拱、溜槽堵塞的前兆運(yùn)動模式。

大語言模型輔助決策 ：系統(tǒng)自動生成故障分析報告，并推薦上游工藝改進(jìn)措施。

聯(lián)邦學(xué)習(xí) ：在保護(hù)各廠數(shù)據(jù)隱私的前提下，多個選煤廠聯(lián)合訓(xùn)練更強(qiáng)大的基礎(chǔ)模型。

九、結(jié)語

選煤廠大塊料檢測AI智能分析解決方案，深度結(jié)合了計(jì)算機(jī)視覺、邊緣計(jì)算、工業(yè)自動化控制等技術(shù)，針對惡劣工況下的實(shí)時檢測難題提出了系統(tǒng)化的工程路徑。其核心創(chuàng)新在于采用固定區(qū)域的像素大小作為過濾依據(jù)，摒棄了復(fù)雜的物理尺寸重建過程，在保證檢測精度的同時極大簡化了部署和維護(hù)成本。實(shí)踐證明，該方案能夠顯著降低設(shè)備故障率、提高生產(chǎn)安全性、減少人工依賴，是選煤廠邁向智能化、無人化的重要技術(shù)支撐。隨著AI芯片成本進(jìn)一步降低及模型輕量化技術(shù)成熟，該方案將具備更廣泛的推廣價值，為煤炭行業(yè)的高質(zhì)量發(fā)展注入新動能。