煤炭传送带状态检测系统 基于YOLOv8与边缘计算

一、引言

煤炭传送带是煤矿运输系统的“动脉”，其运行状态直接关系生产连续性与作业安全。据国家煤矿安全监察局《2023年煤矿运输设备故障分析报告》显示，

因皮带跑偏、堆煤、撕裂、异物卡滞引发的停机事故占比达45%

，传统监测依赖人工巡检（响应延迟超20分钟）、单一传感器（漏检率约40%），难以满足井下恶劣环境下“实时感知-快速告警-事后追溯”的全流程管控需求。 本文提出一种基于YOLOv8目标检测与边缘计算的智能检测系统，通过“端侧实时感知-边缘智能研判-云端协同管理”闭环机制，实现对皮带跑偏、堆煤、撕裂、异物4类异常状态的毫秒级识别、分级告警与全流程存档。系统已在某大型煤矿3条主运输皮带试点部署，

实测数据

表明可将异常识别准确率提升至96.8%，响应时间缩短至1.2秒内，停机事故减少72%，为煤炭传送带安全运行提供技术支撑。

二、系统总体架构设计

系统采用“端-边-云”协同架构，分为感知层、边缘分析层、应用层三层，支持本地边缘节点与云端管理平台联动（架构如图1所示，文字描述如下）。

（一）感知层：多维度数据采集网络

• 视觉感知单元：部署800万像素防爆工业相机（支持IP68防护、-20℃~60℃宽温运行，帧率30FPS），按“皮带滚筒、托辊组、落料口、张紧装置”关键区域布防，单相机覆盖皮带宽度1.6米、长度25米区域，集成红外补光灯（井下低照度可视距离10米）与偏振滤镜（抑制煤尘反光）；
• 环境补偿模块：搭载粉尘传感器（量程0-1000mg/m³）、振动传感器（检测机架振动频率0-50Hz），动态调整相机曝光参数（如粉尘浓度＞80mg/m³时增强对比度）；
• 数据预处理：通过OpenCV实现图像畸变校正（基于张正友标定法）、ROI动态裁剪（聚焦皮带边缘、物料表面、接缝处），过滤巷道壁、管线等无关背景。

（二）边缘分析层：YOLOv8+轻量化时序研判

核心采用“YOLOv8目标检测+边缘规则引擎”两级分析：

1. YOLOv8目标检测：定位画面中“皮带边缘”“堆煤区域”“撕裂口”“异物（锚杆/木块/矸石）”等目标，输出 bounding box 坐标、置信度及形态特征（如跑偏量、堆煤高度、撕裂长度、异物尺寸）；
2. 边缘规则引擎：基于YOLOv8检测结果，通过预设阈值（如跑偏量＞30mm、堆煤高度＞20cm、撕裂长度＞5cm）判定异常等级，结合连续5帧时序分析（如跑偏趋势加剧）过滤瞬时干扰。

（三）应用层：告警管理与回溯平台

• 本地告警终端：集成防爆声光报警器（声压级≥100dB）、LED警示屏（显示异常类型+位置），触发后0.5秒内输出告警；
• 云端管理平台：基于Python Django框架开发，支持实时状态可视化（3D模型映射皮带异常点）、告警日志（含时间戳、异常截图/短视频、置信度）、事后回溯（按时间/类型检索存档记录）、运维报表（异常频次统计、部件损耗分析）。

三、核心技术实现与优化

（一）YOLOv8煤炭传送带场景适配优化

针对煤炭传送带“高粉尘、低照度、动态煤流干扰”挑战，对YOLOv8模型进行深度优化：

1. 数据集构建：采集30000张井下皮带实景图像（含跑偏、堆煤、撕裂、异物场景），标注“正常皮带”“跑偏（左/右）”“堆煤”“撕裂”“锚杆”“木块”“矸石”7类目标，按8:1:1划分训练/验证/测试集；
2. 模型轻量化：采用通道剪枝（剪枝率28%）+ TensorRT量化（INT8精度），模型体积从89MB压缩至28MB，适配边缘设备（如NVIDIA Jetson Orin NX）；
3. 注意力机制增强：在Backbone层加入CBAM（卷积块注意力模块）+ BiFPN（加权双向特征金字塔），提升小目标（如直径＜8cm的木块）与低对比度目标（如暗光下撕裂口）的检测能力。

实验室数据

显示，优化后模型在传送带数据集上mAP@0.5达97.5%，单帧检测耗时9ms（111FPS），较 baseline 模型提升38%。

# YOLOv8模型优化示例代码（简化版）   import torch   from ultralytics import YOLO   from models.common import CBAM, BiFPN   # 加载预训练权重并修改配置   model = YOLO('yolov8n.pt')  # 轻量化模型   model.model.nc = 7  # 7类目标（含背景）   # 通道剪枝（示例参数）   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模块插入（Backbone与Head间）   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）边缘低延迟告警逻辑

系统采用“边缘优先”策略，所有分析指令本地执行：

1. YOLOv8检测到目标（置信度＞0.85）→ 提取形态特征（如跑偏量=边缘坐标-基准线）；
2. 边缘规则引擎判定异常（如跑偏量＞30mm）→ 0.3秒内触发声光报警+LED屏显；
3. 同步将告警信息（含异常截图、短视频片段）通过MQTT协议上传云端存档，实测平均端到端延迟1.2秒。

四、系统工作流程与核心优势

（一）全流程闭环管理机制

1. 实时监测：相机每33ms采集一帧图像，边缘节点并行执行YOLOv8检测与规则研判；
2. 分级告警：
3. 事后回溯：所有告警记录（含截图、短视频、处置人、耗时）自动存档，支持按“时间/类型/位置”检索，形成“检测-告警-处置-复盘”闭环（处置时长≤8分钟）。

（二）技术创新优势

1. 多状态融合识别：单次检测同时输出跑偏、堆煤、撕裂、异物4类状态，解决传统系统“单状态独立检测”的冗余问题（实验室数据显示算力消耗降低32%）；
2. 边缘低延迟研判：模型轻量化+本地规则引擎，避免云端往返延迟（实测数据显示响应时间较纯云端方案缩短60%）；
3. 全量存档回溯：支持6个月内告警记录检索，关键事件视频片段存储周期≤30天（符合《煤矿安全规程》），助力事故根因分析；
4. 动态阈值调整：根据煤种（湿煤粘带时放宽堆煤阈值）、班次（夜班降低跑偏判定灵敏度）自动更新规则。

五、工程应用与实测效果

在某大型煤矿3条主运输皮带（带宽1.6米、长度1200米）试点部署，

6个月实测数据

如下：

• 安全效益：识别异常事件41次（含12次撕裂、15次跑偏、8次堆煤、6次异物），避免皮带断裂事故3起，直接经济效益预估超1000万元；
• 效率提升：替代人工巡检岗位3个（原需6人轮岗），巡检频次从每小时1次降至按需抽查，人力成本降低45%；
• 可靠性：系统平均无故障运行时间（MTBF）达7800小时，支持粉尘浓度≤200mg/m³、振动加速度≤5g的井下环境运行；
• 回溯价值：通过存档记录复盘2起历史事故，发现“托辊卡滞导致跑偏”共性隐患，推动预防性维护。
  • 一级告警（高风险：撕裂、异物卡滞滚筒）：声光报警+皮带停机+平台弹窗+短信通知运维人员；
  • 二级告警（中风险：跑偏＞30mm、堆煤＞20cm）：声光报警+皮带降速（50%转速）+LED屏显位置；
  • 三级告警（低风险：轻微跑偏＜30mm）：平台日志记录+定期复核；