针对带式输送机煤量检测技术精度较低、实时性较差等问题，提出了一种基于深度神经网络的煤量测量方法。首先，在BiSeNet的基础上引入TFF结构和交叉熵损失函数，构建new Large TFF模型。其次，在深度预测方面，构建Large TFF2网路模型，针对边缘检测效果差等问题，引入新的损失函数指导模型训练。然后，针对带式输送机上实时煤量预测任务需求，基于new Large TFF和Large TFF2构建Large TFF4多任务网络模型，并引入深度与语义的组合损失函数。最后，在静态煤量计算的基础上，引入ORB关键点定位技术，实验动态煤量测量。实验结果表明，带式输送机动态煤量检测方法的FPS为25左右，误差为5%左右，能够满足带式输送机高速运转时煤量测量要求。

0 引言
1 基于BiSeNet煤量检测算法
1.1 BiSeNet网络
1.2 语义分割优化
1.2.1 网络结构改进
1.2.2 语义分割损失函数改进
1.3 深度预测优化
1.3.1 深度网络模型构建
1.3.2 深度预测损失函数改进
1.4 多任务网络模型
1.4.1 基于BiSeNet的多任务网络模型
1.4.2 Large TFF4模型
1.4.3 多任务网络损失函数改进
2 煤量检测实验系统
2.1 数据采集及处理
1) 图像标注。
2) 数据增强。
2.2 性能指标
2.2.1 语义分割评价标准
1) IoU:
2) MIoU:
3) 准确率：
4) 平均准确率：
5) 精确率：
6) 召回率：
2.2.2 深度预测评价指标
3 实验论证
3.1 性能对比
3.1.1 语义分割网络对比
3.1.2 深度预测模型对比
3.1.3 多任务模型对比
3.2 煤量测量
3.2.1 静态煤量测量
3.2.2 动态煤量测量
4 结论
1) 对BiSeNet网络进行改进，引入TFF结构，建立Large TFF模型。
2) 静态煤量测量结果表明，煤炭质量预测误差稳定在5%内。