在矿山作业中，皮带运输机中的原煤输送带常混入锚杆、锚索、挖机铲齿和托盘等金属器件，这些异物需通过除铁器吸走，以避免铁器与运煤发生磕碰或刺穿皮带运输机皮带，从而影响皮带运输机的正常运行。针对矿用皮带运输机除铁器在运行过程中经常面临尘雾和低照度复杂的工作环境，本文提出了一种适用于低照度及尘雾环境的除铁器异物识别方法。首先，本文采集了露天煤矿皮带运输机除铁器的异常和正常图像，通过限制对比度自适应直方图均衡化对低照度图像进行预处理，以增强图像对比度和提升监测图像的清晰度。通过随机加雾的方法模拟真实尘雾环境，提升模型泛化能力。随后，利用基于迁移学习的EfficientNet-B2网络，在网络架构中引入多个移动翻转瓶颈卷积模块，对不同层次的特征图进行叠加和分析，以提取图像的深层特征信号。通过全局平均池化层将高维特征图缩减为低维向量，最终通过全连接层输出图像的合格与异常类别。实验数据集来源于某露天煤矿现场采集的3000张除铁器图像和600张雾化处理图像。将提出的异物监测算法模型应用于监测某露天煤矿皮带运输机的除铁器，以监测除铁器表面的吸附状态，并进行对比实验。实验结果表明，本文提出的模型能更快地达到稳定迭代，且损失值更小，并且在各项性能指标上均优于其他现有的卷积神经网络模型，具体表现为：准确率99.79%、精确率99.07%、召回率99.01%和F1-Score为0.9904。这些结果表明该模型能够准确有效地分类除铁器的吸附状态。

0 引言
1 除铁器异物识别模型总体框架
2 矿用皮带机除铁器异物识别方法
2.1 图像增强
2.2 EfficientNet网络
2.3 迁移学习的EfficientNet-B2模型
3 算例分析
4 结论

杨海龙,袁逸萍,樊盼盼,等.基于迁移学习的EfficientNet矿用皮带运输机除铁器异物识别[J/OL].煤炭科学技术,1-13[2024-09-06].http://kns.cnki.net/kcms/detail/11.2402.td.20240903.1752.004.html.