刮板输送机是煤矿井下的关键运输设备，铁质异物进入刮板输送机会引发磨损、断链等，甚至会造成停产、伤人等严重事故。现有刮板输送机异物识别方法存在对井下图像的适应性较差、无法区分异物类别与数量等问题。针对上述问题，提出了一种基于改进掩码区域卷积神经网络（Mask R-CNN）的刮板输送机铁质异物多目标检测方法。采用基于Laplace算子的图像增强算法对井下低照度、高粉尘环境下采集的图像进行预处理，对增强后的图像进行标注，制作数据集。采用Mask R-CNN模型的ResNet-50特征提取器获取铁质异物图像特征；采用特征金字塔网络进行特征融合，保证同时拥有高层的语义特征（如类别、属性等）和低层的轮廓特征（如颜色、轮廓、纹理等），以提高小尺度铁质异物识别精度；针对Mask R-CNN模型生成的锚点与待检测的铁质异物尺寸不对应的问题，对Mask R-CNN模型进行改进，采用k-meansⅡ聚类算法代替原来的锚点生成方案，通过遍历数据集中标注框的长宽信息得到聚类中心点，实现刮板输送机铁质异物多目标检测。实验结果表明，改进Mask R-CNN模型对单张图像的平均检测时间为0.732 s，与Mask R-CNN,YOLOv5相比，分别缩短0.093,0.002 s；平均精度为91.7%，与Mask R-CNN,YOLOv5相比，分别提高11.4%,2.9%。

山西省基础研究计划项目（202103021223123）；山西省揭榜招标项目（20201101005）；

0 引言
1 刮板输送机铁质异物多目标检测流程
2 Mask R-CNN模型及其改进
2.1 Mask R-CNN基本原理
2.1.1 特征提取网络
2.1.2 FPN
2.1.3 区域特征聚集网络
2.2 模型改进
3 实验分析
3.1 实验环境及步骤
3.2 数据采集
3.2.1 图像采集
3.2.2 图像预处理
3.2.3 数据集构建
3.3 模型训练
3.4 异物识别效果分析
4 结论

史凌凯,耿毅德,王宏伟,王洪利.基于改进Mask R-CNN的刮板输送机铁质异物多目标检测[J].工矿自动化,2022,48(10):55-61.DOI:10.13272/j.issn.1671-251x.2022080029.