张立亚，男，副研究员，博士研究生，煤炭科学技术研究院有限公司首席专家，装备分院副总工，工业和信息化部信息通信科学技术委员会委员，工业互联网产业联盟5G+工业互联网工作组副主席，《工矿自动化》杂志青年专家委员会委员，中国矿业大学（北京）校外硕士研究生导师。获得第三十一届孙越崎青年科技奖。从事矿山通信技术与智能矿山技术的研究工作，包括矿井5G通信、融合通信、智能视频分析、煤矿安全监控、应急救援等领域。主持或参与科研项目20余项，获得省部级科技奖项16项，授权国家专利28项，登记软件著作权32项，发表核心期刊论文35篇，其中SCI检索6篇、EI检索6篇。

       煤矿井下胶带运输图像具有照度低、细节不清晰、背景干扰等特点，现有的带式输送机异物检测模型存在精度低、灵活性差、计算量大、优化空间存在差异等问题。GANomaly属于半监督网络，可以在无异常样本训练的情况下实现对异常样本的检测，但存在图像和视频数据集过大的问题。本文对传统GANomaly模型进行改进，提出了一种基于生成对抗网络(GAN)的带式输送机异物检测方法。

       对胶带运输过程视频文件进行预处理，分类得到正常图像、异常图像，制作实验数据集，对改进GANomaly模型进行训练，再通过训练好的模型进行异物检测。改进GANomaly模型由GANomaly基础网络模块、深度可分离卷积残差模块和BN层合并模块组成。通过在卷积神经网络中加入深度可分离卷积残差模块和BN层合并模块，实现对GANomaly模型的轻量化改进。

图1 基于GAN的带式输送机异物检测模型结构

       GANomaly模型轻量化改进方法：在GANomaly基础网络模型中加入深度可分离卷积残差模块，采用深度可分离卷积代替原有主干网络中的卷积操作，大幅降低了模型计算量，同时减少了参数的冗余计算，能够明显提高异物检测速度；通过合并多个批量归一化(BN)层，加快模型的收敛迭代速度，提高模型的泛化收敛能力，有效避免梯度消失。

图2 GANomaly基础网络模块

图3 深度可分离卷积残差模块

       有异物图像检测结果表明，带式输送机图像中的异常物体能够被准确地检测出来，图中用红色框标注的白色亮区为带式输送机上工人遗留的扳手，证明了本文方法在带式输送机异物检测上的有效性。

图4 有异物图像检测结果

       将改进GANomaly模型与OCSVM、KDE和GANomaly模型分别在相同数据集上进行训练，对比实验结果表明，改进GANomaly模型相较于传统GANomaly模型，在运行速度上提升了6.27%，评价指标F1分数、AUC、Recall和mAP分别提升了19.05%，22.22%，15.00%，17.14%。

图5 模型平均运行时间对比