1. 项目背景与核心价值
在煤矿、金属矿等地下开采场景中,传送带系统承担着矿石运输的核心任务。传统的人工巡检方式存在效率低下、漏检率高、安全隐患大等问题。特别是在井下复杂光照条件和粉尘环境下,工人长时间盯着传送带容易产生视觉疲劳,导致对皮带撕裂、异物混入等异常情况反应滞后。
我们团队基于YOLOv6算法开发的这套传送带智能监测系统,实现了三大核心突破:
- 在井下低照度(平均5-10lux)环境下仍保持92%以上的检测准确率
- 对煤块、矸石、金属件等异物的识别响应时间控制在200ms以内
- 支持同时处理4路1080P视频流,单张RTX3060显卡即可部署
这套系统目前已在山西某大型煤矿连续稳定运行8个月,累计识别皮带跑偏隐患47次,检测到金属异物混入29次,避免直接经济损失超800万元。相比国外同类系统,我们的方案成本降低60%以上,更适合国内矿井的实际需求。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 算法选型与技术架构
2.1 为什么选择YOLOv6
在算法选型阶段,我们对比测试了YOLOv5、YOLOv7和YOLOv8等多个版本,最终选择YOLOv6主要基于以下考量:
- 精度与速度的平衡:在自建测试集上,YOLOv6s模型达到78.4mAP@0.5,推理速度达到142FPS(RTX3060),完美满足实时检测需求
- 对小目标友好:改进的RepPAN neck结构显著提升了矸石等小物体的检测能力
- 部署便捷性:原生支持TensorRT加速,模型转换成功率高达100%
实测对比数据:
模型 mAP@0.5 推理速度(FPS) 模型大小(MB) YOLOv5s 72.1 158 14.4 YOLOv6s 78.4 142 18.7 YOLOv7-tiny 75.3 165 12.1
2.2 系统整体架构
系统采用"端-边-云"协同架构:
code复制[工业相机]
