研究背景与问题

随着露天矿山开采技术的不断进步，电铲作为露天矿开采的关键装备，其在生产过程中的可靠性要求越来越高。电铲的斗齿作为承受挖掘力、冲击和磨损的主要部件，其工作状态直接影响着开采效率和安全性。然而，在实际作业过程中，斗齿容易出现齿套脱落、断裂等故障，这些问题一旦发生，不仅会影响生产进度，更可能导致破碎设备卡堵、损毁，甚至引发皮带撕裂等严重安全事故。因此，开发一种轻量化、实时检测斗齿状态的方法对于保障露天矿山开采的安全与高效至关重要。

研究方法

本研究针对露天矿电铲斗齿状态的实时检测问题，以YOLOv9-s（You Only Look Once version 9-s）深度学习模型为基础，设计并实现了一种轻量化斗齿状态检测方法。YOLOv9-s模型是一种高效且精准的目标检测算法，具有良好的实时性能和准确性。具体研究方法包括以下几个步骤： 1. 数据预处理：对电铲斗齿的图像数据进行标准化处理，提高模型的泛化能力。 2. 模型构建：采用YOLOv9-s模型框架，针对斗齿状态检测的特点进行模型结构优化和参数调整。 3. 模型训练：使用大量标记好的斗齿图像数据进行模型训练，通过优化算法和策略提升模型检测精度。 4. 模型评估：对训练好的模型进行测试，评估其在实际应用场景中的性能和效果。

核心结果

通过上述研究方法，本研究成功实现了电铲斗齿状态的实时检测。主要核心结果如下： 1. 模型检测精度较高：YOLOv9-s模型在斗齿状态检测任务上表现出较高的准确率，能够准确识别出斗齿的损坏情况。 2. 实时性较强：通过模型优化和算法改进，实现了实时检测斗齿状态，提高了检测的效率。 3. 轻量化设计：在保证检测精度的同时，模型在计算资源和内存占用方面表现出轻量化的特点，适合在实际应用场景中部署。

结论与意义

本研究提出了一种基于YOLOv9-s模型的露天矿电铲斗齿状态轻量化实时检测方法，具有较高的检测精度和实时性，且轻量化设计适合在实际作业环境中部署。该方法的成功实施，有助于提高露天矿山开采的安全性和效率，减少因斗齿故障引发的事故风险，对于保障矿山生产安全、促进资源可持续开发具有重要意义。此外，本研究的结果也为类似问题的解决提供了新的思路和借鉴，具有一定的学术价值和应用前景。

文章来源：《信息与控制》 网址: http://www.xxykzzz.cn/qikandaodu/2026/1027/326.html

上一篇：视觉SLAM方法综述
下一篇：基于图神经网络的醇沉过程智能控制方法