矿用电铲在挖煤过程中,电铲铲斗在复杂物理力学环境中长时间作业,会出现斗齿断裂及铲斗局部脱落现象,脱落的部分混入煤炭中装入卡车,卡车直接运煤至破碎站。当脱落部件大于300mm时会造成破碎机或电机故障,影响生产的正常运行,导致严重的经济损失和人力物力浪费。矿用挖掘机体积庞大、工作环境复杂,不便于电铲操作人员通过人工观察的方式对斗齿的工作状态进行监视;而结合计算机视觉对在工作过程中的斗齿进行实时监控,实时监测并自动判断斗齿是否脱落,在斗齿发生脱落时警信息,指示工作人员及时进行处置,防止造成更大的经济损失,因此电铲斗齿的失效监测对露天煤矿的安全生产有着重要的实际意义和经济价值。本文主要介绍了一种基于深度学习的电铲斗齿监测方法,旨在对电铲斗齿进行实时监测,在发生斗齿脱落时发出警报,提示人员进行处理,避免更大的损失发生。首先,介绍了斗齿监测的相应背景、研究现状和意义,并且结合当下热门的深度学习技术提出了基于深度学习的斗齿监测方法。其次,分析了斗齿多种故障类型的成因,在故障分析的基础之上,提出了监测系统的整体设计方案,在硬件和软件两个方面进行了分析与介绍。再次,结合卷积神经网络和深度学习理论,改进YOLO-v3算法,优化系统稳定性和同步性,对网络模型进行了构建和训练。设计监测系统人机交互界面,实现数据读取、斗齿识别、故障报警和故障查看等功能,完成了软件系统的设计。最后,分别进行了模拟验证实验与现场实际测试。测试结果表明,基于深度学习的电铲斗齿监测系统有较好的识别效果,不仅监测速度快,且精度高,在一定程度上可以帮助电铲监测斗齿状态,在发生斗齿缺失时发出报警,将理论付诸于实际,实现了预期的效果。该论文有图88幅,表4个,参考文献64篇。