中国拥有丰富的钨资源,是全球钨储量最丰富的国家,钨的开采对全球钨市场的供应起着决定性的作用。矿山内部的运输是采矿过程中的关键步骤。目前,大多数地下钨矿采用矿山轨道运输系统,而这些系统常常面临地质堆积和坠落岩石的问题。矿工们通常需要沿着这些轨道或隧道前往工作区域,这可能导致轨道上的障碍物以及有轨电车事故的风险增加。因此,在地下矿井中对轨道障碍物进行有效检测、及时警示和适当处理对于提高矿山轨道运输的安全性和智能运输系统的优化至关重要。本文介绍了国内外轨道区域障碍物检测技术。目前,针对矿山轨道运输中的障碍物检测,缺乏公开的图像数据集。此外,大多数关于障碍物检测的研究都是基于光照条件良好的地面场景进行的,通常涉及火车和地铁等大型轨道,环境因素的干扰较少。然而,对矿山轨道运输中障碍物的检测研究相对较少。针对这些问题,本文基于深度学习理论,在江西省某钨矿进行了地下矿井轨道障碍物检测的深入研究。主要研究内容包括:针对缺乏矿山轨道障碍物的公开图像数据集,本文结合钨矿的实际情况,研究并制作了钨矿井下轨道障碍物数据集。首先,研究了矿山轨道运输的特殊环境,进行了设备选型,以江西省某钨矿的地下轨道系统为背景采集轨道运输区域的图像;由于钨矿井下不均匀的光照和强烈的噪声干扰,本文通过引入噪声模拟实际工作条件,比较了各种灰度处理方法和滤波技术,以确定最适合本研究的图像预处理方法;通过数据扩充技术扩大数据集规模,并采用Z-score归一化处理,使得获得的图像数据符合正态分布;最后,使用Label Img软件对扩充和处理过的图像数据进行手动标注,制作了了本论文所需的数据集。针对矿山轨道障碍物检测算法,本文对SSD、YOLOV3、YOLOV4、YOLOV5和YOLOX这五种算法进行了比较分析,以确定适用于矿山轨道障碍物检测的最佳算法。首先,对这些算法的网络结构、特征提取设计、特征检测水平以及各自的优缺点进行了理论分析和比较。然后,基于Py Torch搭建模型框架并使用本文自制的数据集进行训练和测试,对算法进行了实验验证、对实验结果进行了全面的分析和讨论、并对模型的性能指标进行了评估。综合考虑理论设计、训练、测试和模型评估,证明了2D目标检测算法可以成功应用于矿山轨道障碍物检测,其中YOLOX被确定为最适用于钨矿井下轨道障碍物检测的算法。本文将单目3D检测算法引入道矿山轨道障碍物的检测。针对矿井轨道的特殊应用环境和单目3D检测算法存在的局限性,本论文对单目FCOS3D检测算法进行了研究和轻量化改进,设计出了Multi Branch-Moni3D算法。首先,将原网络的Res Net模块替换为裁剪掉SE(Squeeze-and-Excitation)模块的Efficient Net;其次,将原始网络中的FPN(Feature Pyramid Network)结构替换为Bi FPN(Bi-directional Feature Pyramid Network);再次,将头部预测的分类过程改为直接预测,缩短了正样本判断的过程;最后,采用Nu Scenes数据集对所设计的算法进行了实验研究。研究结果表明,改进后的算法在单个NVIDIA RTX 3080显卡上的推理时间从79ms减少到27ms。虽然平均精度(m AP)降低了1.71%,但改进后的算法的平均平移误差(m ATE)增加了2.57%、平均尺度误差(m ASE)增加了4.4%、平均绝对误差(m AE)增加了6.72%、平均顶点误差(m AVE)增加了11.1%、平均方向误差(m AOE)增加了27.5%。