尾矿坝是矿山生产中重要的组成部分,同时也是重大的环境污染源和危险源。尾矿坝的安全研究已成为矿山工程领域重要的课题,干滩长度是衡量尾矿坝安全稳定性的重要指标之一。本文提出一种基于深度学习的干滩长度测量方法。本文的主要研究重点:利用深度学习训练可以分割干滩水面分界线的模型,根据图像分割结果选取干滩水面分界线上的像素坐标点作为参考点,并通过单目测距模型推导参考点与实际干滩长度之间的转换公式,进而求得干滩长度测算值。本文的主要研究工作包括:第一,改进了一种特征金字塔的网络结构,提升了图像分割准确度。首先介绍目前已有的图像分割方法及其特点,然后对Mask R-CNN网络结构进行分析,针对Mask R-CNN网络结构在大尺寸目标问题识别率并非最优方面的问题,对特征金字塔网络结构进行改进,加入一条自下向上的反向侧边连接,再与融合多尺度特征映射图相结合。通过实验比较,改进的网络结构在大尺寸目标问题识别上相比原始网络结构提高了6.3%。将网络运用到干滩图像识别分割上,分割结果清晰准确。第二,提出了一种基于单目测距的干滩长度测量方法。基于传统的单目测距模型,分析尾矿库干滩实际情况,建立加入俯仰角的单目测距模型来计算干滩长度,将干滩水面分界线的参考点像素坐标值通过干滩长度测算公式转换为干滩长度,并分析误差由来,减小误差。本文方法解决了传统干滩长度测算方法识别率差,准确率低等弊端,降低了公式计算过程复杂程度。在陕西省某尾矿库测试该测量方法的相对误差小于1.12%。第三,设计和开发了基于深度学习的干滩长度测量原型系统。基于Py Qt5可视化工具包在pycharm平台上编写干滩长度测量系统。该系统通过上传干滩图片测算干滩长度,主要包括图像分割功能,长度计算功能和参数设置功能,该系统运行流畅,使用简单,测量结果误差小,可以满足干滩长度测量的需求。