运煤传送带作为带式输送机的关键部件,经常会因尖锐非煤异物（如破碎的角铁、断裂的锚杆等）进入传送带而造成传送带的破损与撕裂,影响煤矿的安全生产,造成高额的经济损失。针对该问题,本文设计了一种基于深度学习的带式输送机非煤异物视频检测系统,系统以YOLOv3目标检测框架和Jetson NANO开发板为基础,以检测精度和实时速度为目标,采用Focal Loss损失函数和Cut Mix数据增强方法改进模型,实现系统高精度检测、实时、小型化需求,从传送带破损、撕裂源头解决问题。考虑到非煤异物检测精度与速度性能的要求,本文对常见目标检测方法原理进行阐述,分析两类算法模型优缺点,设置算法模型评估指标,构建基于非煤异物的图像数据集,并利用VOC2007数据集与自制非煤异物数据集对算法模型进行性能分析与筛选,结果显示YOLOv3算法模型具有更好的综合性能,因此选择该算法模型作为基本模型。针对YOLOv3算法模型在非煤异物数据集上检测精确率和召回率的不足,提出损失函数改进策略和数据增强方法改进策略。在损失函数改进方面,分析焦点损失函数的实现原理,将原损失函数中类别预测损失和置信概率预测损失进行改进,引入网格搜索法进行超参数设定;在数据增强方法改进方面,分析对比Mixup与Cut Mix两种数据增强方法的实现原理。通过设计对比实验,根据异物检测精确率和召回率提升情况,选择焦点损失函数和Cut Mix数据增强方法对YOLOv3算法模型进行改进,结果表明两种策略改进下算法模型呈现更好的检测精度,以此确定为非煤异物检测模型。井下计算机布设条件苛刻,利用边缘计算单元可以很好的解决布设难这一问题。本文将非煤异物检测模型部署在Jetson NANO开发板上,搭配工业摄像头和人机交互部件进行视频流获取与预测结果显示。由于边缘计算单元算力限制,利用Tensor RT引擎加速对算法模型进行量化优化与加速推理,降低模型参数数量。同时利用工业摄像头SDK进行二次软件开发,编写工业摄像头调用、视频获取、视频帧处理程序。此外,采用多线程技术,使视频流帧处理与算法模型推理预测同步、快速运行,以此满足实时性能要求。为测试非煤异物视频检测系统整体性能,设计了系统离线实验和在线实验,测试结果表明在Tensor RT引擎加速下系统检测速度显著加快,平均工作帧率接近5 FPS,且可以保持较高的检测精度,系统基本满足实时应用要求。本非煤异物视频检测系统的研究为井下带式输送机传送带异物预警提供了一种可行方案,系统通过获取传送带视频信息判断异物的存在,可同时预测多种异物的种类和位置,并及时预警,对于预防带式输送机传送带破损撕裂,保证带式输送机长期平稳运行具有重要价值。