通过计算机视觉技术实现煤矿钻杆的自动计数既能保护矿工的生命安全,又能创造巨大的经济价值,具有重要的研究意义。目前,现有钻杆计数方法主要包括以RFB算法为代表的目标检测算法和以孪生网络算法为代表的目标跟踪算法。由于煤矿井下监控视频图像噪声干扰严重且有效信息缺失,现有方法在井下目标检测和跟踪时精度差、效率低。为此,本文提出一种结合改进RFB和孪生网络的钻杆计数方法。主要工作如下:针对噪声干扰、图像模糊导致SIFT算法在单场景井下目标检测时特征点误配率高的问题,提出了融合线性灰度增强、Prewitt边缘检测和SIFT算法的目标检测算法。首先,利用线性灰度增强将图像的灰度范围调整至目标区域。然后,结合Prewitt边缘检测突出目标图像的边缘特征。最后,利用高斯滤波平滑噪点,通过匹配图像的边缘特征点实现目标检测。实验结果表明,该算法可以有效避免井下图像的噪声干扰;针对色彩单一、信息匮乏导致RFB算法在多场景井下目标检测时准确率低的问题,提出了融合RFBc感受野模块和高层叠加特征的目标检测算法。首先,利用RFBc感受野模块扩大网络的感受野范围。然后,逐级将低层特征与高层特征融合。最后,通过非极大抑制生成预测框。实验结果表明,改进算法在井下监控图像中深度特征提取能力明显提升。针对冗余信息干扰导致孪生网络算法在井下目标跟踪时效率低下的问题,提出了融合降采样网络、拉普拉斯隔帧锐化和孪生网络算法的目标跟踪算法。首先,利用降采样网络降低冗余信息的占比。然后,通过拉普拉斯隔帧锐化进一步丰富有效信息。最后利用残差网络提取图像的深度特征,通过度量目标图像与待跟踪图像的深度特征相似程度实现目标跟踪。实验结果表明,该算法可在保证跟踪准确率的同时提升跟踪效率。基于钻杆计数方法,设计实现了钻杆计数系统。系统结合局部加权回归和层次聚类将钻机卡盘的跟踪轨迹转化为波形图,通过对有效波峰的判断实现煤矿钻杆计数。实验结果表明,该系统能够检测出井下监控视频中的钻机卡盘并对其稳定跟踪,可实现煤矿钻杆的精准计数,并将实时钻杆数量可视化展示。