检查矿山传送带是一项危险、缓慢且不一致的工作。这些传送带可能绵延数公里，穿过露天矿和地下矿，使检查人员暴露在酸性粉尘、极端高温、紫外线和不舒适的工作姿势中。
传统上，工人必须沿着传送带全程步行，靠目视判断数千个部件的状况。恶劣的环境以及难以准确记住哪个部件发生故障、故障位置在哪里，让这项工作更加困难。
SK Godelius 利用机器人、计算机视觉和多模态感知技术，帮助矿业运营商监控和维护这些关键资产。例如，借助Ultralytics YOLO 模型，该公司的机器人可以沿传送带行走，自动检测托辊等部件，并标记缺失、卡滞或过热的托辊。
将机器人技术和 AI 带入世界上最严苛的矿山#
SK Godelius 是一家自 2011 年起运营的工程与机器人公司，在智利、加拿大和澳大利亚设有办公室。公司结合机器人技术、人工智能、工程技术和深厚的矿业领域专业知识，为严苛环境打造技术；多年来，这些技术改变了矿山保障安全和提高效率的方式。
重要的是，这家公司不只是编写代码，还亲自设计并制造机器：这些机器人搭载自身的传感器、摄像头、处理器和机载智能，能够在露天矿和地下矿中几乎不需要人工监督，甚至完全自主运行。
这项工作的核心目标之一，是让人们远离危险。矿业检查经常让工人直接接触危险环境，SK Godelius 希望用自主系统取代这些高风险人工任务，让系统更安全、更稳定地完成工作。
通过将机器人技术与 AI 相结合，公司为矿业运营商提供了一种可靠、可重复的方式来了解设备状况，把曾经危险的人工杂务转变为标准化的数据驱动流程。
人工检查传送带的隐性成本#
传送带是矿山的命脉，负责将矿石连续输送数公里。要让传送带持续运行，就必须定期检查；传统上，这意味着工人必须徒步检查整条生产线。
在露天矿，这项工作要在烈日、粉尘和空气中的酸性物质下进行，工人还常常需要长时间保持别扭的姿势。在地下矿，检查人员则会面对密闭空间、光线昏暗、通风不良和能见度有限等不同状况。
无论在哪里，检查都会让工人置身于严苛、有时甚至危险的环境中。人工检查也很难保持一致。
一个人沿着绵延数公里的传送带行走，很难发现并记住每一处故障：哪个托辊过热，哪个已经停止运转，问题具体出在哪里。不同班次的报告可能各不相同，因此同一条传送带每天的评估结果都可能不同，这让问题追踪和长期趋势识别变得困难。
这种不一致会带来实实在在的成本。在大型矿山，传送带故障每小时可能造成高达 100,000 美元的产量损失，而修复撕裂的传送带可能需要整整一到两个班次。缺乏完整、一致的数据时，运营商往往只能在故障发生后再处理，而无法提前预防。
使用 Ultralytics YOLO 检查传送带#
为实现传送带检查自动化，SK Godelius 使用一套沿生产线移动的机器人平台，在行进过程中采集视觉、热成像和声学数据。
每种传感器各有用途：声学分析会在托辊故障表现为发热之前捕捉异常声音；热成像摄像头会显示哪些部件正在过热；而基于 Ultralytics YOLO 模型的视觉 AI 流水线则实时分析视觉数据。
图 1. SK Godelius 机器人使用 Ultralytics YOLO 检查传送带（来源）。
在 SK Godelius 跟踪的 50 多种传送带故障模式中，约有 20 种可以通过视觉识别（由计算机视觉流水线处理），其余故障模式则通过互补的感知技术捕获。由于 Ultralytics YOLO 模型支持计算机视觉任务，例如目标检测，系统可以识别传送带生产线上最重要的部件和状况，因此 YOLO 是更广泛的多模态检查解决方案中的核心组成部分之一。
这意味着系统能够识别单个托辊，并标记缺失或停止转动的托辊；发现传送带下方堆积的物料；还可以捕捉任何偏离生产线正常状态的情况，例如围栏未关，或物体、车辆停在不该停放的位置。
为了确保模型在这些严苛条件下仍能可靠检测，SK Godelius 最初采用了Ultralytics YOLOv8，后来升级到Ultralytics YOLO11。他们使用中型模型变体，在速度和准确率之间取得了良好平衡，并在机器人搭载的边缘硬件上运行，而不是在云端运行。这意味着检测就在传送带现场进行。
为什么选择 Ultralytics YOLO 模型？#
对 SK Godelius 来说，Ultralytics YOLO 模型的主要优势是准确率。在传送带上，系统必须准确识别发生故障的部件及其位置；YOLO 能提供精确的检测结果，在检查机器人沿生产线移动时精准定位特定部件。
图 2. 部署在矿山传送带上的 Ultralytics YOLO（图片来源：Godelius）。
一致性同样重要。工人沿着绵延数公里的传送带行走，无法可靠地发现并记住每一处故障；而基于 YOLO 的视觉模型每次都会以相同方式评估生产线。这种一致的检测结果会输入 SK Godelius 更全面的检查平台，转化为标准化报告、可追溯记录和维护工作流程，帮助团队做出更可靠的决策。
这些模型还能在边缘设备上高效运行，直接部署于机器人，而非云端。这能确保偏远矿区的检测快速可靠；这些地点的网络连接有限，且环境严苛，空气中有高温、粉尘和酸性物质。
借助 Ultralytics YOLO 保持每周平均覆盖率超过 95%#
SK Godelius 使用由 Ultralytics YOLO 驱动的自主检查解决方案，让传送带检查自动化，从而使检查更快、更安全且一致性大幅提高。系统发现问题后，会将其关联到精确的 GPS 位置，并向维护团队发送报告，指出问题所在位置，精度通常在一米以内，同时附上支持数据。
用自动化设备替代人工沿线巡查，也减少了工作人员暴露于危险环境的频率。标准化、可重复的检测让团队能够在问题恶化之前采取行动，而不是等故障发生后才处理，从而帮助避免大型矿山因传送带停运而造成的高昂停机损失。
图 3. 监测矿山传送带上的缺陷和异常（来源）。
这些益处在 SK Godelius 的一处矿业运营项目中清晰可见：自主传送带检查系统已部署于 10 多个露天矿和地下矿场，并在运营期间检查了 16 条以上的传送带，每周平均覆盖率保持在 95% 以上。
在此期间，系统检测到 3,400 多个异常，其中 900 多个被归类为关键异常，让团队能够提前发现最可能导致故障的问题。总体而言，这套检查流程可追溯、可重复且以数据为驱动，帮助矿山优化维护优先级、更早识别风险，并保持关键资产持续运行。
打造更安全、更智能的矿业检查#
随着 SK Godelius 业务扩展，公司正努力拓展其系统可检测的内容和可应对的环境。公司正在探索 3D 成像和振动分析等方法来评估传送带磨损情况，使用 X 射线检查传送带部件，以及让机器人清理传送带下方区域；公司还希望采用最新的Ultralytics YOLO26模型，进一步提升检测准确率和效率。
通过结合机器人技术、多模态感知和 Ultralytics YOLO，SK Godelius 正将传送带检查从危险的人工任务转变为标准化的预测性流程，让关键资产持续运行，并保护人员免受伤害。
想了解计算机视觉如何改变你的业务？浏览我们的GitHub 代码库，看看 Ultralytics YOLO 模型如何推动制造业 AI和机器人领域的计算机视觉等创新。了解更多许可选项，立即开启更智能、更高效的自动化之旅。
