露天矿扬尘问题持续威胁工人健康和生产安全，而传统人为决策或定时洒水的处理方式存在降尘不及时、水资源过度消耗等限制，难以满足矿山绿色开采和环境保护的需求。为研究扬尘监测无人化这一问题，提出一种基于深度学习级联卷积网络的露天矿道路扬尘识别技术。这项技术创新性地提出一种基于车辆跟踪的扬尘区域追踪识别的方法，构建一种包含车辆动态追踪、浓度分级识别两大模块的深度学习级联架构YRCNet (YOLOv5 Tracking with ResNet-50 Classification Cascade Network)，其中车辆追踪模块利用目标检测模型YOLOv5实时跟踪截取车辆尾部图像，实现目标区域的初筛，有效提高扬尘图像识别的抗干扰能力；随后，经过优化设计的ResNet-50网络被用于分类识别模块，它利用空间金字塔池化层结合深度卷积块进一步提取扬尘精细特征，实现扬尘高、中、低三类浓度的高精度识别；为了训练这个深度学习模型，采用仿真技术获取不同浓度等级的虚拟扬尘图像，并结合矿山现场采集数据，制作了一套样本均衡的露天矿道路扬尘混合数据集，满足模型训练的大量数据需求，试验结果表明：改进的YRCNet追踪与识别方法在混合样本下的识别准确率达到94.25%，比优化前网络提高13.58%，验证了该模型在多种露天矿道路场景下具有良好的泛化性，为智能化降尘提供了有效感知手段，有助于监控矿区环境质量、保障工作人员的健康与安全。

0 引言
1 YRCNet级联网络扬尘识别方法
1.1车辆动态追随模块
1.2浓度分级识别模块
2 训练数据准备
2.1 仿真混合数据集构建
2.2扬尘图片浓度划分
3 实验
3.1 测试平台与参数设置
3.2 试验结果与分析
4 结论