摘要：煤矸石筛选是煤矿生产中一个重要的环节，目前的人工捡矸法、机械湿选法以及射线分选法无法兼顾选矸过程中的高效性、清洁性和无害性。针对上述选矸过程中存在的问题，提出了一种基于卷积神经网络的煤矸石识别方法，以颜色和纹理作为煤和矸石图像的类别特征，结合迁移学习方法，构建了VGG-16深度学习模型。实验结果表明，其识别准确率可以达到99.18%，可以有效地实现对煤和矸石的识别。

关键词：煤矸石识别;卷积神经网络;图像分类;迁移学习

中图分类号：TP391 文献标识码：A

文章编号：1009-3044（2020）21-0016-03

开放科学（资源服务）标识码（OSID）：

煤炭在我国能源中占有举足轻重的地位，其能源量占化石能源储量的94%，远远超过石油和天然气;其消费约占总能源消费量的64%左右[1-2]。但是产出的原煤中会包含大量的矸石，矸石含量占原煤产量的15%-20%c3]，如果不对矸石加以剔除，不仅会降低煤炭的燃烧率，而且其燃烧产物还会造成环境污染。因此，在煤炭使用之前实现对矸石的分拣成为一个必不可少的环节。目前，常用的矸石分拣技术包括人工捡矸法、机械湿选法和射线分选法[4-6]。人工选矸存在着劳动强度大、工作环境差、选矸效率低的问题;机械湿选法存在水资源浪费，其产生的污水容易对环境造成污染等问题;射线筛选法容易对工作者的身体造成危害。因此，寻找一种高效、清洁且对人体无害的选矸方法有重要意义。

近年来，随着深度学习中的卷积神经网络的迅速发展，其在计算机视觉领域已有广泛应用。……