杜京义， 史志芒， 郝乐， 陈瑞

(1.西安科技大学 电气与控制工程学院，陕西 西安 710054；2.西安科技大学 安全科学与工程学院，陕西 西安 710054)

0 引言

煤炭开采中不可避免地会掺杂矸石，不仅影响煤炭充分燃烧，还会造成环境污染[1]。因此在煤矿生产中需进行煤矸检测及分选。目前较为成熟的煤矸检测方法主要是基于射线法[2-4]，如X射线、γ射线等，但该方法存在辐射危害，且设备昂贵、不易管理，难以推广应用。随着计算机视觉技术的发展，基于图像处理的煤矸检测方法因设备简单、效率高等优点，得到越来越多学者的关注。该方法通过人工分析煤和矸石的灰度、纹理等空间域信息，将其直接作为特征或建立联合特征，结合支持向量机、人工神经网络等机器学习算法进行分类[5-8]，可有效实现煤矸识别，但存在特征不易提取或特征区分不明显等问题，检测模型在不同煤矸分选场景下的泛化性能较差。

与经典机器学习算法相比，卷积神经网络(Convolutional Neural Network，CNN)可自动提取图像的鲁棒和高级特征表示[9]，被广泛应用于计算机视觉任务中。文献[10]分析了不同CNN模型对煤和矸石的分类效果，结果表明SqueezeNet识别精度和速度最优。文献[11]利用VGG16结合迁移学习进行煤矸检测，检测精度达82.5%。考虑到实际煤矸分选场景中，煤和矸石出现在输送带上的位置是随机的，因此利用抓取装置进行煤矸分选时不仅需要区分煤和矸石的类别信息，还要准确获取矸石在输送带上的位置信息。为此，文献[12]提出了一种基于深度学习模型的分层煤矸检测框架，并在3种不同的数据集上进行实验。……