汝洪芳， 张冬冬

(黑龙江科技大学 电气与控制工程学院, 哈尔滨 150022)

0 引 言

煤炭现实生活所必需的能源之一,原煤中含有大量的矸石，一般占原煤产量的 15%～20%。混杂在煤中的矸石会降低燃烧率，燃烧产物会致环境污染。一直以来，与煤炭外形相似的煤矸石分选是煤炭生产的一大难题[1]。

目前，煤矸石分选方法主要有人工手选、重介质选煤、干法选煤、X射线选煤和机器学习等。其中，人工手选误差较大，而跳汰和介质分选浪费水资源，并不适用于我国西北部等干旱地区的煤矿产区。X射线对煤矸石进行分选主要利用煤和煤矸石对X射线的吸收能力不同进行区分[2]，由于X射线自身特性，不利于选煤厂工人的健康。应用机器学习检测煤矸有广泛应用，结合灰度共生矩阵和支持向量机的方式分类煤矸石。随着机器学习的不断发展，网络层数更深、特征提取能力更强的深度学习也在飞速发展。将CNN卷积神经网络与煤矸石分选相结合，相比使用灰度信息作为判别依据的方法精度更高[3]。由于人工提取图片特征易受干扰，CNN卷积神经网络分选精度不足，因此，需寻求更好深度学习算法进行煤矸石分选。考虑对煤矸石分选准确率及速度等多方面因素，笔者选用YOLOv5网络检测煤矸石，优化YOLOv5网络结构检测识别煤矸石。

1 YOLOv5网络原理

1.1 YOLO网络

目标检测方法有两种：一种是双阶段检测算法，另一种是单阶段检测算法。单阶段检测算法主要有YOLO和SSD等算法，双阶段算法有R-CNN系列。单阶段算法流程里从输入图像到输出结果只经历了深度神经网络一个阶段。……