摘要
在我国一次能源消耗结构中，煤炭依然占据着主要地位，影响着国民生活中的方方面面，而煤炭开采时会伴有大量矸石，其燃烧值低，对环境造成巨大污染，因此有必要对煤和矸石进行分选。传统人工煤矸分选有着劳动强度大、效率低等问题，现迫切需要一种智能化分选方式来提高煤矿生产效率，朝着更加清洁、安全的方向发展。煤矸识别是智能化煤矸分选的关键和基础，直接影响煤矸分选效果，而随着图像处理技术和深度学习技术的发展，煤矸图像识别已成为当前智能化分选的重点。因此，本文提出了基于深度学习的煤矸图像识别方法，并开展了以下研究工作： （1）根据煤矸图像识别方法的需要，首先，本文搭建了采集环境并拍摄了煤矸图像数据集，阐述了煤矸图像采集的要点以及设备的组成；其次，使用传统图像增强技术以及深度学习增强技术（DCGAN）对分类数据集进行图像增强，为第三章分类识别模型做准备；最后，对检测数据集进行标注，并使用Mosaic图像增强方法对检测数据集进行增强，为第四章检测识别模型做准备。 （2）针对传统机器学习方法依赖人工经验以及深度学习分类模型深度较深、结构复杂，导致煤矸分类性能较差的问题，本文提出了基于卷积神经网络（CNN）与支持向量机（SVM）结合的煤矸识别方法（CNN-SVM）。依据VGGNet16模型思想，构建了结构简单的CNN，依据ConvNeXt中大卷积核思想，验证了5×5大小的卷积核能使CNN模型性能达到最优，弥补了所构建的CNN识别精度下降的问题；使用SVM替换CNN中的Softmax层，并对全连接层所提取的煤矸特征向量进行分类，提升模型识别准确率；采用网格搜索法对SVM中的惩罚因子 与核参数 进行优化，并与CNN相结合，进一步提升识别准确率。最后与传统机器学习模型和经典分类模型进行实验对比，结果表明优化后的CNN-SVM煤矸识别性能最优，煤矸识别准确率达到97.5%，识别速度达到29FPS。 （3）针对当前深度学习煤矸检测模型参数量多、计算量大，且不利于在嵌入式设备使用的问题，本文提出了基于改进无锚框YOLOX-S的轻量化煤矸多目标识别与定位方法。该方法将YOLOX-S中的普通卷积使用轻量化模块Ghost module替换，并融合LeakyReLU非线性激活函数，避免模型因加深引起的梯度消失现象，以保证Ghost module对煤矸特征提取更全面，提升模型的检测精度；再结合原始模型中的CSP结构，构建CSPGhost-LR嵌入到模型主干网络和特征融合部分，实现更丰富的梯度组合，保证煤矸特征重用性；在此基础上加入CIOU回归损失，使预测框定位更加准确。经过在煤矸检测数据集实验，并和轻量型模型进行对比，改进后的YOLOX-S煤矸检测性能最优，在保证较高的检测精度90.51%下，模型参数量减少到4.7M，计算量降低到13.58GFLOPs，检测速度达到50FPS。
NETL