摘要
煤炭在我国能源消费中占有举足轻重的地位，而在开采的过程中会含有大量
的矸石，矸石不仅燃烧值较低，而且在燃烧的过程中会产生大量的有害气体，所
以在煤炭的生产过程中分拣出其中的矸石成为必不可少的一个环节。目前人工筛
选法效率低下，且分选的效果并不稳定。随着机器视觉技术的迅速发展，研究人
员开始利用图像来完成煤和矸石的区分。传统的基于图像的煤和矸石识别方法，
存在识别率低和提取特征困难的不足。鉴于此，本文引入了卷积神经网络算法，
将其应用于煤和矸石的识别。
使用卷积神经网络识别煤和矸石图像，样本的采集与数据集的制作是其中关
键的一个步骤。本文对图像的采集过程进行了合理的设计，以黑色为背景来尽可
能的贴合实际生产环境，固定相机与采集背景之间的距离来尽可能的反应煤和矸
石的实际大小，对矸石图像进行过采样以保持数据的均衡性，通过采集从不同地
点产出的煤和矸石图像保证了样本的多样性。并对采集的煤和矸石图像样本使用
旋转、平移、和翻转等方法进行了数据扩充。为了兼顾样本的使用率以及训练次
数，本文使用K折交叉验证来划分煤和矸石图像的数据集。
目前的卷积神经网络在算法设计和结构上都存在较为明显的差异，为了得到
更适合煤和矸石识别的网络，本文对多个经典的卷积神经网络进行了分析，具体
分析了AlexNet、VGGNet、GoogLeNet和ResNet这四个网络模型，分别从网络
模型的识别准确率、深度、参数量以及识别速度四个维度对其进行了比较，最终
确定使用后三者对煤和矸石的识别进行研究。并尝试对上述经典的卷积神经结构
进行了修改，以使其可以更好的应用于煤和矸石的识别。最后对原网络和改进后
的网络进行了对比试验，结果表明，改进后的网络模型F1值均有所提高，证明
了改进的有效性。
为了提高模型对煤和矸石的识别率，本文引入了迁移学习的方法，首先使用
大规模的数据集上对模型进行充分的训练，然后使用煤和矸石数据集对经过训练
的模型进行参数的微调，实验结果表明，在采用迁移学习后模型对煤和矸石的识
别效果有明显提升。
关键词：煤和矸石分选；卷积神经网络；图像识别；迁移学习
Abstract
Coaloccupiesapivotalpositioninmycountrysenergyconsumption,andinthe
processofmining,itwillcontainalargeamountofgangue.Ganguenotonlyhasalow
burningvalue,butalsoproducesalotofharmfulgasesduringthecombustionprocess,so
intheproductionprocessofcoalSortingouttheganguebecomesanessentiallink.The
currentmanualscreeningmethodisinefficientandthesortingeffectisnotstable.With
therapiddevelopmentofmachinevisiontechnology,researchersbegantouseimagesto
completethedistinctionbetweencoalandgangue.Traditionalimage-basedcoaland
ganguerecognitionmethodshavethedisadvantagesoflowrecognitionrateanddifficulty
inextractingfeatures.Inviewofthis,thispaperintroducestheconvolutionalneural
networkalgorithmandappliesittotherecognitionofcoalandgangue.
Usingconvolutionalneuralnetworkstoidentifycoal