基于CBA-YOLO模型的煤矸石檢測

桂方俊， 李堯

（中國礦業大學（北京） 機電與信息工程學院，北京 100083）

0 引言

煤矸石分選是煤炭洗選加工的重要環節，主要有人工揀矸法、濕選法和干選法3種方式。人工揀矸法效率低，濕選法存在水資源浪費等問題，干選法是目前煤矸石分選領域的研究熱點[1]，符合煤礦綠色發展的要求。煤矸石識別技術是煤矸石干選的核心技術，其原理是利用提取的樣本特征判斷當前被測物是煤還是矸石。煤矸石識別方法包括傳統方法和基于圖像處理的方法：① 傳統方法有放射性探測法、密度識別法等。放射性探測法根據煤和矸石對射線吸收程度不同進行識別，需要較高的執行速度，一定程度上受煤矸石含水量的影響，并且存在射線輻射問題。密度識別法通過光電技術獲取被測物質量和厚度，計算被測物密度，以此識別當前被測物為煤或矸石，該方法流程復雜且對設備要求高。② 基于圖像處理的方法成本較低、便于推廣，近年來應用廣泛，機器學習和深度學習是其中的兩大分支。機器學習方法通過圖像特征提取和分類算法識別目標，對應用場景的要求高，魯棒性差。深度學習方法通過提取圖像高維特征并進行推理，魯棒性好，準確率高，因而在煤矸石檢測領域被逐步推廣。

將深度學習應用到煤矸石檢測中的研究已取得一定成果。文獻[2]基于LeNet-5進行改進，實現了煤矸石圖像檢測和分類。文獻[3]通過AlexNet卷積神經網絡模型提高了煤矸石檢測的準確率。……