煤矸分选是煤矸识别的重要应用方向之一,常用的分选方法在机械装置设计上较为成熟,而其对于煤矸识别方法多使用岩石的物理、化学性质进行煤与矸石的识别,其分类效率低下,资源浪费严重。而图像识别技术是最具工业应用前景的煤矸识别技术,具有设备轻便、耗电量小、部署简单等优点,以深度学习算法为代表的人工智能算法也是产业智能化升级的核心技术。由于煤与矸石的图像行业领域性强,岩石形状及环境光照变化复杂,制作样本数量大、数据代表性强的煤矸图像数据集工作非常困难。这一现象导致现有煤矸图像识别算法泛化能力差,难以满足大规模工业化的作业需求;同时,这一关键问题导致基于深度学习的煤矸图像识别算法研究不足,针对煤矸图像特点与分类特点的智能识别算法研究较少。对于煤矸分选而言,目标检测是非常关键的图像分类算法关联任务。深度学习算法可充分使用分类算法提取的图像特征进而完成目标检测。但是图像分类算法与目标检测任务样本的数据标注与图像差异较大,如何对分类图像进行进一步的处理是提升煤矸图像识别算法在目标检测任务表现的关键科学问题。本文针对煤矸图像数据集构建、煤矸图像识别领域中的图像分类任务和目标检测任务中的问题,从以下三个方面展开研究工作。(1)煤矸图像数据集自动合成算法的研究。以图像认知为核心,建立数据量大的带有多种图像标注的合成煤矸图像数据集。现有的煤矸识别研究,大规模样本采集难度大,耗时长数据集数量少、样式形状及环境光照变化,导致小样本的煤矸图像数据集难以优化图像分类算法的泛化能力,极大地限制了基于大数据驱动的智能算法在煤矸识别领域的进展。而基于三维模型的图像渲染技术是目前图像合成领域对图像纹理、隐含信息表达最优的解决方案。本文提出了快速煤矸三维模型构建方法,快速构建具有丰富煤矸图像纹理的煤矸三维模型,并基于3D-2D图像渲染技术提出自动化图像合成与标注算法,为煤矸图像处理任务快速建立大规模合成图像数据集。在实验中,使用多个矿区采集的真实图像数据集和多种图像分类算法,证明了合成数据集的有效性及深度学习算法在大规模煤矸图像数据集驱动下对煤矸图像分类性能的提升。(2)轻量型卷积神经网络的煤矸图像分类算法研究。根据煤矸图像特点,设计高精度、高性能的煤矸图像智能分类算法。目前的煤矸图像分类算法运行速度较慢,且基于深度学习的识别方法没有进行相应的算法改进研究。MobileNet轻量化网络是最先进的深度学习算法之一,它在图像分类、目标检测等任务中优势明显。本文基于MobileNet卷积神经网络算法,根据MobileNet轻量型卷积神经网络算法,优化算法网络结构对于煤矸图像的中低层特征提取,同时针对煤矸图像样本分类的难度优化网络损失函数,利用前文建立的合成煤矸图像数据集,设计出速度快、精度高的基于轻量型卷积神经网络的煤矸识别算法。在实验中,此算法的运行速度在同等实验条件下仅耗时3ms,且达到了最优的识别效果。(3)背景增强的对抗生成网络算法与煤矸图像目标检测算法研究。前文设计的煤矸图像分类算法中的图像特征结果可以直接应用到煤矸图像的目标检测算法中。但由于合成煤矸图像样本在背景上与真实样本的差异较大,虽不会影响图像分类算法的训练与推理,但会极大地影响算法目标识别性能。从提升数据质量的角度出发,本文提出了背景增强对抗网络算法(BAGAN)与改进型的带有贴合操作层的背景增强对抗网络算法(BAGAN-CL)使用算法中的生成器部分进行图像质量增强,并帮助煤矸图像识别算法在目标检测任务上取得较好的精度(BAGAN算法相关工作发表于EI会议中,详细研究论述于本文第四章;BAGAN-CL算法相关工作发表于SCI期刊中,详细研究论述于本文第五章)。综上,本文从新一代人工智能算法的设计角度出发,研究了基于深度学习的煤矸图像识别算法,其效果在相关真实图像识别与检测中得到了验证。相关研究解决了智能煤矸图像识别算法中的科学问题,提高了煤矸识别算法的识别性能与泛化能力,对于基于图像处理的煤矸识别与目标检测中的科学问题和煤矸分选技术有着重要的理论意义与应用价值。