煤矿智能化技术创新论坛
分论坛：煤矿智能化技术学术论坛系列报告九：
中国矿业大学(北京)徐志强教授
“基于计算机视觉的煤、矸、杂物智能分选”
本期推送中国矿业大学（北京）徐志强教授发表于《煤炭学报》第6期的文章。为方便大家深入了解本文内容，《煤炭学报》邀请徐志强教授通过视频对相关成果进行了详解。
文章信息为：
徐志强,吕子奇,王卫东,等.煤矸智能分选的机器视觉识别方法与优化[J].煤炭学报,2020,45(6):2207-2216.
视频解析
创新点
（1）基于深度学习中经典网络框架建立了煤矸图像识别模型，对比了各经典框架的识别效果。
（2）基于模型剪枝实现了煤矸图像识别模型的轻量化压缩处理。
（3）基于模型可视化揭示了基于CNN建立的煤矸图像识别模型的识别依据。
作者简介
徐志强，男，1965年4月出生，安徽淮北人，教授，博士生导师，中国矿业大学（北京）研究生院常务副院长，国家水煤浆工程中心制浆技术研究所所长。先后承担了50余项纵向及横向科研项目，获国家科技进步二等奖1项、教育部科技进步一等奖2项、煤炭科技进步二、三等奖各1项、煤炭青年科技奖1项，入选教育部新世纪优秀人才支持计划，发表论文100余篇。
研究方向
水煤浆制备技术与装备；固液废弃物处理；洁净煤技术；矿物加工过程的数值模拟；矿物加工过程的检测控制与智能化
主要成果
致力于水煤浆制备理论与成套技术装备研究，取得多项创新性成果，形成了水煤浆制备关键技术体系，开发了目前最大的单线50万吨/年水煤浆生产技术、工艺及成套装备，为我国水煤浆技术发展及推广提供了有力的技术支撑。在煤炭光电分选理论与成套技术方面，获得多项专利，开发了第一套基于机器视觉的煤矸（杂物）的智能分选成套系统并成功应用。
摘 要
煤矸图像的在线准确快速识别是煤矸智能分选的关键,深度卷积神经网络能够解决这一问题。以实际生产状态下采集的煤与矸石图像为训练与测试样本，基于ResNet等经典网络与SqueezeNet等先进轻量级网络建立了煤矸图像识别模型,分析了各模型的训练收敛情况。
基于kmeans++判断模型中不同卷积核所提取特征的相似程度,基于模型剪枝技术对相似度高的卷积核进行裁剪,实现了识别模型的优化与压缩。以识别精度、模型规模和模型运算复杂度为评价指标,定量衡量了压缩前后各模型的测试性能。分析了压缩后的模型对煤矸难、易识别样本的分类热力图可视化结果,揭示了模型的识别机理与分类依据。
结果表明:利用多数现有的CNN框架建立模型均可以对煤和矸石有效识别,但网络复杂度过低则特征提取能力不足,网络复杂度过高则易产生更严重的过拟合情况,即模型复杂度对识别精度影响较大;基于模型剪枝得到的煤矸识别模型可以将煤的截断面处因镜质组成分而产生的反光现象作为识别煤的可靠依据,同时准确捕捉煤与矸石由于硬度不同所产生的轮廓、纹理、表面平整度等差异,综合给出识别结果。
压缩后的模型在计算量与模型大小减少10倍的同时,识别精度提升了17.8%,实现节约计算与存储资源的同时提升识别精度,模型性能明显优于常规网络模型。
部分图片
卷积核提取多通道特征过程示意
激活函数
典型池化过程计算示意
煤矸识别模型的剪枝流程示意
图像采集装置
图像样本集
基于不同CNN的煤矸识别模型对比
剪枝过程中模型大小与测试精度的情况
分类热力图的可视化
来源：
徐志强,吕子奇,王卫东,等.煤矸智能分选的机器视觉识别方法与优化[J].煤炭学报,2020,45(6):2207-2216.
XU Zhiqiang,L Ziqi,WANG Weidong,et al. Machine vision recognition method and optimization for intelligent separation of coal and gangue[J]. Journal of China Coal Society,2020,45(6):2207-2216.
责任编辑：韩晋平编辑整理：郭晓炜审 核：常琛
End
本平台刊登的《煤炭学报》所有稿件均按照国家版权局有关规定支付了相应稿酬，《煤炭学报》享有稿件的信息网络传播权。未经授权，不得匿名转载。本平台所使用的图片属于相关权利人所有，因客观原因，部分作品如存在不当使用的情况，请相关权利人随时与我们联系。
免责声明：以上内容转载自煤炭学报，所发内容不代表本平台立场。
全国能源信息平台联系电话：010-65367702，邮箱：hz@people-energy.com.cn，地址：北京市朝阳区金台西路2号人民日报社
热门跟贴