煤炭科学技术

作者：栾亨宣, 安乐, 田莹, 顾颉颖, 张强, 陈宏伟, 付翔, 胡成军, 崔志芳, 陈锐,

关键词：深度学习, 煤矸识别, 井下环境, 注意力机制, 梯度加权类激活热图,

煤矸智能分选是发展煤炭智能绿色开采的关键技术之一。准确识别煤矸石是智能分选的先决条件，如何克服井下复杂环境的影响，已成为影响机器视觉识别效果的现实难题。针对井下煤炭运输系统，构建具有单一、二混合和三混合背景的11类图像数据集，包含水渍、煤粉、碎煤与碎矸石及运输设备部件等背景干扰因素。提出了一种融合多种注意力与残差连接的高精度煤矸智能识别方法，高分辨率阶段使用残差卷积块快速生成高质量标记(token)，后续阶段使用级联的Channel Spatial Swin Transformer Block (CSSTB)进行深层表征学习。为提升模型对背景噪声的抗干扰能力，网络集成全局、通道、空间多种注意力机制，增强特征表达的鲁棒性。CSSTB中利用基于负斜率特性强化稀疏激活的LeakyReLU线性注意力机制建模全局信息，通过卷积注意力机制模块(CBAM)优化模型注意力分布，提升模型泛化能力。此外，考虑到煤、矸石和输送设备零部件的尺度差异，跨阶段使用残差连接以增强多尺度特征的通信和信息流通。结果表明：所提模型在单一、二混合和三混合背景上的平均准确度达到95.06%、97.77%、95.65%，相较于基线网络Swin Transformer-Tiny分别提高7.01%、4.83%、1.03%。可视化试验表明，对比模型在水渍、暗光和反光等复杂背景干扰下难以准确区分煤和矸石，而所提出模型能够精准聚焦于煤和矸石的关键特征区域，抗干扰能力强。研究结果为井下原煤运输中的煤矸高效分选提供了理论参考。

来源：2025年第9期

《煤炭科学技术》期刊编辑部

查看煤炭科学技术杂志2025年第9期