煤炭科学技术

作者：张君, 郭旭, 王丹丹, 刘宇, 师玮, 刘耀宏, 管世瑞,

关键词：煤矸石分选, 复杂工况, YOLOv11n, 智能检测, SDSE-YOLO,

为解决煤矿煤矸石分选过程中，现有煤矸石检测算法在针对亮度分布不均、运动模糊、煤与煤矸石外观相似及相互遮挡等复杂工况下识别精度低、易出现漏检误检等技术问题，针对此种情况开展研究，以太原地区煤矿实际采集的煤矸石数据集为研究对象，提出一种基于YOLOv11n改进的智能检测模型SDSE-YOLO，SDSE-YOLO模型在原有模型的基础上针对复杂工况做出3个创新性结构优化：其一，在YOLOv11n主干神经网络前端引入低照度图像增强网络SCINet模块，该模块可自适应校正亮度不均图像的光照分布，为特征提取提供高质量输入基础，进而实现在亮度分布不均的情况下检测精度的提升；其二，在主干神经网络中引入可变形状卷积DCNV2模块替代传统CSP（交叉阶段局部）模块，在最后2个C3k2层引入可变形状卷积核，实现卷积采样点的自适应调整，增强对目标几何变形的捕捉能力，确保在运动模糊和显著几何变形条件下仍能有效提取煤矸石与煤的特征，以此达成在煤和煤矸石运动模糊以及外观相似情况下检测精度的提升；其三，在模型末端引入SEAM模块，以增强在煤与煤矸石相互遮挡场景下识别精度的提升。在自建煤矸石数据集上结果表明：相较于YOLOv11n模型，SDSE-YOLO模块精确度P提升3.5%、召回率R提升3.6%、平均精度均值mAP提升3.8%，对比目前流行检测算法，SDSE-YOLO模型检测精度表现更优异，为在复杂工况下煤与矸石检测提供了可靠解决方案。

来源：2026年第2期

《煤炭科学技术》期刊编辑部

查看煤炭科学技术杂志2026年第2期