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。研究结果表明：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%和95.65%，相较于基线网络Swin Transformer-Tiny分别提高7.01%、4.83%和1.03%。可视化实验表明，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。

0 引言
1 改进全局特征关联神经网络的识别算法
1.1 网络模型整体架构
1.2 浅层特征提取单元
1.3 深层特征提取单元
1.4 LeakyReLu Linear Attention(LKRLA)
1.5 跨阶段多尺度特征通信
2 图像采集与实验方案
2.1 实验平台与数据集
2.2 实验参数设计
2.3 评估指标
3 实验与结果
3.1 消融实验
3.2 对比实验
3.3 模型可视化
4 结论
论文创新点：

栾亨宣,安乐,田莹,等.井下煤炭运输多环节复杂背景下高精度煤矸识别方法研究[J/OL].煤炭科学技术,1-11[2024-11-19].http://kns.cnki.net/kcms/detail/11.2402.TD.20241021.1130.003.html.