在矿井瓦斯防治的基础研究领域，大量颗粒煤被广泛用于各类实验。由于实验煤样的粒径分布对实验结果有显著影响，因此准确快速地测定煤屑颗粒群的粒径分布具有重要的研究意义。精确的颗粒实例分割是图像法检测颗粒粒径分布的关键前提。煤屑颗粒具有体积微小、形状各异、数量众多以及颜色单一等特点，使其在图像中表现为特征微小、边缘不规则以及颗粒之间存在粘连的特征。这些因素使得深度模型难以准确捕捉和描述颗粒的边缘形状，而且对于密集小目标的分割，需要更高的计算复杂度，但为保持算法的工程实用性，还必须考虑网络的轻量性。以上因素均为分割模型的设计增加了难度。另外，深度学习是由数据驱动的，数据集的缺乏也是限制深度学习算法使用的一大挑战。为了应对以上挑战，提出了基于YOLOv8的轻量化煤屑颗粒群实例分割方法。首先，研发了基于柔性振动盘分离颗粒的图像采集系统，用于快速批量获取煤屑颗粒图片，提出基于SAM模型预标注的高效颗粒图像标注方法，提高了数据标注效率，从而构建了一个样本多样性丰富的煤屑颗粒群数据集，解决了煤屑颗粒群数据集缺乏的问题。其次，基于YOLOv8n-seg主干网络，在Backbone部分引入跨阶段局部动态蛇形卷积增强特征提取能力，从而提升模型捕捉不规则小目标边缘信息的能力，解决了煤屑颗粒这类密集不规则小目标难以特征提取的问题。再者，在特征融合网络层中设计了基于自适应权重的高性能特征融合路径，增强了模型的表征能力，解决了煤屑颗粒边缘不规则以及颗粒之间存在粘连而难以识别边缘的问题。最后，通过裁剪负责大尺寸目标的特征提取层，降低了模型复杂度和参数量，解决了分割模型计算复杂度而应用性不足的问题。实验结果显示，相较于YOLOv8n-seg，提出的DP-YOLOv8在精度方面mAP@0.5:0.95提升了0.8%，同时参数量Params从3.264×106降至1.476×106，运算量FLOPs由12.1×109降至11.4×109。表明基于YOLOv8的轻量化煤屑颗粒群实例分割方法在模型分割精度和轻量化之间实现了更好的权衡。

1 理论基础
2 煤屑颗粒群数据集的构建
2.1煤屑颗粒群图片的快速批量采集
2.2 基于SAM预标注的高效标注方法
3 基于YOLOv8的轻量化煤屑颗粒群实例分割方法
3.1 特征图裁剪与网络轻量化设计
3.2 双分支动态卷积模块（DB-DyConv）
3.3 基于自适应权重的高性能特征融合路径设计（AW-FPN）
4 实验结果与分析
4.1 实验环境
4.2 评估标准
4.3 不同算法分割精度与轻量化对比
4.4 DP-YOLOv8改进前后消融实验对比
5 结论