在煤炭生产加工过程中,由于开采条件的限制,原煤中混入了大量的异物,导致重介质系统管路的堵塞,严重影响了煤炭加工的生产效率,制约了煤炭质量的提高。为有效解决煤炭分选系统中异物对生产的影响,使用机器视觉技术完成异物检测。本文针对煤中异物的不规则形状和复杂特征,构建一种多尺度特征融合的语义分割网络,对实际生产现场采集的煤中异物图像进行端到端检测。网络中,编码器端采用残差卷积块提取异物图像特征和捕捉上下文信息,将池化操作得到的多尺度特征图谱在解码器端进行融合;将编码器与解码器使用跳层连接,更好地结合图像的背景语义信息,进行端到端的训练;通过类激活图可视化方法分析了模型误检原因,提出了一种损失函数用于缓解模型因煤矸石表面和背景干扰产生的误检情况,并使用条件随机场对网络分割结果进行细化,最终得到一幅二值图像。实验结果表明:该模型能够对煤矸系统中的异物进行有效分割,最终模型在测试集上的均交并比（MIOU）为77.83%。

国家自然科学基金（51974325）；中国矿业大学（北京）越崎青年学者（2017QN13）;中国矿业大学（北京）越崎杰出学者（2017JCB03）；

1 网络结构
1.1 前端网络结构设计
1.2 后端优化模块设计
1.3 模型评估指标
2 实验设置
2.1 异物图像数据采集
2.2 异物图像预处理
2.3 模型的损失函数
2.4 网络训练与参数寻优
3 结果与分析
3.1 损失函数对模型效果的影响
3.2 迭代次数对模型效果的影响
3.3 后端优化对模型效果的提升
3.4 模型误检原因分析
4 结 论

王卫东,张康辉,吕子奇,谷诏闯,钱瀚文,张情意.基于深度学习的煤中异物机器视觉检测[J].矿业科学学报,2021,6(01):115-123.