煤矿智能化要求实现智能化开采,其中煤岩识别是实现无人化开采的核心技术之一,近年来基于图像的煤岩识别方法受到广泛关注。受采掘环境影响导致图像获取困难是制约煤岩图像识别的主要因素之一,同时对开采工作面的煤岩识别不同于对煤块和岩块的分类,要在识别类别的同时获取到煤岩的边缘信息。因此研究内容集中在缓解煤岩数据短缺和对煤岩图像进行合理分割识别的问题上,首先采用生成式对抗网络生成可用于煤岩识别的图像,其次对现有数据采用语义分割的方式进行识别。针对煤岩图像数据短缺的问题提出解决方法并增加数据量,本文提出Var-Con Sin GAN模型并构建样本生成与特征迁移框架。Con Sin GAN模型生成的图像虽然清晰但对于煤岩图像生成来说仍然缺少多样性,改进模型的训练方式和图像重构方法可提高生成煤岩图像的多样性。模型采用金字塔结构,使用多阶段训练方法,可生成任意数量图像。提出新的图像尺寸变换方法,同时采用曲线函数使每一阶段的迭代次数逐步增加,并对单张图像生成的结果使用基于辅助识别器的条件生成式对抗网络进行特征迁移。模型输入一张符合正态分布的噪声图片,经过训练,生成器输出生成样本。实验在500张煤岩图像上进行并使用SSIM指标对生成图像进行测评。根据实验结果可得结论:Var-Con Sin GAN模型缓解了原始GAN在数据不足时无法训练和Con Sin GAN生成的煤岩图像具有明显“边框”感且多样性不足的问题,与Con Sin GAN相比模型性能提高了13.8%,特征迁移的实验结果显示不同种类的煤岩之间学习到了彼此没有的特征,增加了煤岩图像数据量。生成煤岩图像数据后,对煤岩识别这一工作做了深入研究。为解决煤岩图像识别难题,采用语义分割技术路线,实现对煤炭和岩石的分类。考虑开采环境以及成本问题,该研究以模型的速度与精度为出发点,设计高效的实时性煤岩分割网络UDNet。该网络采用经典的双分辨率路径网络,高分辨率路径保留图像的结构化信息,低分辨率网络提取图像的语义信息,根据图像的语义信息对像素进行分类。为了降低网络的参数量和运算量,在设计模型结构时高分辨率路径采用了比1/8更低的分辨率1/16,将DDRNet中的残差卷积模块替换成了更加高效的UNet模块,同时使用最大池化进行下采样以达到减少参数的目的。最后针对煤岩分割是一个二分类任务的特点,将整个模型的通道数进行减少。实验在标注好的3000张煤岩图像分割数据集上进行,对数据采用7:3的比例划分训练集和验证集。根据实验结果可得结论:UDNet很好地实现了速度与精度的平衡,在煤岩分割任务中相比于DDRNet,运算量减少了约15G,参数减少了约2.8M,FPS从150提高到了207。该论文有图23幅,表4个,参考文献60篇。