煤炭作为我国重要基础能源,在一次能源的生产消耗中长期占据主导地位。在煤炭的生成、开采过程中,不可避免的混入了各种矿物杂质,燃煤过程造成的环境污染大多与此有关。因此,利用分选加工方式去除煤中矿物,对煤炭进行洁净处理,是煤炭行业与环境和谐发展的必然选择。煤粉颗粒粒度分布与煤中矿物组分信息反映了煤炭分选的整体质量,随着人工智能的快速发展,将深度学习技术应用在煤炭分选加工过程中,可以获取准确的煤粉粒度及其组分信息,实现提高选煤生产效率,降低生产能耗,提升资源利用率的目标。煤粉颗粒粒度检测的前提为颗粒分割,但由于颗粒中存在相互粘连、粒度分布不均匀等问题,以及利用扫描电子显微镜采集细粒级煤粉图像时造成的边缘效应,传统图像分割算法很难达到理想的分割效果。针对现有算法的不足,本文提出了基于深度学习的煤粉颗粒分割算法,对颗粒图像进行准确分割;同时,为了评价选煤工艺的分选效果,判别选煤过程是否有效地去除了煤中矿物杂质,本文提出了基于深度学习的煤中组分识别算法,对选煤产物中各类矿物组分进行识别检测。本文具体的研究工作和创新点如下:一、针对煤粉颗粒分割过程中存在的颗粒粘连、小颗粒漏分割以及边缘定位不准问题,本文采用基于深度学习的Mask R-CNN算法作为粘连颗粒的分割算法;利用空洞卷积对Mask R-CNN加以改进,加强颗粒的多尺度特征学习,有效改善了小颗粒漏分割问题;通过改进Mask R-CNN掩码分割子网络中的损失函数,促进网络着重学习颗粒边缘像素特征,提升了颗粒分割时边缘定位精度。以扫描电子显微镜采集的煤粉颗粒二次电子图像为实验数据,对提出的算法进行实验分析,结果表明,改进后的Mask R-CNN分割算法极大的提高了煤粉颗粒的分割精度。二、为了对煤炭分选效果进行有效的检测与评价,本文提出了基于深度学习的煤中组分识别算法,对煤炭分选产物中各类矿物组分进行类别检测与定位。首先通过分析扫描电子显微镜采集的矿物组分背散射图像特征,提出采用基于深度学习的Faster R-CNN目标检测算法对矿物组分识别定位;针对背散射图像中矿物表面存在的孔洞、裂隙、附着的微小颗粒以及某些类别的矿物特征差异不明显等干扰矿物识别的因素,提出利用注意力机制改进Faster R-CNN中的特征提取网络,促进各类矿物相关重要特征的提取,抑制无关干扰特征影响。结合扫描电子显微镜背散射成像技术和能谱元素分析技术对实验结果分析表明,本文中提出的算法能准确有效地检测出煤中各组分,可对选煤效果进行有效评估。