现有基于图像识别的煤矸石分拣方法实时性较差且整体分拣准确率不高，而基于密度的分拣方法适用于井下初选，成本较高。针对上述问题，设计实现了一种基于EAIDK的智能煤矸分拣系统。采用嵌入式人工智能开发平台EAIDK构建矸石识别和分拣控制硬件平台，在嵌入式深度学习框架Tengine下利用深度学习算法搭建卷积神经网络，建立端到端可训练图像检测模型，并利用智能摄像机获取的图像数据训练模型；通过手眼标定获得摄像机坐标系与机械臂坐标系之间的关系，控制机械臂进行矸石追踪和分拣。实验结果表明，该系统矸石识别准确率稳

现有煤矸石分拣方法主要是根据煤和岩石的纹理特征值，利用图像处理和模式识别技术对煤矸石进行识别分选，分选的煤矸石粒度为25～150mm,而对于150mm以上的煤矸石仍依靠人工进行分选。为了对大粒度煤矸石进行分拣，设计了一种基于机器视觉的多机械臂煤矸石分拣机器人系统。该系统采用机器视觉采集煤矸石信息，应用深度学习方法实现煤矸石识别和抓取特征提取；在获取煤矸石序列信息后，根据煤矸石位置进行排序工作，并通过多目标任务分配策略将抓取任务下达给相应机械臂控制器；机械臂获取任务后，根据获得的任务对目标进行动态

为了实现煤和矸石的自动化和智能化分选，降低煤炭洗选的投资和生产成本，提高煤炭质量，针对国内外目前煤炭分选方式存在的资源浪费、环境污染，分选效率较低和成本较高等问题，提出了一种多动态目标多机械臂协同的煤矸分拣方案，依据国内煤矿的煤矸分选现状和迭煤厂的工况，设计了一种适应于狭小工作空间和速度较快手拣矸输送带的煤矸分拣机器人，该机器人构建了一种基于深度学习的煤矸快速识别方法，通过实时采集煤和矸石流的图像数据，利用训练好的卷积神经网络模型自动提取煤矸图像特征，给出准确的识别信息，并通过双目立体视觉技术对

针对分拣过程中视觉系统识别复杂物体时速度慢、对环境变化适应性不足的问题，提出一种基于轻量型卷积神经网络的机械臂快速分拣方法。该方法首先使用基于轻量型卷积神经网络的MobileNet-SSD算法对图像中的目标物体进行检测，获取目标类别和位置信息；然后根据检测输出结果对图像进行预处理和边缘检测，最终得到校正后的定位结果。在PROBOT Anno机械臂平台上进行分拣实验，实验结果表明，相比于传统的图像处理方法，提出的方法能对复杂目标物体实现快速的检测和定位，对于目标形态和环境的多样性来说具有更好的鲁棒