针对人工排矸法、机械湿选法、γ射线分选法等传统煤矸石分选方法无法兼顾快速高效性、安全无害性、简单操作性的问题，提出了基于机器视觉的煤矸石图像分类方法。对煤矸石图像进行增强、平滑去噪等预处理，采用基于距离变换的分水岭算法实现煤矸石图像分割提取。针对煤矿矸石分割图像，选取煤矸石图像的HOG特征及灰度共生矩阵，分别以支持向量机、随机森林、K近邻算法作为分类器进行基于特征提取的煤矸石分类识别；分别建立浅层卷积神经网络和基于ImageNet数据集预训练的VGG16网络，进行基于卷积神经网络的煤矸石分类识别

为提高分选的稳定性和准确率，提出一种多特征融合的基于粒子群算法优化的法平面型隶属度函数模糊支持向量机(PSO-NP-FSVM)煤矸石分选方法。介绍了X射线探测识别煤矸石技术的基本原理与工作流程。对采集到的X射线图像经中值滤波去噪预处理后，分别提取灰度特征下的灰度均值、灰度方差，以及基于灰度共生矩阵的纹理特征下的能量、相关性、对比度和熵共计6个特征向量，并对选择的特征进行融合。利用法平面型隶属度函数能有效剔除孤立样本的优点，结合粒子群算法对模糊支持向量机分类器模型的主要参数进行优化，提出经优化改进

针对输送带磨损造成煤矸石图像目标检测不准确、影响煤矸石识别准确率等问题，提出了一种煤矸石优化识别方法。采集的图像经过裁切、去噪、灰度化等预处理后，利用训练好的CornerNetSqueeze深度学习模型判断图像中是否存在待检测的煤或矸石，若存在则定位煤或矸石在图像中的位置，有效降低目标检测时输送带背景干扰；对定位区域进行灰度直方图分析，依据图像灰度直方图的三阶矩特征参数对煤矸石进行分类，判定是煤还是矸石，提高识别准确率。实验结果表明，该方法识别准确率为91.3%，单张图像识别时间为41 ms，具