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

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