随着煤矸石分选系统对其智能化要求的逐渐提高,研究人员提出了煤矸石自动分选方法,其中包括射线法、机械洗选法、图像识别法。前两者会造成环境污染且成本过高,所以图像识别法成为了煤矸石自动分选的首选方案。该方法的难点是如何准确完成煤矸石的目标检测任务。深度学习已在各个领域展现出巨大的潜力,本文将生成对抗网络和one-stage目标检测模型应用到煤矸石目标检测中,旨在提高检测精度及速度。目前没有公开可用的煤矸石数据集,且采集的煤矸石图像数量有限,传统的数据集扩充方法无法有效提高样本的多样性;煤矸石目标检测是实时检测任务,对检测速度要求高,two-stage目标检测模型精度较高,但速度难以满足实时检测的要求。针对以上问题,本文主要进行了以下研究工作:第一,在煤矸石数据集扩充中,对基于生成对抗网络的方法进行研究,针对原始GAN训练不稳定的问题,本文分别采用WGAN和DCGAN进行数据集扩充,并进行对比实验。第二,one-stage目标检测模型SSD在保持高准确率的同时,也能保证高检测速度,但其主干网络VGG-16参数众多,本文采用SSD-MobileNet作为煤矸石检测模型,并对其进行改进,在进行预测时去掉19×19的浅层特征层,使先验框的数量由原来的1917减少到834。实验结果表明,DCGAN生成图像的FID分数明显低于WGAN生成图像的FID分数,说明其生成的图像质量优于WGAN生成的图像;基于DCGAN的数据集扩充相较于传统方法,明显提高了目标检测模型的mAP值。改进后的SSD-MobileNet模型mAP值仅下降了 0.79%,且单幅图像的平均检测时间由原来的0.06s减少到0.03s,在保证检测精度的同时,有效减少了检测时间。