煤尘检测是实现自动化洒水降尘的关键步骤,本文主要研究的目的是通过摄像头采集到的煤炭作业厂区尤其是露天煤炭堆场的图像,判断图像中是否包含煤尘并用矩形框标注。在检测出煤尘后可通过智能控制洒水降尘系统启停的方法来实现自动化洒水,从而及时有效治理煤尘并能够节约水资源。首先,由实地采集和网上爬取的数据构建数据集,由于采集过程中受环境及相机本身的影响,需要对图像进行预处理以及数据增强,为了避免过多的预处理丢失煤尘本身的信息,重点放在图像增强。使用镜像变换、旋转变换和对比度亮度调整来增强图像,模拟不同环境光照下的煤尘图像来丰富数据集,未使用加噪处理是因为加噪后的图像易和煤尘图像发生混淆,影响最终的分类识别精度。然后,对预处理增强后的数据集进行传统的特征提取和分类。选取局部二值模式特征描述子来描述煤尘的纹理特征,并分别使用了圆形局部二值模式、旋转不变性局部二值模式、等价局部二值模式、对比度结合的局部二值模式做特征提取操作,将特征向量输入到支持向量机中进行分类并比较结果,选取结果最优的方法后又使用遗传算法对支持向量机进行了参数寻优,进一步提升了分类正确率。最后,用深度学习的方法,省去了人工选取特征,避免了特征提取不充分。在参考经典卷积神经网络的基础上,搭建用于本文煤尘检测的卷积神经网络,对网络参数和结构进行了优化,使用可变学习率使网络在训练过程中能够加快收敛,最终训练出的模型在正确率上较传统方法有显著提升,并且能够基本满足实时性的要求。