高分辨率原煤筛选分割数据集 | 煤炭分选 异物检测 煤钎石分割 实例分割 COCO格式 9222期
数据集概述
本数据集专注于煤炭工业场景下原煤、异物及煤钎石的高分辨率像素级语义分割，服务于煤矿智能分选、异物剔除及煤质管控。数据包含三个子集，涵盖异物、煤钎石以及混合类别，适配高精度实例分割模型训练、自动化选煤产线及工业质检等应用。
数据集核心信息
| 类别 | 涵盖 异物、煤炭、煤钎石 |
| 格式 | 图像为 JPG/PNG；标注格式为 COCO（分割多边形坐标） |
| 数据划分 | 分为三个独立子集，可按需购买或合并使用 |
| 应用价值 | 1. 智能分选：支撑原煤传送带上的异物剔除与煤钎石分离，提升煤炭纯度。2. 设备保护：及时识别硬质异物（如金属、木块），防止破碎机等设备损坏。3. 煤质管控：量化煤钎石比例，辅助洗选工艺参数调整与质量定级。4. 算法研发：为超高分辨率工业图像分割、小目标异物识别提供大规模基准数据。 |
子集详细列表
| 数据1：异物分割 | 异物 | 12000 张 | 55.4 GB | 4096×2168 | COCO |
| 数据2：煤钎石分割 | 煤钎石 | 3000 张 | 4.3 GB | 2270×1900 | COCO |
| 数据3：混合分割 | 异物、煤炭、煤钎石 | 1200 张 | 900 MB | 2270×1900 | COCO |
数据三要素解析
类别与目标覆盖
- 数据集包含 3 个核心目标类别：异物（如木块、金属、塑料等杂质）、煤炭（纯净煤块）、煤钎石（夹矸、矸石）。
- 数据1专注异物剔除，数据2专注煤矸分离，数据3提供煤炭、异物、煤钎石的混合场景分割。
- 类别设置紧密贴合选煤厂的实际业务需求（排矸、除杂）。
数据规模与分辨率
- 数据1（异物）规模最大（12000张，55.4GB），分辨率极高（4096×2168），有利于捕捉极小尺寸的异物。
- 数据2与数据3分辨率均为2270×1900，数据量分别为4.3GB和900MB。
- 高分辨率图像对显存要求极高，训练时通常需要采用图像切块（Tiling）或降采样策略。
格式与结构
- 统一采用 COCO 格式，包含多边形分割掩膜，可直接适配 Mask R-CNN、YOLOv8-seg 等实例分割框架。
- 高精度多边形标注可精确刻画不规则异物与煤块的边界，支持面积、周长等几何参数计算。
知识普及：煤炭分割检测的技术要点
- 超高分辨率处理：4000×2000级别的图像无法直接输入常规网络，需使用滑动窗口切块训练，推理时再拼接还原，或使用专门的高分辨率分割网络。
- 异物形态与颜色多样：异物可能是木块、铁片、编织袋等，颜色和纹理与煤炭存在差异，但在煤尘覆盖下容易混淆，模型需依赖纹理与边缘特征进行区分。
- 粉尘与光照干扰：选煤厂环境粉尘大、传送带反光严重，建议在训练中加入对比度增强与噪声模拟。
- 煤与煤钎石的相似性：煤钎石（矸石）与亮煤在外观上有时难以区分，尤其表面被煤粉覆盖时，像素级分割能比边界框检测提供更精确的比例计算，辅助洗选决策。
- 应用闭环：分割结果可结合传送带速度与气动喷阀，实现“识别-定位-吹除”的自动化分选闭环，提升煤炭品质。
快速开始（代码示例）
1. COCO 转 YOLO 分割格式（如需）
from ultralytics.data.converter import convert_coco
convert_coco(labels_dir='path/to/annotations/', use_segments=True)
2. 准备配置文件 (data.yaml)
path: ./dataset
train: images/train
val: images/val
nc: 3
names: ['异物', '煤炭', '煤钎石']
3. 启动 YOLOv8 实例分割训练（需注意分辨率）
from ultralytics import YOLO
model = YOLO('yolov8m-seg.pt')
model.train(
data='data.yaml',
epochs=100,
imgsz=1024, # 适当提高分辨率，或采用切块策略
batch=4,
device=0
)
标签
煤炭分选 异物检测 煤钎石分割 实例分割 COCO格式 深度学习数据集 计算机视觉 工业质检
