W pracy przedstawiono przykłady zastosowań wizji komputerowej, jako jednej z metod sztucznej inteligencji do rozwiązania wybranych problemów występujących w górnictwie. W sposób szczegółowy przedstawiono dwa zagadnienia: ocenę granulometryczną urobku oraz identyfikację grup macerałowych. Ocena granulometryczna wykorzystuje zdjęcia materiału ziarnowego (urobku), Ideą zaproponowanej metody jest identyfikowanie granic poszczególnych ziaren. Prezentowane algorytmy wykorzystują metody uczenia maszynowego oraz opracowane na podstawie obrazu zestawy cech. Otrzymane rezultaty można uznać za obiecujące, wykorzystanie metody w warunkach przemysłowych wymagać jednak będzie przeprowadzenia dalszych prac badawczo – rozwojowych. Drugim z zagadnień przedstawionych w bardziej szczegółowy sposób jest rozpoznawanie grup macerałów oraz zanieczyszczeń na mikroskopowych zdjęciach zgładów węgla i peletów paliwowych. Zastosowanym narzędziem była konwolucyjna głęboka sieć neuronowa, której architektura została oparta na architekturze sieci U – Net. Uzyskane rezultaty są zależne od grupy macerałowej oraz rodzaju identyfikowanego zanieczyszczenia. Skuteczność identyfikacji jest dobra nawet dla najtrudniejszych obrazów i wystarczająca do potencjalnego zastosowania w warunkach produkcyjnych. Wszystkie prezentowane rezultaty zostały uzyskane w ramach prac badawczo – naukowych prowadzonych w Głównym Instytucie Górnictwa – Państwowym Instytucie Badawczym.

The paper presents examples of the application of computer vision as one of the methods of artificial intelligence to solve selected problems occurring in mining. Two issues are presented in detail: granulometric evaluation of the excavated material and identification of maceral groups. Granulometric evaluation uses images of grain material (excavated material). The idea of the proposed method is to identify the boundaries of individual grains and then estimate their size on this basis. The presented algorithms use machine learning methods and feature sets developed from the image. The results obtained can be considered promising, the use of the method in industrial conditions, however, will require further research and development. The second of the issues presented in more detail is the recognition of maceral groups and impurities on microscopic images of coal and fuel pellet scrap. The tool used was a convolutional deep neural network, whose architecture was based on that of the U-Net network. The results obtained depend on the maceral group and the type of impurity identified, The identification performance is good even for the most difficult images and sufficient for potential application in production conditions. All the presented results were obtained within the framework of research and development work conducted at the Central Mining Institute – National Research Institute.