El reconocimiento de carbón y roca es una de las tecnologías clave en la producción minera, pero los métodos tradicionales tienen limitaciones como la representación de características de dimensión única, la insuficiente robustez y el rendimiento desequilibrado en el diseño ligero bajo interferencias de ruido y condiciones de características complejas. Para abordar estos problemas, se propone una Red Reparametrizada de Atención de Canal Eficiente (ECA-RepNet) basada en gráficos de recurrencia y el mecanismo de Atención de Canal Eficiente. La señal de vibración unidimensional se mapea al espacio de imagen bidimensional a través de un gráfico de recurrencia (RP), que retiene las características dinámicas de la serie temporal mientras captura los patrones complejos en la señal. La extracción de características multiescala y el diseño ligero se logran a través del bloque de núcleo grande reparametrizado (RepLK Block) y el módulo de convolución separable por profundidad (DSConv). Se introduce el módulo ECA para incrustar múltiples capas de convolución. A través de la agrupación promedio global, la convolución unidimensional y la asignación dinámica de pesos, se mejora la capacidad de modelado de las dependencias entre canales, se mejora la robustez del modelo y se reduce la sobrecarga computacional. Los resultados experimentales demuestran que el modelo ECA-RepNet logra una precisión del 97.33%, superando a modelos clásicos como ResNet, CNN y MobileNet en eficiencia de parámetros, tiempo de entrenamiento y velocidad de inferencia.