基于机器视觉的煤矸识别系统设计及试验研究

为解决手工选煤、湿法选煤中存在的效率低下、劳动强度大、水资源耗费、环境污染等诸多问题。研究了基于机器视觉的煤矸识别方法,在实验室中搭建了试验平台,开发了MFC软件应用平台,实现了煤矸实时识别|选取山西西山、内蒙古和陕西神木的煤和矸石作为样本,建立了样本图像库|取420张图像作为实验样本,提取样本的灰度均值、峰值灰度、能量、熵、对比度、逆差矩6个特征进行统计和分析|采用粒子群优化算法(PSO)对支持向量机(SVM)的进行优化,并对分类器进行训练和分类测试。对特征分析的结果表明,灰度特征比为纹理特征具有更好的区分度|PSO-SVM分类器测试中,以灰度、纹理、组合特征作为输入时,其识别准确率分别为95.83%、72.92%、93.75%,结果表明以灰度特征作为输入识别效果最好。     

基于机器视觉的煤矸特征提取与分类研究

为了提高煤与矸石的识别率,运用自制的煤矸自动分选装置,研究了煤与矸石图像的自动识别技术,介绍了煤与矸石图像的灰度特征以及基于灰度共生矩阵的煤与矸石纹理特征。利用灰度特征的均值和纹理特征的能量、熵、对比度,相关性构造归一化特征向量,最后结合BP神经网络进行识别分类,试验分析了不同学习速率对识别率的影响。结果表明:基于BP神经网络的纹理和灰度特征的综合分类方法提高了煤与矸石的识别率;选取合适的学习速率在提高BP神经网络学习速度的同时还提高了识别率,识别率达87.5%。     

Relief-MRMR-SVM在煤矸图像分类的研究

煤和矸石的图像分类是实现煤矸自动分选的关键环节。为提高煤矸分选模型的准确性和稳定性,提出了一种结合Relief、MRMR算法及SVM分类器构建的混合式特征选择及分类方法,提取煤矸图像的颜色及纹理共26个特征对其分类进行研究。在提取纹理时联合使用了LBP局部和GLCM全局特征,有助于提高分类的准确性。利用该特征选择方法选出最优特征子集后,用粒子群和支持向量机算法构建PSO-SVM最佳参数模型进行煤矸分类。结果显示,该方法能剔除较多冗余特征,提高煤矸分类的效率|在两个数据集上,该模型的平均分类准确率分别达到96.12%和94.17%,证明了方法的有效性和模型的稳定性。     

煤与矸石分形维数的差异研究

为实现煤矸自动识别及快速分选,利用煤与矸石的纹理特征与轮廓表面灰度级别等差异较大的特点,对于二者的单一颜色灰度图像,采取平滑滤波、降噪等方法处理,应用差分盒维法求得二者灰度图像分形维数,以区分煤与矸石图像表面纹理粗糙度。试验结果表明,煤和矸石的分形维数有明显的不同,煤的分形维数要大于矸石,以数值2.450 0为分界点,煤的分形维数在分界点之上,矸石的分形维数在分界点之下。根据这一差异可有望实现煤矸的自动识别,为实现一种全新的煤矸分选系统奠定理论基础。     

基于灰度共生矩阵的煤与矸石自动识别研究

为提高煤与矸石识别率,提出了一种基于灰度共生矩阵的煤与矸石纹理特征自动识别方法。分析灰度共生矩阵的基本原理、特征参数,利用灰度共生矩阵提取煤与矸石图像的角二阶距、相关性、对比度和熵这四个特征作为纹理特征,用支持向量机进行识别,并在MATLAB上仿真实现。研究结果表明:用灰度共生矩阵提取纹理特征、用支持向量机识别的方法能有效的描述煤与矸石的纹理特征,为煤与矸石的识别和分选提供重要参考依据。     

基于灰度和纹理的煤与矸石特征提取研究

探讨煤与矸石图像在灰度与纹理上的异同,应用图像处理技术对煤与矸石图像进行预处理、图像分割,采用灰度特征和纹理特征相结合的方法进行特征提取,并在Matlab上仿真实现。研究结果表明灰度和纹理能有效的描述煤与矸石的特征,具有较好的鉴别能力,可为煤与矸石的识别和分选提供参考依据。     

煤矸智能分选的机器视觉识别方法与优化

煤矸图像的在线准确快速识别是煤矸智能分选的关键,深度卷积神经网络能够解决这一问题。以实际生产状态下采集的煤与矸石图像为训练与测试样本,基于ResNet等经典网络与SqueezeNet等先进轻量级网络建立了煤矸图像识别模型,分析了各模型的训练收敛情况。基于k-means++判断模型中不同卷积核所提取特征的相似程度,基于模型剪枝技术对相似度高的卷积核进行裁剪,实现了识别模型的优化与压缩。以识别精度、模型规模和模型运算复杂度为评价指标,定量衡量了压缩前后各模型的测试性能。分析了压缩后的模型对煤矸难、易识别样本的分类热力图可视化结果,揭示了模型的识别机理与分类依据。结果表明:利用多数现有的CNN框架建立模型均可以对煤和矸石有效识别,但网络复杂度过低则特征提取能力不足,网络复杂度过高则易产生更严重的过拟合情况,即模型复杂度对识别精度影响较大;基于模型剪枝得到的煤矸识别模型可以将煤的截断面处因镜质组成分而产生的反光现象作为识别煤的可靠依据,同时准确捕捉煤与矸石由于硬度不同所产生的轮廓、纹理、表面平整度等差异,综合给出识别结果。压缩后的模型在计算量与模型大小减少10倍的同时,识别精度提升了17.8%,实现节约计算与存储资源的同时提升识别精度,模型性能明显优于常规网络模型。     

基于MATLAB和图像灰度值对X射线探测煤矸识别的研究

对X射线识别煤矸技术进行简要介绍,对X射线探测煤矸识别技术进行了模拟实验,对探测的煤矸进行成像,通过MATLAB软件对煤矸图像进行数字化处理,计算出煤矸的图像灰度值,并通过实验数据统计出煤矸的图像灰度阈值。根据灰度信号即可对煤矸进行分选。     

基于图像处理的煤/矸密度识别系统的研究

为提高煤与矸石识别的准确性,开发了一套基于图像处理的煤/矸密度识别系统。该系统是以MATLAB为平台,针对煤/矸图像的特点,对获取的煤/矸图像进行同态滤波、中值滤波、图像分割以及形态学滤波处理,得到煤/矸的轮廓;然后利用积分算法,计算出煤/矸的体积;再利用所测煤/矸的质量,计算出煤/矸的密度,最终根据煤和矸石密度的不同实现二者的识别。试验结果表明,该方法能快速、有效地对煤和矸石进行实时检测。     

图像处理在煤矸石分选系统中的应用

煤矸石分选是煤矿生产中的重要环节。提出一种基于图像处理的煤矸石分选方法。利用搭建的图像采集系统采集煤块和矸石图像,对采集的图像进行图像剪切、图像平滑等预处理操作,计算图像灰度直方图,从中提取灰度均值和标准差指标,为分选机构提供判断依据。研究表明,煤块灰度均值明显小于矸石灰度均值,灰度均值指标能有效地识别出煤块和矸石,可代替人眼用于块煤预排矸过程。     

Working condition recognition based on an improved NGLDM and interval data-based classifier for the antimony roughing process

Texture, as one of the most important features of the froth surface, is considered closely related to flotation working conditions and the production index. A working condition recognition method based on an improved neighboring gray level dependence matrix (NGLDM) and interval data classifier is proposed for the antimony roughing process. First, an improved NGLDM is presented for an image. Next, a new composite texture is defined that associates the bubble characteristics of size, shape, and roughness with a froth image. Finally, combined with the ore grade, the numerical intervals representing the extracted composite textures are adopted for off-line classification and on-line recognition by a support vector machine (SVM) classifier for froth images under different working conditions. Experiments show that the new composite texture feature extractor using the improved NLGDM has greater stability, separability and classification accuracy than the normal texture feature extractor using NGLDM does. Therefore, the interval data-based SVM classifier is feasible and effective for working condition recognition in the antimony roughing process.     

基于轮廓波变换的煤壳质组显微组分分类

在分析煤壳质组显微组分图像特点的基础上,鉴于其纹理及方向信息特征差异,提出一种基于轮廓波变换(Contourlet)与超限学习机的煤壳质组显微组分自动分类方法。首先,运用Contourlet变换对煤壳质组显微图像进行多尺度多方向分解,提取各子带的统计特征量组成特征向量集;再构建超限学习机分类器对壳质组各显微组分进行分类。实验结果表明:与其他用于描述纹理的同类特征提取方法相比,采用本文方法提取的特征量训练的分类器,在分类效果上具有明显的优势,其分类准确率可达97.64%;与支持向量机分类结果相比,超限学习机对于煤壳质组分类准确率可高出2%,分类速度显著提高。     

基于分形维数及细观孔隙结构特征的煤矸石识别研究

为进一步提升基于图像特征的煤矸石分选识别率,将分形维数的分析方法与图像处理和识别技术相结合,选取煤矸石图像的细观孔隙结构特征作为主要研究对象和识别特征。在运用图像处理技术对煤矸石图像进行处理后,最大化地凸显了煤矸石图像细观孔隙结构特征,通过对部分样本的孔隙结构进行初步特征测定和比对,运用分形几何理论对自然形态自相似性特征的描述能力,对煤矸石图像的细观孔隙结构进行分形维数计算,进一步凸显了煤矸石图像在细观孔隙结构特征上的差异,最后将灰度特征、纹理特征和细观孔隙结构特征结合进行识别分类,最终得到较高的识别率,这为结合分形维数的煤矸石识别技术的进一步研究和应用奠定了基础。     

煤矸双能X射线图像多维度分析识别方法

环境适应能力强、识别精度高是有效分离煤和矸石的前提。采用双能X射线透视煤和矸石并成像,避免了粉尘、光照强度和物料表面等外界因素影响。但双能X射线探测器采集射线能量数据存在余晖效应、厚度效应和射束硬化效应等缺陷。为降低缺陷影响,提高煤和矸石识别率,提出一种联合R值图像与高、低能图像特征对煤和矸石进行多维度分析的方法。首先基于双能X射线采集系统获取高、低能图像,并利用比值法得到R值图像;然后针对所获取的3种图像,研究煤和矸石密度及灰分含量等关键物性参数与图像特征关系,据此设计特征提取方案,共计提取8个特征参量,形成一种强特征组合;最后采用Relief算法度量每个特征参量的重要性,进而设计分类试验。以不同地区肥煤、焦煤、气煤和矸石为试验对象,观察剔除权重较低的特征后,分类模型准确率,发现以特征组合[R_c,Gl_c,G_l,R_a]为输入,PSO-SVM分类模型对3种煤混合矸石识别效果最佳,识别率为99.4%。结合PSO-SVM分类模型和[R_c,Gl_c,G_l,R_a]的特征组合对肥煤、焦煤和气煤分别混合矸石进行识别验证,结果表明:肥煤混合矸石识别率为98.89%,焦煤混合矸石识别率为100%,气煤混合矸石的识别率为99.44%。本方法通过联合多张图像的多个特征,进行多维度分析,发现R值图像特征和高能图像特征对煤和矸石的区分度最好,可有效降低双能X射线缺陷影响,能以较少的特征,实现对不同煤种的较高识别率,优于现有方法。此外,以灰分、密度为参照选取特征阈值,贴合实际需求,减少了工程应用中根据矿区煤质差异进行参数调整的频次,提高了识别模型的泛化能力。     

基于行程长度纹理特征的焦炭显微图像分类算法

在分析焦炭显微图像各向异性光学组织中片状与纤维状显微图像特征的基础上,通过对纹理特征的差异性的研究,提出了一种基于行程长度纹理特征和支持向量机(Support Vector Machine)的焦炭显微图像分类方法。该方法首先计算焦炭显微图像中4个方向上的行程长度矩阵,利用行程长度矩阵求得对图像纹理具有不同表征能力的纹理特征量,通过对各个特征量的数据分析,选取有效特征量组合作为分类器的训练向量,然后用支持向量机对实验样本进行分类。实验结果表明,该方法能够有效地识别出焦炭各向异性组织中纤维状、片状等不同光学组分。     

基于图像纹理特征的矿井水灾感知方法

现有水灾监测报警方法存在着适应性差、误报和漏报率高等问题,难以满足煤矿安全生产需求。为此,提出了基于图像纹理特征的矿井水灾感知方法:在巷道顶部或巷帮、采煤工作面支架等设置摄像机,实时采集采掘工作面和巷道底板图像;通过双树复小波变换,提取水、煤、岩石图像纹理特征,建立水灾图像识别模型;对学习样本进行双树复小波变换,提取1,2级系数,统计其方差与期望值,利用相应的方差与期望值构造泊松分布模型,并估计其各个方向模型的强度参数。对待测样本同样进行双树复小波变换后,利用1,2级系数的方差与期望值构成的模型强度参数向量与样本参数向量进行皮尔逊相似性比较,最终确定待测样本分类。根据水灾图像识别模型,对实时监测的图像进行识别,当分割图像具有水灾纹理特征时,进行水灾报警。采集了水灾模拟实验图像,建立了图像数据库。对所提出的模型编制了相应的实验程序,进行了模型的训练和实验验证。研究了水、煤、岩石在双树复小波域泊松分布下系数统计值的分布规律,并对模型的性能进行了参数化的评估。通过实验验证了基于图像纹理特征的矿井水灾感知方法的可行性。实验表明,基于图像纹理特征的矿井水灾感知方法,识别水灾准确率大于81%。     

基于LBP和GLCM的煤岩图像特征提取与识别方法

针对煤矿开采工作面无人化要求,提出一种基于LBP和GLCM的煤岩图像特征提取与识别方法。采用LBP算法判断煤块与岩石纹理存在差异性,然后通过GLCM实现煤块与岩石图像在水平、直角、45°、135°方向上的灰度共生矩阵,并完成对能量、熵值、对比度、逆差分矩等4个煤岩图像纹理特征参数提取。试验表明:LBP算法在检测煤块与岩石局部纹理特征差异的过程中,具有一定的高效性,但存在不足,后续通过GLCM提取的煤岩图像特征参数,可以找到适用于煤岩分类的特征参数,增加煤岩识别的鲁棒性。     

基于支持向量机的煤岩图像特征抽取与分类识别

为了尽可能减少作业人员数目,研究了煤岩图像的自动识别技术,介绍了煤岩图像的识别基础、小波变换和支持向量机原理,分析了煤岩图像纹理在多尺度分解情况下的特点以及支持向量机的参数设置,利用煤岩图像基于灰度共生矩阵的纹理统计量角二阶矩、对比度、相关性、均值、方差构造纹理特征子向量P1,利用煤岩图像不同尺度分解下的角二阶矩、对比度、相关、均值、方差构造纹理特征子向量P2,利用不同尺度分解系数构造纹理特征子向量P3,结合3个特征子向量构造纹理特征向量,最后结合支持向量机对煤岩图像进行分类识别。对不同的特征抽取方式以及煤岩的不同分类进行了比较分析。结果表明：该特征抽取以及分类方法能有效的表达纹理信息,对煤岩的识别准确率达到了97.959 2%,与不使用小波的方法相比提高了7.01%。研究结果可为煤岩界面的自动识别提供依据。