基于随机森林和树突网络的煤镜质组反射率估计

镜质组平均最大反射率是表征煤化程度的重要指标,在确定煤级、鉴别混煤和指导炼焦配煤中起关键作用。传统反射率测定方法费时耗力,且测量结果的主观性较强,致使实验室间鉴定结果的可比性差。针对该问题,提出一种基于随机森林（RF）和树突网络（DDNet）的煤镜质组反射率估计方法,主要包括煤岩显微图像分割、镜质组识别和镜质组平均最大反射率预测3个部分。利用手肘法和K-Means算法对显微图像聚类,以实现不同显微组分区域的分割;采用人工少数类过采样法（SMOTE）对少数类样本过采样,以改善煤岩中镜质组与非镜质组区域样本的不均衡问题;利用基于DDNet的回归算法实现镜质组平均最大反射率的估计,构建回归模型时从镜质组区域中选择多个41×41像素的方形窗口并提取其灰度特征,以提高算法的鲁棒性,其决定系数达到0.990。实验结果表明：采用手肘法自动确定K-Means算法的参数K,具有良好的自适应能力,能够自动区分不同类别数的显微组分;SMOTE方法可有效避免模型因过度学习样本先验信息而导致对多数类识别好、少数类识别差的问题,提高分类准确度,其中基于RF的识别模型准确率达到97.0%;建立了7种回归估计模型,其...     

基于图像检测的煤矸分拣机器人实验平台

目前煤矸预分选仍多为人工完成,劳动强度大、分拣效率低,且存在安全隐患,利用煤矸分拣机器人代替人工完成煤矸预分选是保障工人健康和安全、提高作业效率的有效途径。然而现有的煤矸分拣机器人在弱光照强度、煤矸表面覆盖煤粉等情况下的效果较差,针对上述问题,提出了基于图像检测的煤矸分拣机器人实验平台。该实验平台通过工业相机采集煤矸图像,利用ResNet18-YOLOv3深度学习算法对图像中的煤矸进行识别,采用TCP通信将矸石的位置信息提供给煤矸分拣模块进行轨迹规划,控制机械臂对矸石进行夹取,完成矸石分拣作业。采用Halcon标定法对实验平台进行手眼标定,从而实现相机像素坐标与机械臂空间坐标的转换;对实验平台进行了定位误差标定,对于尺寸均为50 mm以上的煤矸样本,定位误差不大于9 mm。实验结果表明,该实验平台在强光照条件下的煤矸识别准确率达99%,在弱光照条件下的煤矸识别准确率为95%,在煤粉附着条件下的煤矸识别准确率不低于82%,且煤矸分拣准确率为82%。     

Hilbert-Huang变换在煤矸界面探测中的应用

为了解决煤矿综采工作面煤矸界面识别问题,将Hilbert-Huang变换应用于煤矸振动信号的特征提取。采用EMD方法可以将复杂环境下的煤矸振动加速度信号分解成固有模态分量,通过分析包含煤矸振动特征的前4个IMF分量,得到局部Hilbert边际谱和局部能量谱,进而发现当顶煤放落时,其振动信号的幅值和能量主要集中在100 Hz至600 Hz的频率范围内;而当煤矸混放时,其幅值和能量则主要集中在1 000 Hz左右,此时100 Hz至600 Hz频率范围内的幅值和能量相对有所减弱。根据上述特征定义特征函数,应用到煤矸界面识别的仿真实验中,取得了很好的识别效果。     

煤与矸石在线分选系统设计

针对目前常用的原煤洗选方法存在设备复杂、需要大量的水等问题,设计了一种基于双能γ射线和数字图像识别技术的煤与矸石在线分选系统。单片机实时判断探测器下方的物料是煤或者是矸石,当判断为煤块时,喷枪无动作,煤块落入煤通道;当判断为矸石时,单片机控制喷枪喷出高压气体,将矸石吹入矸石通道;当有些煤中含杂质较多或者矸石含碳量较高时,则由图像识别模块根据煤与矸石在灰度上的差异来区分煤与矸石,并将识别结果传送给单片机。模拟实验结果表明,该系统能有效识别煤与矸石,识别精度满足工业生产要求。     

基于Mel频率倒谱系数和遗传算法的煤矸界面识别研究

针对现有的煤矸界面识别技术采用的γ射线法不适用于顶板不含放射性元素或者放射性元素含量较低的工作面,而雷达探测法探测范围小、信号衰减严重的问题,提出了一种基于Mel频率倒谱系数和遗传算法的煤矸界面识别方法。该方法利用煤矸放落过程中产生的声波信号的特征差异进行煤矸识别,采用Mel频率倒谱系数将去噪后的煤矸声波信号变换到频域进行处理,提取出煤矸声波信号的32维特征参数;采用遗传算法优化处理32维特征参数,得到最优参数组合;采用支持向量机和BP神经网络对最优参数进行识别。实验结果表明,该方法能够准确识别出煤矸下落状态。     

综放工作面煤矸自动识别系统设计及应用

提出了一种基于振动信号的综放工作面煤矸自动识别系统,介绍了系统结构及工作原理,重点阐述了煤矸识别设备的软、硬件设计方案及煤矸识别算法。该系统由煤矸识别设备依据煤与矸石跌落到液压支架上时的振动信号不同来辨识煤矸,液压支架电液控制器根据辨识结果控制液压支架动作。该系统在某煤矿进行了煤矸的可辨识性和自动放煤过程的可控性测试,并已应用于部分煤矿,效果较好。     

基于EMD特征提取与随机森林的煤矸识别方法

基于振动信号辨识是实现综放开采煤矸识别的有效手段,现有方法在识别准确性和有效性方面有待进一步研究。提出了一种基于经验模态分解(EMD)特征提取与随机森林(RF)的煤矸识别方法。采用加速度传感器及数据采集仪采集了某综放工作面煤和矸石冲击液压支架尾梁产生的振动信号,分别对2种信号进行EMD,得到一系列本征模态函数(IMF);根据EMD结果选取有效IMF,分别提取IMF能量、峭度、矩阵奇异值及对应熵作为特征向量,采用各特征向量独立训练RF模型,根据各RF模型对测试样本的识别结果筛选特征向量,并建立特征数据集;采用特征数据集训练RF模型,采用训练好的RF模型实现煤矸识别。测试结果表明:该方法对200组煤矸测试样本的识别准确率达96.5%,且当RF模型中决策树数量设置为100或150时识别准确率最高,对测试样本进行特征提取与识别的耗时不超过0.2s,满足综放工作面煤矸识别准确性和实时性要求。     

煤与矸石分选系统设计

针对常见选煤方法存在成本高、自然资源消耗大、环境污染严重,X射线选煤法对于不同厚度的煤和矸石容易出现识别错误等问题,设计了一种基于X射线和光纤传感器的煤与矸石分选系统。该系统首先利用X射线扫描获取煤和矸石X射线图像,经处理后得到图像灰度值;然后采用光纤传感器检测煤和矸石的厚度;最后综合灰度值和厚度确定煤矸识别阈值,实现煤和矸石的分选。实验结果表明,该系统利用煤矸识别阈值能有效识别煤和矸石。     

煤矸光电分选系统设计

针对煤矸石井下分选回填及综合利用的需求,提出了一种基于激光三维扫描与动态称重的煤矸光电分选系统的设计方案。首先由称重部分对被测物称重,并从所拍摄的每幅被测物图像中提取激光线,计算每幅图像中被测物光切面的面积,然后根据被测物的体积和质量,按照识别算法对煤矸石进行识别,并根据识别结果向煤矸分选驱动机构发送分选信号,从而实现煤与矸石的在线实时分选。测试结果表明,该系统配合相应的执行机构能够准确地识别出煤和矸石,识别率为90%。     

基于小波变换的煤矸石自动分选方法

针对现有基于图像处理的煤矸石识别分选方法存在识别准确度较低、提取参数多、实时处理效率不高等问题,提出了一种基于小波变换的煤矸石自动分选方法。利用小波分析对采集到的煤与矸石图像进行降噪处理,并通过构造小波矩对煤和矸石进行特征提取分析,计算得到特征值,找出煤与矸石特征参数的明显差异,将其作为煤和矸石识别分选的依据。实验结果表明,该方法提高了煤与矸石在线识别分选的工作效率,准确度高。