煤与矸石图像特征分析及试验研究

为实现基于机器视觉的绿色高效、高智能化的煤矸分选。探讨了煤和矸石共420张图像的2个灰度特征和4个纹理特征的分布情况,并分别模拟生产中的光照、淋水、粉尘环境对煤和矸石进行了图像采集,研究其对煤矸图像特征的影响;此外,针对光照强弱、湿度、煤粉沾染程度和样品种类4个试验因素,对影响因素进行了量化处理,应用Box-Benhnken Design(BBD)试验设计理论设计四因素三水平试验,以样本灰度均值为响应指标,研究各因素对煤矸图像灰度值影响的显著性及其交互作用,从而得到区分煤和矸石的最明显特征。特征分析表明,煤和矸石的灰度特征比纹理特征具有更好的区分度,从灰度均值和峰值来看,6～36 W的光照条件对灰度均值影响有限,却使灰度峰值波动严重;样本表面喷雾量的增加使灰度均值和峰值大幅下降,以0.08 g的喷雾量为转折点,灰度均值呈现出先急后缓的对数曲线下降趋势;煤粉量与灰度均值呈一次线性反比关系,灰矸的线性比例约为块煤和黑矸的4～5倍;单因素试验表明灰度峰值对环境变化较为敏感,而响应面试验表明煤和矸石的灰度均值在同一水平下区分度明显。研究结果有利于推进机器视觉煤矸分选技术的应用,实现井下煤矸分选...     

基于图像处理与识别技术的煤矿矸石自动分选

矸石分选是煤矿生产的重要环节,即在煤块中将矸石挑选出来,目前我国大块矸石的分选大多采用手选,工人劳动强度大,生产效率低,工作环境恶劣,严重影响着人工的身心健康,通过采用图像处理和模式识别技术对煤块和矸石进行识别,再结合计算机技术和机械自动化技术,从而达到煤矸自动分选的目的。     

煤矿矸石自动分选中图像处理与识别技术的应用

文章以提升煤块和矸石进行自动筛选系统技术为研究目的,初步在理论上创新图像处理技术,加强人工智能技术在煤块和矸石自动筛选技术中的应用,对原始图像进行平滑滤波、边缘增强和分割等一系列处理,利用煤块和矸石的灰度直方图特征,有效筛选煤块和矸石,提升煤炭工业生产水平和技术平台。     

基于图像处理技术与InceptionV3神经网络的煤矸图像识别研究

采用支持向量机对比分析了SVM分类器与InceptionV3网络模型两种方式对煤矸图像的识别准确率。首先对煤和矸石图片进行灰度、降噪处理,提取煤和矸石灰度特征值,确定了灰度方差与灰度均值是区分煤和矸石的有效特征。然后选用SVM分类器与InceptionV3网络模型两种方式分别对采集到的煤和矸石图像各2 000张分为20组进行分类处理。结果发现,以灰度方差为判别依据的SVM分类器对煤矸图像的平均识别正确率为72.3%,以灰度均值为判别依据的InceptionV3网络模型对煤矸图像的平均识别正确率为85.7%.     

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%。     

太赫兹技术在煤与煤矸石筛选中的研究

筛选煤矸石方法中的射线成像检测方法及可见光波段检测方法分别存在高射线危害及识别准确率低的问题。通过研究分析,提出一种太赫兹煤矸石筛选系统,用于对煤炭开采中的煤矸石进行筛选。结合煤及矸石对太赫兹的透射特性差异,分别获得太赫兹透射图像,完成对透射图像的灰度统计,确定煤及矸石的灰度峰值。结合煤炭厚度得到灰度识别阈值,确立了以灰度识别阈值为判断标准的煤矸石筛选方法。     

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。     

煤与矸石识别的数字图像处理方法探讨

研究了煤和矸石图像的数字特征,通过特征提取、边缘加强、灰度比较,对图像进行了分割,得到了煤和矸石的各自区域,进行了煤和矸石的模式识别,提高了煤和矸石的自动分选率。     

基于PSO优化NP-FSVM的煤矸光电智能分选技术研究

为提高分选的稳定性和准确率,提出一种多特征融合的基于粒子群算法优化的法平面型隶属度函数模糊支持向量机(PSO-NP-FSVM)煤矸石分选方法。介绍了X射线探测识别煤矸石技术的基本原理与工作流程。对采集到的X射线图像经中值滤波去噪预处理后,分别提取灰度特征下的灰度均值、灰度方差,以及基于灰度共生矩阵的纹理特征下的能量、相关性、对比度和熵共计6个特征向量,并对选择的特征进行融合。利用法平面型隶属度函数能有效剔除孤立样本的优点,结合粒子群算法对模糊支持向量机分类器模型的主要参数进行优化,提出经优化改进后的PSO-NP-FSVM分类算法,采用相同的训练样本,与PSO-FSVM分类器模型进行仿真对比分析。最后,分别采用PSO-NPFSVM、PSO-FSVM算法与单一灰度或纹理特征进行识别的方法建立分类器模型,并通过交叉验证的方法进行对比试验。试验研究结果表明:PSO-NP-FSVM算法经56次的迭代,参数达到最优,PSOFSVM算法参数寻优需迭代63次; PSO-NP-FSVM算法的适应度函数值较小。通过多特征融合的PSO对NP-FSVM进行优化的分选方法,煤矸石的分选准确率达到93.8%,其准确率和稳定性较普通PSO-FSVM分类器模型与单一特征识别方法,均有所提高。X射线探测的光电智能分选技术是未来煤矸石分选发展的重要趋势,此方法可改善在分选过程中因煤矸厚度的影响,导致识别准确率降低的缺陷。     

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。