X射线透射煤矸智能识别方法

煤矸图像识别是基于伪双能X射线透射（XRT）的煤矸分选技术重要环节。受煤矸紧贴或遮挡导致煤矸图像难以分割和基于人工阈值判别易导致煤矸分类识别错误影响,现有的煤矸识别方法精度不高。提出一种XRT煤矸智能识别方法。采用感受野模块（RFB）与U-Net模型相结合的模型（RFB+U-Net模型）实现伪双能X射线煤矸图像有效分割,解决了因煤矸紧贴或遮挡情况而影响识别精度的问题;以煤矸图像灰度特征中的低能图像灰度最小值、纹理特征中的低能图像锐化最小值和锐化均差为煤矸识别特征,采用多层感知机（MLP）模型实现煤矸识别。实验表明：RFB+U-Net模型的煤矸分割准确率、煤矸粒度精度、煤矸像素均交并比等指标及图像分割效果均优于活动区域模型、U-Net模型、SegNet模型,且模型推理时间较短,满足煤矸图像分割实时性要求;MLP模型隐藏层数量为8时,在2组测试集下的煤矸识别平均准确率均为87%以上;在相同数据集及实验条件下,MLP模型的煤矸识别平均准确率、排矸率均高于基于贝叶斯分类器、支持向量机、逻辑回归、决策树、梯度提升决策树、K近邻算法的模型,且矸石带煤率不超过3%,满足实际煤矸干法分选要求。     

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。     

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%。     

基于Q-learning模型的智能化放顶煤控制策略

传统的综放工作面放顶煤控制存在顶煤采出率低、出煤含矸率高等问题,而现有智能决策方法又存在建模困难、学习样本难以获取等障碍。针对上述问题,在液压支架放煤口动作决策过程中引入强化学习思想,提出一种基于Q-learning模型的智能化放顶煤控制策略。以最大化放煤效益为主要目标,结合顶煤放出体实时状态特征及顶煤动态赋存状态,采用基于Q-learning的放顶煤动态决策算法,在线生成多放煤口实时动作策略,优化多放煤口群组协同放煤过程,合理平衡顶煤采出率、出煤含矸率的关系。仿真和对比分析结果表明,该控制策略的顶煤平均采出率为91.24%,比传统"见矸关窗"的放煤方法提高约15.8%;平均全局奖赏值为685,比传统放煤方法提高约11.2%。该控制策略可显著减少混矸、夹矸等现象对放煤过程的影响,提高顶煤放出效益,减少煤炭资源浪费。     

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。     

综放工作面智能放煤工艺研究及应用

传统的放顶煤控制主要依靠人工放煤控制,采用单轮顺序放煤。配有电液控制系统的工作面主要采用程序控制与人工补放结合的双轮顺序放煤方式,如果放煤控制实施不充分,会大幅降低煤炭采出率,如果放煤过程中掺有大量矸石,会降低煤炭的开采质量。针对上述问题,研究了综放工作面智能放煤工艺。分析了综放工作面自动化放煤工艺流程,指出要实现智能放煤工艺,需要在自动化放煤工艺的基础上,对综放工作面采煤机、液压支架、刮板输送机等设备进行智能升级,即在综放支架上安装音视频监视系统,监测是否有大块煤堵住放煤口、影响顶煤放出等异常情况;在后部刮板输送机安装电动机电流监测系统,实现放落煤流的自动控制,同时具备人工干预功能,即补放和停放功能;在带式输送机机尾处安装灰分检测系统对灰分是否增多进行在线分析;在综放支架上安装基于振动传感器的煤矸识别装置,根据振动传感器数据分辨矸石下落量,辨识是否有严重混矸情况。结合智能放煤工艺流程,为王家岭煤矿12309综放工作面定制了智能放煤方案:基于自动化顺序放煤与间隔放煤工艺、振动信号的煤矸识别控制和人工放落煤流控制技术实现该工作面智能化放煤,实际应用结果验证了智能放煤工艺的有效性。     

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。     

基于小波和独立分量分析的煤矸界面识别

为了解决综采工作面放顶煤开采过程中煤矸界面识别问题,给出了一种基于小波去噪和独立分量分析相结合的煤矸放落声信号特征提取算法.利用小波分析对传声器实时采集的声信号进行降噪处理,提高信噪比.利用独立分量分析方法片煤矸混合声信号进行盲源分离,分别提取出煤和矸石的独立声谱特征信号.选取该信号的统计特征值作为神经网络分类器的输入...     

自动化放煤控制系统研究

针对综采放顶煤工作面后端的综放工作面采用人工放煤控制方式,与综采放顶煤工作面前端的综采工作面自动化水平差距较大的问题,研究了一种自动化放煤控制系统。根据放顶煤液压支架上安装的倾角传感器和前后部刮板输送机千斤顶中的行程传感器,控制液压支架放煤机构位姿,实现放煤量精准控制;通过在液压支架尾梁上安装云台摄像仪和红外发射器,对放煤全过程进行实时视频监视,实现后部刮板输送机运煤量和直线度的检测与控制;利用图像灰度识别技术进行煤矸识别,检测采出顶煤的含矸率。该系统提高了放煤效率和质量,为实现综采放顶煤工作面无人化提供了思路。     

基于YOLOv5s-SDE的带式输送机煤矸目标检测

传统的煤矸图像检测方法需要人工提取图像特征,准确率不高,实用性不强。现有基于改进YOLO的煤矸目标检测方法在速度和精度方面有所提升,但仍不能很好地满足选煤厂带式输送机实时智能煤矸分选需求。针对该问题,在YOLOv5s模型基础上进行改进,构建了YOLOv5s-SDE模型,提出了基于YOLOv5s-SDE的带式输送机煤矸目标检测方法。YOLOv5s-SDE模型通过在主干网络中添加压缩和激励（SE）模块,以增强有用特征,抑制无用特征,改善小目标煤矸检测效果;利用深度可分离卷积替换普通卷积,以减少参数量和计算量;将边界框回归损失函数CIoU替换为EIoU,提高了模型的收敛速度和检测精度。消融实验结果表明：YOLOv5sSDE模型对煤矸图像的检测准确率达87.9%,平均精度均值（mAP）达92.5%,检测速度达59.9帧/s,可有效检测煤和矸石,满足实时检测需求;与YOLOv5s模型相比,YOLOv5s-SDE模型的准确率下降2.3%,mAP提升1.3%,参数量减少22.2%,计算量下降24.1%,检测速度提升6.4%。同类改进模型对比实验结果表明,YOLOv5s-STA与YOLOv5s-Gho...     

煤矸石图像分类方法

针对人工排矸法、机械湿选法、γ射线分选法等传统煤矸石分选方法无法兼顾快速高效性、安全无害性、简单操作性的问题,提出了基于机器视觉的煤矸石图像分类方法。对煤矸石图像进行增强、平滑去噪等预处理,采用基于距离变换的分水岭算法实现煤矸石图像分割提取。针对煤矸石分割图像,选取煤矸石图像的HOG特征及灰度共生矩阵,分别以支持向量机、随机森林、K近邻算法作为分类器进行基于特征提取的煤矸石分类识别;分别建立浅层卷积神经网络和基于ImageNet数据集预训练的VGG16网络,进行基于卷积神经网络的煤矸石分类识别。研究结果表明,基于VGG16网络的煤矸石图像分类方法准确率最高为99.7%,高于基于特征提取方法的91.9%和基于浅层卷积神经网络方法的92.5%。     

基于多级纹理频谱特征与PCA的人脸识别算法

针对主成分分析(PCA)算法在人脸识别中识别率低的问题,提出一种图像纹理频谱特征与PCA相结合的人脸识别算法。该算法利用纹理单元算子提取人脸图像纹理频谱特征,然后用PCA对所提取的特征降维,最后利用最近邻(KNN)分类器进行人脸识别。在ORL人脸库和Yale人脸库上对所提出的算法进行了测试,识别率均高于PCA、模块化二维PCA(M2DPCA)等方法,分别为96.5%和95%。实验结果表明了该算法的有效性和准确性。     

煤矸石识别方法研究现状与展望

从煤矸石识别特征出发,对煤矸石识别方法的研究现状进行了总结,列举了密度识别法、硬度识别法等以密度、硬度等为识别特征的煤矸石识别方法,以及射线识别法、图像识别法等以灰度、纹理为识别特征的煤矸石识别方法的代表性研究成果,并对比了各种识别方法的特点。对煤矸石识别方法的研究方向和途径进行了展望,提出应全面分析、理解煤矸石的特征差异,研究符合煤矿绿色发展要求的煤矸石识别方法、快速高效的煤矸石图像识别方法、融合和创新现有方法的新型煤矸石高效识别方法。     

一种融合小波变换与卷积神经网络的高相似度图像识别与分类算法

针对特定领域高相似度图像识别与分类问题,提出融合小波变换与卷积神经网络的高相似度图像识别与分类算法。首先,利用小波变换提取图像纹理特征,对不同类别、不同分辨率图像集进行训练并确定最佳纹理差异度参数值;其次,根据纹理差异度运用小波分解方法对图像进行子图分解,提取各子图能量特征并进行归一化处理;接着,通过卷积神经网络5层卷积和3层池化交替,将输入图像特征向量转化为一维向量;最后,通过训练次数的增加以及数据量的增大,不断优化网络参数,提高在训练集中的分类准确度,在测试集中验证权值实际准确度,得到具有最高分类准确率的卷积神经网络模型。实验选取鸡蛋、苹果两类图像数据集作为实验数据,进行鸡蛋散养或圈养识别、苹果产地判定,实验结果表明：该算法平均鉴别准确率均达90%以上。     

基于纹理特征的矾花图像自动识别方法

为了实现自来水厂沉淀池加料系统的自动控制,针对矾花图像自动识别部分,提出一种采用纹理分析方法,提取矾花图像的纹理特征,然后组合这些特征,构造一种先级联再并联的多分类器组合结构,实现矾花图像的自动识别。实验证明,该算法准确度大、识别率高达97%,可靠性达99%,能满足实际系统的要求。     

偏振编码方式的LDP人脸识别算法

目的 局部二值模式(LBP)作为一种简单高效的纹理特征描述算子,被广泛地应用在纹理分类和人脸识别中。针对LBP及其改进算法局部导数模式(LDP)对噪声敏感的问题,以及仅利用局部像素差分的符号信息进行二值量化提取的纹理特征信息单一的问题,提出一种基于偏振编码方式的LDP改进算法。方法 首先,提取改进的LDP局部一阶差分信息;然后,构建人脸Stokes矢量图像;其次,按照偏振方位角的编码方式提取人脸图像的多方向纹理特征;最后,分块加权统计各子块的直方图向量得到最终的人脸特征向量。结果 在ORL和YALE两个人脸库中进行实验,得到97.4%,92.22%的正确识别率,所用时间与LBP和LDP算法相差无几。当样本数目较大时,复杂度低于LBP方法。在存在高斯噪声和椒盐噪声的情况下,分别得到了93.88%、86.27%和96.13%、84.71%的识别率,均高于LBP算法和LDP算法。结论 本文提出的偏振编码方式的人脸识别算法提取的人脸纹理特征更加丰富,即使在噪声干扰下仍具有较高的识别率,并且对于其他的纹理分类、目标识别也具有一定的参考价值。     

基于流形学习的光学遥感图像分类

随着光学遥感图像技术的快速发展与广泛应用,对光学遥感图像的准确分类具有深远的研究意义。传统特征提取方式提取的高维特征中夹杂着许多冗余信息,分类过程可能导致过拟合现象,针对传统的线性降维算法不足以保持原始数据的内部结构,容易造成数据失真这一问题,提出基于流形学习的光学遥感图像分类算法。该算法首先提取出图像的SIFT特征,然后将流形学习运用于特征降维,最后结合支持向量机进行训练和识别。实验结果表明,在Satellite、NWPU和UCMerced实验数据中,冰川、建筑群和海滩分类精度得到了有效提高,达到85%左右;针对沙漠、岩石、水域等特殊环境遥感图像,分类精度提高了10%左右。总而言之,基于流形学习的分类算法对通过降维之后的数据能够保持在原高维空间中的拓扑结构,相似特征点能得到有效聚合,预防了"维数灾难",减少了计算量,保证了分类精度。     

基于支持向量机和纹理特征的人脸识别

提出了一种基于支持向量机和纹理特征的识别方法及框架模型。即在研究支持向量机理论的基础上,采用支持向量机的分类算法实现人脸识别系统的训练和测试,并将图像的纹理特征技术应用于人脸识别的预处理中。实验表明支持向量机和纹理特征相结合可以获得较好的识别率。     

融合Gabor 特征与投影字典对学习的#br# 人脸识别算法

为了获得更好的人脸特征,有效地提高算法的识别率,提出了一种联合Gabor 特征 与投影字典对学习的人脸识别算法G-DPL。算法使用Gabor 小波提取人脸图像的局部特征,对特 征向量使用PCA 与LDA 的方法进行降维。将投影字典对学习算法与降维后的Gabor 特征融合, 然后进行分类识别。提出的G-DPL 算法在ORL 库上整体识别率达到99.00%,特征维数为39 维。 在AR 库上识别率达到96.14%,特征维数为99 维。提出的G-DPL 算法在占用较少空间的同时能 够获得更高的识别率,对实际应用具有一定的参考价值。     

基于LBP特征的人脸图像识别

提出了一种基于LBP算子和Isomap相结合的人脸图像识别算法。利用[ε]-LBP算子提取人脸图像纹理特征,然后用Isomap对高维的纹理特征进行数据降维,得到人脸数据的本质几何结构。最后将降维后的数据作为分类器的输入进行人脸分类识别。实验结果表明,该算法能够对人脸图像进行良好的分类识别,尤其是小样本的情况下。