共查询到20条相似文献,搜索用时 31 毫秒
1.
研究煤和矸石在不同照度下的响应特性,设计了差异照度煤矸图像采集系统,进行了煤矸图像采集实验,建立了煤矸灰度子图像数据库,对数据库中的子图像的灰度、纹理特征进行了提取,通过定义归一化特征差异指数以及基于支持向量机(SVM)对实验数据进行了分析与讨论。结果表明:在同一照度下,煤和矸石在灰度及纹理特征上存在差异,且随着照度的改变,煤和矸石的特征也发生变化,同时两者的变化规律存在显著差异。基于不同特征的SVM分类器的识别正确率不同,照度的变化也会对分类器的识别正确率产生影响;当考虑照度因素后,分类器的识别正确率最大增加了13.31%,此外基于多特征多照度融合的SVM分类器性能较好,识别正确率为98-39%。 相似文献
2.
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。 相似文献
3.
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... 相似文献
4.
5.
6.
针对传统选煤方法在煤矸识别上效率低、错选率高等问题,提出了视觉图像加卷积神经网络的煤和矸石识别新方法。在团队研发的煤矸分拣机器人平台上采集了煤矸图像数据并进行了扩充处理。以卷积神经网络VGG_16为基础设计改进了模型,通过设置不同的模型参数验证了其在煤和矸石识别上的性能。结果表明,新模型能在占用很少的硬件资源下达到较高的煤矸识别率,当网络学习率设置为0.000 1和正则化系数设置为0.001时模型的性能达到最优,训练集和测试集的识别准确率分别达到了99.73%和97.58%。 相似文献
7.
8.
9.
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。 相似文献
10.
针对传统基于图像处理的煤矸识别方法存在速度、效率低、精度起伏大及难以实际应用等问题,提出了一种改进型轻量级深度识别网络模型的煤矸识别方法,以MobileNetV3-large模块结构为基础,在保证模型参数体积及复杂度较少增加的前提下,对网络模型的性能做进一步的提升,使之能够更加适应开采或选拣的实际生产环境。首先在模型中采用CBAM注意力机制模块,该模块相比原模型中的SE模块具有更高的表征能力,能够更好提升网络对煤和矸石图像中感兴趣区域的复杂像素信息特征提取能力。然后通过对训练数据集采用颜色、位置以及图像模糊等相应的复杂图像增强技术进行处理,一方面增加识别模型对煤矸识别复杂生产环境的泛化能力,降低网络的过拟合风险,另一方面完成对数据集的进一步扩增,通过以上方法最终获得改进的轻量级深度识别网络模型。最后将改进的模型应用于煤矸识别技术研究与实现。试验结果表明:基于改进型轻量级深度识别网络模型的煤和矸石识别方法模型结构简单、网络易训练、易嵌入使用且识别精度高。在对煤和矸石识别的测试中精度相对原模型提高了2.3%,达到了97.7%,召回率提高了2%,达到97.8%,对于提高采煤和选煤工作面的自动... 相似文献
11.
高准确率的煤矸自动识别对综放开采智能放煤至关重要。针对灰度差异较小的难辨别煤矸种类,提出了“液体介入+红外检测”的煤矸识别新思路,进行了不同混合度下液体介入煤矸识别试验,获得了不同时刻煤矸混合试样的红外图像,借助ImageJ图像处理软件定量计算了煤矸图像的混合度,深入分析了煤矸混合度、介入时间、图像处理方法对液体介入煤矸识别准确率的影响,并从红外温变速率场的角度探讨了提高液体介入煤矸识别准确率的技术路径。研究结果表明:“液体介入+红外检测”方法可有效提高难辨别煤矸识别准确率。不同的煤矸混合度条件下,液体介入后红外图像中煤样所在区域均出现显著温降现象,可作为煤矸混合度自动识别的基础。当混矸率较低时,煤样温度在煤矸红外图像变化中起控制作用;当混矸率小于20%时,煤矸识别准确率随混矸率增大而增大,液体介入后10 s内的平均准确率约85.78%;混矸率在20%~60%内识别准确率较高且较为稳定,平均准确率约为94.38%,且液体介入时间对其影响很小,高准确率区域呈现“倾斜条带状”分布特征。当混矸率大于60%后,不同处理方法的识别准确率均值随混矸率增大呈下降趋势且离散性急剧增加;煤矸图像平均红外... 相似文献
12.
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。 相似文献
13.
14.
15.
16.
针对目前主流的煤矸分选方法存在资源浪费大、环境污染重、分选效率低等问题,提出了一种多机械臂协同的煤矸分拣机器人,重点研究了该机器人的多动态目标多机械臂协同煤矸分拣方法。为了解决工业现场环境下的矸石识别问题,提出了一种基于深度学习网络的煤矸快速识别方法,实现了拣矸带式输送机上煤矸石流的实时识别,有效提高了其综合准确率;采用双目视觉技术,实时获取矸石的相对坐标和深度信息,并研究相应的三维信息误差分析与误差补偿方法,为机械手的煤矸分拣提供依据;为了实现分拣模块中多矸石的高效分拣,提出一种多动态目标多机械臂协同的煤矸分拣策略和相应的分拣流程,实现了机械臂矸石拣取轨迹的自主规划。试验结果表明:所提煤矸快速识别和定位方法对煤矸混合样本下的目标识别准确率达到76.92%;多臂协同分拣方式相对单臂方式显著提升了煤矸分拣效率。基于多机械臂协同的煤矸分拣机器人可实现煤和矸石的自动化和智能化分选,降低煤炭分选的投资和生产成本,提高煤炭质量。 相似文献
17.
18.
为解决现有机器视觉煤、矸石识别算法感受野小、特征提取能力低和训练收敛速度慢的问题,提出一种嵌入空洞卷积和批归一化模块的智能煤矸识别算法。该算法利用空洞卷积替换VGGNet16网络中尺寸为3×3的卷积核,增大卷积核感受野、提高网络的特征提取能力,同时在卷积层和激活层之间嵌入批归一化模块,在避免梯度消失的同时可加快模型训练收敛速度。利用搭建的实验装置采集煤和矸石图片,制作煤和矸石图像数据集,对模型进行训练,并基于浮点运算次数FLOPs和F1分数对模型的训练结果和预测效果进行评价。实验结果表明,改进后的煤矸识别算法FLOPs为71 632 538次,测试集F1分数为0.994 3,训练在第5个周期即收敛且准确率达到97%以上。通过与其他网络模型训练结果进行对比,说明所建模型具有较快的收敛速度且预测效果较好。
相似文献19.
放煤量的智能监测技术是智能化综放开采发展的方向之一。针对厚煤层综放开采混合介质下落过程煤矸智能识别现有方法存在适用范围窄、误判率高等问题,提出一种基于实时区域卷积神经网络(Faster R-CNN)改进的CBAM Faster R-CNN煤矸混合放出状态分析识别方法。该方法以综放开采工作面煤矸石下落状态为背景,将注意力机制算法(CBAM)融入ResNet50特征提取网络,研究了注意力机制融合于ResNet50主干特征提取网络的融合优化方法,确定了以煤矸石下落状态检测为目标的最佳融合位置,增加了提取煤与矸石权重信息的能力,使得特征提取过程重点关注煤矸运动状态参量;构建了粉尘环境下综放开采煤矸混合放出状态试验平台,对高速摄像机所采集的煤矸原始运动图像进行暗通道去雾与模糊集增强预处理操作,分析识别不同工况下静态图像,定量研究了模型权重优化以及粉尘环境预处理对煤矸混合放出状态识别的影响。研究结果表明:基于CBAM Faster R-CNN模型的预处理图像识别精确率较原始图像提升了8.84%,召回率提升了6.68%;模型优化效果方面,CBAM Faster R-CNN模型平均查准率和召回率分别为... 相似文献
20.
提出了基于图像灰度平均值和灰度共生矩阵对煤矸进行分选的方法,先对图像进行预处理,通过实验提取出特征参数并进行分类方程的构造,再用分类方程对煤矸进行分选,在光照均匀和煤矸不重叠等实验室条件下,分割和识别效果都较理想. 相似文献