基于图像处理的煤矸识别方法

综合考虑煤和矸石图像的灰度特征和纹理特征,在对图像进行滤波、增强等预处理后,筛选出灰度直方图的均值、峰值,GLCM的能量、对比度和熵,Tamura纹理的对比度这6个特征组成特征向量,送入LS-SVM进行识别。研究结果表明：基于3种特征结合的LS-SVM煤矸识别有效地提高了识别率。     

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。     

面向煤矸分拣机器人的煤矸识别定位系统研究

随着煤炭分选行业对智能化干分选煤技术需求和煤矸图像识别方法需求的增长,研究煤矿复杂分选条件下煤矸混合特征图像的识别方法显得愈发重要.依据深度学习、图像识别和无线通信等理论,设计基于卷积神经网络的煤矸识别定位系统.根据煤矿分选过程的复杂条件,分析煤矸表面特征的5种状态类别,构建煤矸数据集.基于迁移学习的改进AlexNet...     

X射线煤矸识别过程中图像分割精度研究

为了提高X射线煤矸智能识别过程中机器对成像后图片矿物区域信息提取的精度,先选取煤和矸石中石墨、石英、高岭土、蒙脱石四种主要矿物,分别在X射线下成像,得到高能区、低能区成像图片,将图像转化为灰度图像,用迭代式阈值分割、大津阈值分割(OTSU阈值分割)、全局阈值分割、最大熵阈值分割、交叉熵阈值分割算法对图像进行分割,同时用...     

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。     

基于改进YOLOv3的煤矸识别方法研究

煤矸识别技术对实现煤和矸石自动分选具有重要意义,而现有的图像识别算法在实用性、准确率方面无法满足实际需求。基于图像处理技术和深度学习技术,提出一种基于改进YOLOv3的煤矸识别方法,针对煤矸识别目标小、辨识度低等问题,对原始YOLOv3的网络结构及损失函数进行了改进,用训练生成的模型在测试集上进行识别测试。测试结果表明：改进的YOLOv3-M在小样本上,可在短时间内使模型快速收敛,单张图像识别时间为21.6 ms,识别准确率为95.4%,能适应不同环境下的煤矸样本,可实现实时检测识别。     

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。     

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。     

DSP TMS320C6701在煤与矸石图像识别中的应用

介绍了采用以DSP TMS320C6701芯片为核心构建的煤与矸石的识别系统。利用高性能TMS320C6701 DSP作图像处理器,利用CCD摄像头对煤炭输送带进行监测,通过图像采集卡,将拍摄到的连续图像输入到计算机,不断进行图像分析和处理,将煤块和矸石区分,并用MATLAB给出了仿真结果。     

基于特征点的煤矿图像拼接技术的研究

将图像拼接技术引入到煤矿领域。结合煤矿井下环境的特点,提出了一种稳健的基于曲率尺度空间的拼接(CSSM)算法。该算法使用改进后的自适应阈值CSS角点检测算法提取特征点,利用相似测度NCC提取初始特征点对,并通过RANSAC删除伪匹配对,达到精确匹配,通过渐入渐出融合法实现无缝拼接。     

井下煤和矸石选择性破碎研究

为了解决不同物料的选择性破碎问题,以井下煤和矸石破碎分离机为例,采用液压式选择性破碎的方法,结合对辊破碎机的结构,从破碎辊筒运动与液压缸受力的角度进行分析,确定了选择性破碎的条件,并导出了液压缸推力与物料抗压强度、物料粒度、物料与辊筒接触状况以及辊筒结构之间的数学表达式,为后续设计高效率选择性破碎机提供了理论依据。     

基于SVM的矸石山分布信息提取方法

以钱营孜矿区工业广场附近矸石山为例,采用EROS-B高分辨率遥感影像与日本ALOS多光谱影像融合后的影像作为数据源,利用MNF变换和小波变换对图像进行去噪,然后运用SVM方法对实验区内的矸石山信息进行提取.实验结果表明,采用径向基函数的SVM模型能快速准确地提取矿区矸石山分布信息,提取精度达到了80.59％,提取的信息...