基于视频的带式输送机煤矸识别方法

煤的开采往往伴随着大量的矸石,工业用煤中参杂矸石会严重影响燃烧质量及效率。为提高煤和矸石的自动识别和分选效率,提出一种基于视频的带式输送机煤矸识别方法。利用背景差分法对视频帧图像进行煤和矸石的检测和标记,通过矩形框处理方法提取了检测标记的煤和矸石,最后利用灰度和纹理特征进行煤矸图像的识别。仿真实验结果表明,所提方法是可行的,可应用于带式输送机上的煤矸识别或煤矸分选。     

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%。     

基于灰度共生矩阵的煤与矸石自动识别研究

为提高煤与矸石识别率,提出了一种基于灰度共生矩阵的煤与矸石纹理特征自动识别方法。分析灰度共生矩阵的基本原理、特征参数,利用灰度共生矩阵提取煤与矸石图像的角二阶距、相关性、对比度和熵这四个特征作为纹理特征,用支持向量机进行识别,并在MATLAB上仿真实现。研究结果表明:用灰度共生矩阵提取纹理特征、用支持向量机识别的方法能有效的描述煤与矸石的纹理特征,为煤与矸石的识别和分选提供重要参考依据。     

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。     

不同照度下煤矸图像灰度及纹理特征提取的实验研究

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%。     

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%.     

基于图像处理的煤/矸密度识别系统的研究

为提高煤与矸石识别的准确性,开发了一套基于图像处理的煤/矸密度识别系统。该系统是以MATLAB为平台,针对煤/矸图像的特点,对获取的煤/矸图像进行同态滤波、中值滤波、图像分割以及形态学滤波处理,得到煤/矸的轮廓;然后利用积分算法,计算出煤/矸的体积;再利用所测煤/矸的质量,计算出煤/矸的密度,最终根据煤和矸石密度的不同实现二者的识别。试验结果表明,该方法能快速、有效地对煤和矸石进行实时检测。     

图像处理在煤矸石分选系统中的应用

煤矸石分选是煤矿生产中的重要环节。提出一种基于图像处理的煤矸石分选方法。利用搭建的图像采集系统采集煤块和矸石图像,对采集的图像进行图像剪切、图像平滑等预处理操作,计算图像灰度直方图,从中提取灰度均值和标准差指标,为分选机构提供判断依据。研究表明,煤块灰度均值明显小于矸石灰度均值,灰度均值指标能有效地识别出煤块和矸石,可代替人眼用于块煤预排矸过程。     

Relief-MRMR-SVM在煤矸图像分类的研究

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。     

煤矸分拣机器人设计与关键技术分析

煤矿智能化是实现煤炭工业高质量发展的核心技术支撑,煤矸在线分拣机器人可实现煤和矸石的自动识别与分拣,是实现煤矿智能化分选的重要装备.在总结国内外煤矸分拣机器人和煤矸图像识别技术的研究现状和成果基础上,针对煤矸自动分拣机器人分拣速度低,智能化程度不高等问题,设计了一种基于图像识别的Delta型并联机器人应用于煤矸自动分拣...     

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。     

基于多通道数据耦合技术的智能机器人系统在煤矸分选中的研究与应用

针对原煤车间苦、脏、累、险的人工拣选工作,付村煤业有限公司选煤厂采用非放射性煤矸识别技术,设计开发了集物料识别系统、执行系统、控制系统以及管理系统为一体的智能煤矸分选系统,实现矸石及煤的自动识别、自动分拣、自动煤矸分流处理。生产实践表明：该系统使煤矸分选工艺环节从落后的人工控制方式转变为高效稳定的智能控制方式,煤矸分选效率≥98%。系统运行稳定可靠,提高了选煤厂自动化、智能化程度。     

煤矸石分拣机械手的系统设计及实验模拟

在煤炭开采的同时会产生大量的煤矸石,其产量约占原煤的1/6,严重降低了煤炭的质量,因此煤矸石的分选是煤炭生产过程中必不可少的环节。当前,国内研究出多种小、中、大型煤矸石不同的原料分选设备的工作原理,而煤矸智能分选是我国煤炭企业实现煤矿智能化的重难点之一。文章设计的矸石分拣机器人是一种用于中小型分选原料的悬挂多臂式分选装置。矸石分拣机器人采用自动识别分选矸石的工作原理,对矸石进行智能自动分选,能满足分选粒径为80～300 mm的小、中、大煤矸石的分选要求。该设计将会大幅度降低工人的工作强度,极大地提高煤矸分选的效率,从而提高原煤的质量。     

煤矸智能分选的机器视觉识别方法与优化

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。     

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。     

基于图像处理技术的煤和矸石自动分选研究

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．     

基于视觉技术的煤岩特征分析与识别

为研究煤岩自动识别技术,提出了一种基于视觉技术的煤岩特征分析与识别方法。首先根据煤和岩石图像分析煤岩纹理差异;然后根据灰度共生矩阵分别计算煤和岩石纹理特征向量;最后选择计算出的纹理特征向量作为神经网络输入来分别识别煤和岩石2种情况。实验结果表明,煤和岩石纹理特征值差别较大,采用能量、对比度、相关性和熵作为特征向量均可实现煤和岩石自动识别,且以熵值作为特征向量的煤岩识别效果最好。     

基于分形维数及细观孔隙结构特征的煤矸石识别研究

为进一步提升基于图像特征的煤矸石分选识别率,将分形维数的分析方法与图像处理和识别技术相结合,选取煤矸石图像的细观孔隙结构特征作为主要研究对象和识别特征。在运用图像处理技术对煤矸石图像进行处理后,最大化地凸显了煤矸石图像细观孔隙结构特征,通过对部分样本的孔隙结构进行初步特征测定和比对,运用分形几何理论对自然形态自相似性特征的描述能力,对煤矸石图像的细观孔隙结构进行分形维数计算,进一步凸显了煤矸石图像在细观孔隙结构特征上的差异,最后将灰度特征、纹理特征和细观孔隙结构特征结合进行识别分类,最终得到较高的识别率,这为结合分形维数的煤矸石识别技术的进一步研究和应用奠定了基础。     

井下煤和矸石液压式自动分选技术

针对当前煤矿生产过程中,煤炭出井后进行煤、矸分选,排放大量的矸石,介绍了一种井下煤、矸石自动分选方法,该方法利用煤、矸石的破碎力不同,采用液压旋转分选油缸对煤、矸石进行破碎性自动分选,实现煤炭开采过程中,在井下直接把矸石分选出来,将矸石留在井下。