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。     

低位综放开采顶煤放出率与含矸率的关系

进行了考虑煤矸破碎块度沿厚度方向变化的散体模型放煤工艺试验研究,分析了低位综放开采的煤矸流动形态特征及过量放煤对煤矸分界线形态的影响,研究了混矸程度与顶煤放出率的关系,提出了顶煤拐点放出率的概念;研究了放煤过程中煤矸流中矸石比例的变化规律,分析了过量放煤对后续放煤的影响.在放煤过程中可以将放煤口煤矸流中矸石的比例为1/3作为终止放煤的依据,对应的顶煤放出率可达94％,含矸率为10％左右,增加一定的含矸率可大幅度提高顶煤放出率.放煤口煤矸流中矸石的比例最大不能超过1/2,否则,增加含矸率对提高顶煤整体放出率的作用降低,且不利于后续放煤.     

增设矸石再洗工艺的实践及效果

介如了七煤集团公司选煤厂通过增设矸石再洗工艺 ,减少了矸石中含煤率 ,提高了经济效益。     

对放顶煤开采时顶煤回收率及含矸率的分析

通过相似模拟实验及理论分析,较详细地论述了影响顶煤回收率及合矸率的因素、放顶煤过程中矸石混入来源;给出了各部分放出矸石量、回收率与含矸率的理论计算式,以及判别放出矸石来源的判别式;提出应以顶煤实际回收率及含矸率来评价顶煤放出效果.各矿应根据具体条件确定其经济合理的顶煤回收率及合矸率指标,以获得最佳经济效益.     

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。     

Z56151工作面煤和矸石的密度及煤矸比确定

Z56151工作面的煤层有夹矸层,采煤时不可避免会有矸石和煤一起采出,为测试工作面的煤密度和矸石密度,以及采出的煤矸比,拟采用实验室测试的方法确定采出的煤矸比。实验室制备煤和矸石试样各30组,对60组试样进行测试,得到煤的密度为1 434 kg/m~3,矸石密度为1 962 kg/m~3。最后建立煤矸比的求解模型,根据已知数据和实验室测试的数据,计算得到煤在混合料中的百分比为81%,矸石的百分比为19%,混合料中的煤矸比大约为4∶1。     

弹道式煤矸分选中煤矸石恢复系数的数值计算

为使弹道式煤矸分选技术更方便用于实际生产,解决煤和矸石恢复系数实验测量不便的问题,通过对煤和矸石与反弹板接触过程的分析,采用线性阻尼接触过程模型对碰撞振动过程进行研究,得到煤和矸石与钢质反弹板碰撞恢复系数的数学表达式;并分析了影响恢复系数的因素,绘制出二者的关系曲线.     

井下机械化煤矸分选充填采煤技术分析与应用

为解决矿井极薄煤层保护层开采过程中原煤含矸率高、矸石运输压力大、矸石堆积和地表沉陷等难题,在工程实践的基础上研究了井下煤矸分选系统与充填采煤系统的运行机理,分析得到了制约充填效果的关键因素及其控制措施,并系统阐述了井下采掘、煤矸分选和充填开采一体化技术的系统布置及其特点。工程实践结果表明,经井下洗选得到的精煤与矸石分别进入煤仓和充填采煤系统,原煤灰分由70%降至25%,极薄煤层单一回采工作面每年多回收煤炭资源3万t、节约运费405万元,同时有效地控制了地表沉降和矸石堆积,经济、社会与环境效益显著。     

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。     

低热值煤再回收工艺的创新研究与应用

针对矸石带煤率高、中煤发热量不能满足电厂要求的问题,山东新阳能源有限公司选煤厂通过对矸石进行分析化验,发现碎矸发热量较高,提出一种可以将矸石中低热值煤再回收利用的工艺,将分级后6 mm粒级的矸石合理掺配进入中煤产品。生产实践表明,该工艺保证了中煤发热量要求,提高了经济收入;降低了矸石带煤率,减少了资源损失。     

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。     

露天煤矿边坡稳定性预测的PSO-LSSVM模型

边坡工程是露天煤矿中的重点工程,边坡的稳定性关系着煤矿的安全生产。针对煤矿边坡工程稳定性预测的复杂性,将粒子群算法和最小二乘支持向量机结合,使用粒子群优化算法寻找最小二乘支持向量机的最优参数,选取煤矿边坡工程中岩石重度、粘聚力、内摩擦角、边坡角、边坡高度、孔隙水压力和振动系数等七项因素为边坡稳定性的影响因素,建立了PSO-LSSVM的煤矿边坡稳定性预测模型。利用煤矿实测30组边坡稳定性数据进行学习训练,另用12组数据进行测试,同时与LSSVM测试数据进行比较,验证了PSO-LSSVM在煤矿边坡稳定性预测中有较高的准确度。     

基于GS-PSO-SVM的边坡稳定性预测模型

针对传统边坡稳定性预测模型的不足,提出一种基于网格搜索和粒子群优化的支持向量机模型（GS-PSO-SVM）。为了解决支持向量机参数选取问题,先利用网格搜索法粗略寻优确定参数范围,然后利用粒子群二次寻优。利用该模型对边坡实例预测,39个实例样本中,30个为训练样本,剩下9个作为预测样本,以岩石重度、黏聚力、内摩擦角、边坡角、边坡高度、孔隙水压力6个边坡稳定性影响因素作为输入,边坡稳定性状态作为输出,预测结果与单独的网格搜索法、粒子群算法和遗传算法优化的支持向量机模型对比。结果表明,GS-PSO-SVM模型分类准确率100%,有更好地预测精度和更高的预测效率,该模型能有效的对边坡稳定性状态预测。     

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%。     

带式输送机故障准确诊断方法

针对带式输送机运行过程中的典型故障,提出了一种基于特征级与决策级的双层融合故障准确诊断方法。建立了带式输送机故障诊断信息融合模型,提取带式输送机故障信息的基本特征和小波包特征,实现特征级融合,并使用量子粒子群优化的核极限学习机与支持向量机2种分类器进行特征级的故障诊断;采用D-S证据理论将2种分类器的特征级故障诊断结果再融合,实现决策级的故障诊断。利用2种分类器的概率输出构造基本概率赋值函数,有效解决了D-S证据理论中基本概率赋值函数的构造。搭建带式输送机实验台,使用MATLAB进行实验验证,结果表明该方法的故障识别准确率可达97%,提高了故障诊断的准确度。     

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。     

淮南顾桥矿区绿色矿山建设探讨

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。

     

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。     

基于SVM的煤与瓦斯突出预测模型及应用

为有效预测矿井内煤与瓦斯突出的危险程度,对其影响因素做了分析与探讨,分别构建了基于粒子群优化算法以及遗传算法支持向量机的煤与瓦斯突出预测模型,并且通过实例对两种模型预测的准确性进行了验证。分别利用单项以及综合指标、BP神经网络以及PSO-SVM模型、GA-SVM模型,对寺河煤矿二号井的突出区域进行预测比较。结果表明,PSO-SVM的预测模型不仅可以在小样本数据中预测出煤与瓦斯突出程度的大小,而且综合预测结果更加精确,其在解决矿井内煤与瓦斯突出的小样本数据中显示出更加强大、通用的性能。     

基于光学图像的煤矸石识别方法综述

基于光学图像的煤矸石识别方法具有设备简单、易实现、绿色环保等优势,是实现智能化煤矸石分选的重要途径。该类方法分为两种研究路径,一种是需要人为提取特征进行识别的路径,一般包括煤矸图像数据采集、图像预处理、特征选择与提取和煤矸识别|另一种是利用深度学习神经网络进行自主提取特征识别的路径。文章对这两种研究路径的各类方法进行了总结,指出现有识别方法存在煤矸图像数据集不完备不充分、特征理解不全面不深入、识别方法无法兼顾高效与实时性等缺点,给出进行高效煤矸石识别的建议。