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%。     

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PSO优化NP-FSVM的煤矸光电智能分选技术研究

为提高分选的稳定性和准确率,提出一种多特征融合的基于粒子群算法优化的法平面型隶属度函数模糊支持向量机(PSO-NP-FSVM)煤矸石分选方法。介绍了X射线探测识别煤矸石技术的基本原理与工作流程。对采集到的X射线图像经中值滤波去噪预处理后,分别提取灰度特征下的灰度均值、灰度方差,以及基于灰度共生矩阵的纹理特征下的能量、相关性、对比度和熵共计6个特征向量,并对选择的特征进行融合。利用法平面型隶属度函数能有效剔除孤立样本的优点,结合粒子群算法对模糊支持向量机分类器模型的主要参数进行优化,提出经优化改进后的PSO-NP-FSVM分类算法,采用相同的训练样本,与PSO-FSVM分类器模型进行仿真对比分析。最后,分别采用PSO-NPFSVM、PSO-FSVM算法与单一灰度或纹理特征进行识别的方法建立分类器模型,并通过交叉验证的方法进行对比试验。试验研究结果表明:PSO-NP-FSVM算法经56次的迭代,参数达到最优,PSOFSVM算法参数寻优需迭代63次; PSO-NP-FSVM算法的适应度函数值较小。通过多特征融合的PSO对NP-FSVM进行优化的分选方法,煤矸石的分选准确率达到93.8%,其准确率和稳定性较普通PSO-FSVM分类器模型与单一特征识别方法,均有所提高。X射线探测的光电智能分选技术是未来煤矸石分选发展的重要趋势,此方法可改善在分选过程中因煤矸厚度的影响,导致识别准确率降低的缺陷。     

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。     

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。     

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。     

不同混合度下液体介入难辨别煤矸红外图像识别准确率

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...     

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。     

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。     

Working condition recognition based on an improved NGLDM and interval data-based classifier for the antimony roughing process

Texture, as one of the most important features of the froth surface, is considered closely related to flotation working conditions and the production index. A working condition recognition method based on an improved neighboring gray level dependence matrix (NGLDM) and interval data classifier is proposed for the antimony roughing process. First, an improved NGLDM is presented for an image. Next, a new composite texture is defined that associates the bubble characteristics of size, shape, and roughness with a froth image. Finally, combined with the ore grade, the numerical intervals representing the extracted composite textures are adopted for off-line classification and on-line recognition by a support vector machine (SVM) classifier for froth images under different working conditions. Experiments show that the new composite texture feature extractor using the improved NLGDM has greater stability, separability and classification accuracy than the normal texture feature extractor using NGLDM does. Therefore, the interval data-based SVM classifier is feasible and effective for working condition recognition in the antimony roughing process.     

脱泥与不脱泥工艺脱介筛脱介效果的比较

为了比较脱泥与不脱泥工艺脱介筛脱介效果的优劣,实验以西山煤电公司西曲选煤厂二系统中脱介筛为研究对象,通过对精煤、中煤、矸石进行1 mm湿法筛分,将-1 mm煤样破碎至0.5 mm,做磁选实验,测定煤样的带介量。结果表明:脱泥工艺中精煤、中煤、矸石带介量分别为0.06%、0.05%、0.01%,不脱泥工艺中精煤、中煤、矸石带介量分别为0.15%、0.13%、0.02%。脱泥工艺中产品带介量更少,脱介筛脱介效果更好。该实验研究为今后选煤厂的设计和改造等环节提供了很好的指导作用。     

基于支持向量机的煤岩图像特征抽取与分类识别

为了尽可能减少作业人员数目,研究了煤岩图像的自动识别技术,介绍了煤岩图像的识别基础、小波变换和支持向量机原理,分析了煤岩图像纹理在多尺度分解情况下的特点以及支持向量机的参数设置,利用煤岩图像基于灰度共生矩阵的纹理统计量角二阶矩、对比度、相关性、均值、方差构造纹理特征子向量P1,利用煤岩图像不同尺度分解下的角二阶矩、对比度、相关、均值、方差构造纹理特征子向量P2,利用不同尺度分解系数构造纹理特征子向量P3,结合3个特征子向量构造纹理特征向量,最后结合支持向量机对煤岩图像进行分类识别。对不同的特征抽取方式以及煤岩的不同分类进行了比较分析。结果表明：该特征抽取以及分类方法能有效的表达纹理信息,对煤岩的识别准确率达到了97.959 2%,与不使用小波的方法相比提高了7.01%。研究结果可为煤岩界面的自动识别提供依据。     

孔隙率对煤矸石混凝土力学特性的影响

探究煤矸石混凝土在不同孔隙率条件下的力学特性,采用EPS颗粒模拟煤矸石混凝土中的孔结构,制作四种不同孔隙率的试件。通过单轴压缩试验、劈裂抗拉试验、静力抗压弹性模量试验测得试件的力学参数,并分析孔隙率对其力学特性的影响。结果表明:孔隙率的大小对煤矸石混凝土的力学特性有明显的影响,随着孔隙率的增加,试件的抗压强度、抗拉强度和弹性模量随之减小。而3种力学参数的减少率随着孔隙率的增加而增加。     

基于三维图像特征的矸石含煤率在线检测方法

矸石含煤率是选煤生产的关键指标之一,目前还不能在线检测.因此,提出一种基于机器视觉和粒子群支持向量机的新方法来检测矸石含煤率.首先将采集到的矸石胶带上的单目图像进行分割,识别出属于煤和矸石类别的各个区域.从各区域中提取出尺寸特征参数和密度特征参数,分别得到煤和矸石的特征参数,再将矸石的特征参数除以煤的特征参数,得到样本...     

基于彩色图像处理的浮选尾煤灰分软测量研究

浮选尾煤灰分是浮选产品的一个重要指标。针对选煤厂浮选尾煤灰分多采用离线检测而无法实现在线准确测量，以及当前浮选软测量多采用单一的灰度图像从而导致软测量模型精度及适应性较差的问题，提出了一种基于彩色图像处理的浮选尾煤软测量方法，建立了基于最小二乘支持向量机(LSSVM)的浮选尾煤灰分软测量模型。模型以不同颜色空间的彩色特征、灰度均值以及浓度特征为输入变量，以尾煤灰分作为输出变量，采用粒子群优化算法对LSSVM模型参数进行优化。结果表明：所建立的尾煤灰分软测量模型可以较好地实现浮选尾矿灰分的在线预测，引入浮选尾矿图像的彩色特征可以提高尾煤图像分析的精度，预测精度达96.89%。研究成果在柳湾选煤厂现场应用，并取得了较好的尾矿灰分测量效果。