论文# 西科大李曼：煤矸分选机器人图像识别方法和系统 Posted 2021-04-06 IntelMining智能矿业
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了论文# 西科大李曼：煤矸分选机器人图像识别方法和系统相关的知识，希望对你有一定的参考价值。
IntelMining智能矿业 发起了一个读者讨论 智能图像识别率主要和哪些因素有关？
（1）选取韩城矿区的煤和矸石为样本，研究了基于图像的煤矸识别方法，并在此基础上开发了识别系统。
（2）分别对煤和矸石样本图像的灰度、纹理参数进行分析对比，得出在灰度、纹理方面区分度更高的特征参数。
（3）联系实际工况，选用最小二乘支持向量机（LS-SVM）为煤和矸石图像识别分类器，得到以联合特征进行训练的分类器识别效果更好。
（4）以LABVIEW为平台开发了包括图像采集、图像滤波、联合特征向量的提取、样本分类等程序。在煤矸分选机器人实验平台上进行测试，结果显示煤和矸石分类准确率分别为90.3%和83.0%,平均识别时间为0.153s。
李 曼1 ,段 雍1 ,曹现刚1 ,刘长岳2 ,孙凯凯1 ,刘 浩1
1.西安科技大学 机械工程学院；2.陕西煤化韩城矿业有限公司
煤矸分选是煤炭生产的重要工作之一,传统的人工分选具有劳动量大、效率低、粉尘多、对人体危害等问题。随着选煤技术的不断进步,人工操作已逐渐被自动分选设备替代。目前国内外应用较为成熟的煤矸自动分选设备主要采用γ和X射线检测法。γ射线检测法根据γ射线穿过煤和矸石时衰减量的不同来识别煤和矸石,X射线法是根据煤和矸石对射线吸收量的不同来进行识别的,用高压气阀喷嘴作为执行机构,通过高压气流将矸石分离。该类分选设备,由于煤和矸石下落时间快,对系统执行速度提出了较高的要求,并且射线法易受煤矸含水量的影响,同时还存在射线探测部分环保要求较高,执行部件准确率不高,容易故障等缺点。
现有煤矸分选主要有人工分选和机械分选,这些方式存在劳动强度大、能耗高、易造成环境污染等问题。对煤矸分选机器人而言,煤矸的准确识别是一个关键且具有较大难度的问题。研究了基于图像的煤矸识别方法,并在此基础上开发了识别系统。
介绍了煤矸分选机器人中图像识别系统的硬件组成,研究了实际工况条件下各部件的选择和安装方式;在实验室搭建图像采集系统,选取韩城矿区的煤和矸石为样本,由所搭建的系统获取样本图像,建立了样本图像库;对样本图像采用3种不同的滤波器进行降噪处理,对比分析得出非线性低通滤波处理效果最佳。
基于煤和矸石表面物理特性在灰度和纹理两方面有一定的区别,分别对煤和矸石样本图像的4个灰度参数和5个纹理参数进行分析对比,得出在灰度方面灰度均值和最大频数对应的灰度值2个参数区分度更高,在纹理方面纹理对比度和熵2个参数区分度更高。
选用最小二乘支持向量机(LS-SVM)为煤和矸石图像识别分类器,以灰度均值和最大频数对应的灰度值组成的灰度特征、纹理对比度和熵组成的纹理特征、最大频数对应的灰度值和纹理对比度组成的联合特征作为分类器的输入向量分别对分类器进行训练和对比验证,得到以联合特征进行训练的分类器识别效果更好;以LABVIEW为平台开发了包括图像采集、图像滤波、联合特征向量的提取、样本分类等程序。
在煤矸分选机器人实验平台上搭建了识别系统,随机选取实际工况下的煤和矸石样本,对识别系统分类性能进行测试,系统图像降噪采用非线性低通滤波器,分类采用联合特征训练的分类器。测试结果显示煤和矸石分类准确率分别为90.3%和83.0%,平均识别时间为0.153s。
煤矸分选机器人模型
图像采集系统
样本图像
3种滤波方式处理结果
煤和矸石3种滤波比较
煤矸灰度具有较大差异衡量值的分布曲线
煤矸纹理具有较大差异衡量值的分布曲线
分类视图
煤矸识别程序流程
图像采集显示界面
图像采集程序
特征向量提取显示界面
煤矸分类界面及部分程序
煤矸分选机器人实验平台
李曼，女，1964年10月27日生，陕西西安人，教授，硕士生导师，陕西省教学名师。
研究方向
矿山设备智能检测与控制矿山设备
主要成果
致力于矿山设备智能检测、监测与控制方面的先进理论、方法和装置的研究，开发了多个以计算机为核心的自动化、智能化检测和监测装置。授权多项发明专利，发表学术论文50余篇。
李曼,段雍,曹现刚,等.煤矸分选机器人图像识别方法和系统[J].煤炭学报,2020,45(10):3636-3644.
