论文部分内容阅读
原煤洗选对煤炭清洁高效利用具有重要意义。受洗选工艺限制,洗选前需要对大粒径的矸石进行排矸处理,传统人工排矸作业生产效率低、劳动强度大,工人健康得不到保证。为实现自动化和智能化排矸,本文研究了基于机器视觉的煤矸识别方法,并设计实现了一种煤矸自动识别系统。本文首先对煤和矸石图像处理方法进行了研究,形成了完整的煤和矸石图像处理流程。研究中,对比了多种图像去噪和锐化方法;并对输送带运输环境下的煤矸图像进行了图像分割研究;针对实时处理中的图像拼接方法和目标定位进行了研究。结果表明:双边滤波和Laplacian锐化对煤和矸石图像的去噪与锐化效果较好,双边滤波的评价指标均方差、峰值信噪比、结构相似性分别达到0.4845、51.2777、0.9986;OTSU算法能够实现较好的分割效果,而背景减去分割则不能够适用于当前输送带环境;设计了一套图像实时拼接与处理的流程,实现了对图像中的目标定位与位置预测。本文对煤和矸石的图像特征进行了研究,提取了灰度均值、峰值灰度、灰度方差、灰度熵作为灰度特征,设计了单因素实验和多因素交互实验研究环境对煤矸灰度均值的影响;并基于灰度共生矩阵提取了对比度、能量、熵、逆差矩作为纹理特征。实验表明:灰度均值和峰值灰度在同一环境下具有较好的区分度,能够作为煤和矸石的分类标准;6-36W光照使灰度均值产生了约2的浮动,却使峰值灰度波动严重,湿度的增加使两者大幅度下降,均值与煤粉量呈一次线性反比关系;在多因素实验中,湿度和粉尘对样本灰度均值具有交互作用,使灰度均值产生了约10的下降,且矸石和煤的下降率不同,因此在实际应用中应对环境变量加以控制。基于机器学习方法对煤矸识别进行了研究,分别以灰度特征、纹理特征、灰度—纹理组合特征作为输入训练了支持向量机分类器,并采用粒子群优化算法对关键参数进行了优化。采集了山西西山、陕西神木、内蒙古的煤和矸石共420张作为研究数据进行研究,以180组煤矸数据的灰度特征、纹理特征、组合特征作为输入时,粒子群优化得到的最优惩罚参数为50、16.95、50,最优宽度参数为31.13、20.42、10.02;最后将剩下的240组煤和矸石数据进行分类测试,以灰度特征、纹理特征、组合特征作为输入时的识别率分别为95.83%、72.92%、93.75%。本文最终基于所研究的图像处理、特征提取、机器学习等方法,以Microsoft Visual Studio 2017作为开发工具,调用Open CV视觉库进行图像处理,并结合Teledyne DALSA所提供的SDK开发了一套煤矸图像实时采集与识别系统,实现了输送皮带上煤矸目标的实时识别。