基于R值与改进多阈值分割的煤矸识别方法研究

为降低厚度效应的影响,提高识别的环境适应能力以及准确度,提出一种基于R值与改进多阈值Otsu分割的煤矸识别方法。首先利用二值图像结合Canny算子边缘检测的方法完成煤矸目标与输送带背景的分割;然后采用边缘检测优化的多阈值Otsu算法自适应地计算分割R值,根据实际生产需求设定分选阈值含煤量的大小;最后以不同地区的焦煤、肥煤、气煤以及矸石作为研究对象,开展不同品质、不同比例下的煤矸识别综合试验。试验结果表明:分割R值受不同煤质与样本整体混矸率的共同影响,煤矸整体识别准确率较高,稳定性较好。

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。