一种基于图像识别的煤矸石分拣方法技术

本发明专利技术公开了一种基于图像识别的煤矸石分拣方法，包括步骤：一、构建煤矸石分拣平台；二、构建双路可变形CNN模型；三、训练双路可变形CNN模型；四、煤矸石框选；五、煤块输送；六、煤矸石分拣。本发明专利技术利用双路可变形CNN模型同时对煤块图像和差分图像进行处理，识别煤矸石，每个卷积层采用变形卷积层，可根据图像内容发生自适应的变化，适应不同煤矸石的形状、大小，能够提取不同尺度的特征，通过从煤矸石的短轴位置抓取煤矸石，保证机械手抓取稳定，省力安全，使井下可以在没有工作人员参与的条件下，对主皮带输送机上煤矸石分拣，不仅减少了工作人员的工作强度，节省了人力资源，而且确保了生产效率，自动化程度高。自动化程度高。自动化程度高。

【技术实现步骤摘要】
一种基于图像识别的煤矸石分拣方法


[0001]本专利技术属于煤矸石分拣
，具体涉及一种基于图像识别的煤矸石分拣方法。

技术介绍

[0002]对于动力煤来说，混入的矸石会降低煤的发热量，使动力煤的质量大打折扣，因此将煤和矸石分离是煤炭洗选加工过程中不可缺少的一步工艺；目前国内除了已有的人工选煤技术以外，还有重介质迭煤、干法选煤、跳汰选煤、浮游选煤以及通过电子仪器检测等方法。虽然目前有多种方法进行选煤，但每种方法都存在着不足的地方。传统的煤和煤矸石分离方法中，较多采用了破碎法，跳汰选煤法和重介质选煤法等，这些方法工艺复杂，生产费用昂贵，且无法满足现有的生产需求及环保诉求，针对此问题，已经出现了很多干选技术，如风选法，磁选法等。近些年来，利用X射线对煤矸石分选的研究，虽然取得初步的成功，但并没有大规模的应用。大多数干选法虽满足了对水资源的保护和对环境的友好性，但就分选精度上来说，由于受设备因素，原煤水分等影响，精度较低，实际应用效果并不理想。随着信息技术在煤矸石分选领域的应用不断改进，根据煤和矸石在灰度值，纹理及其他物理性质上的差异，在煤矸石分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图像识别的煤矸石分拣方法，其特征在于，该方法包括以下步骤：步骤一、构建煤矸石分拣平台：在运煤机构旁侧设置煤矸石分拣平台，所述运煤机构包括主皮带输送机(1)和与主皮带输送机(1)配合的煤块输送机(10)，所述煤矸石分拣平台包括设置在主皮带输送机(1)运料端的振动给料机(2)、设置在主皮带输送机(1)旁侧的煤矸石输送机(11)、以及设置在主皮带输送机(1)尾端且用于将主皮带输送机(1)上的煤矸石(5)抓取至煤矸石输送机(11)上的机械手(9)，所述主皮带输送机(1)的机架上且位于振动给料机(2)出料端设置有用于将煤块(4)和煤矸石(5)整理排序的限位门架(3)，所述主皮带输送机(1)的机架尾端设置有用于识别煤矸石且与上位机(8)通信的图像采集机构；步骤二、构建双路可变形CNN模型：构建双路可变形CNN模型，所述双路可变形CNN模型包括依次设置的双路可变形CNN模块、主全连接层一、主全连接层二和输出层，所述双路可变形CNN模块包括并行设置的第一可变形CNN通道和第二可变形CNN通道，主全连接层一同时接收所述第一可变形CNN通道的输出和第二可变形CNN通道的输出；所述第一可变形CNN通道包括依次设置的第一变形卷积层一、第一激活层一、第一池化层一、第一变形卷积层二、第一激活层二、第一池化层二、第一变形卷积层三、第一激活层三、第一池化层三、第一全连接层一、第一全连接层二；所述第二可变形CNN通道包括依次设置的第二变形卷积层一、第二激活层一、第二池化层一、第二变形卷积层二、第二激活层二、第二池化层二、第二变形卷积层三、第二激活层三、第二池化层三、第二全连接层一、第二全连接层二；第一变形卷积层一、第一变形卷积层二、第一变形卷积层三、第二变形卷积层一、第二变形卷积层二、第二变形卷积层三的卷积核大小为5
×
5、步长为1；第一池化层一、第一池化层二、第一池化层三、第二池化层一、第二池化层二、第二池化层三的池化窗口大小为3
×
3、步长为2；第一激活层一、第一激活层二、第一激活层三、第二激活层一、第二激活层二、第二激活层三为ReLU激活函数；步骤三、训练双路可变形CNN模型，过程如下：步骤301、构建图像数据库：利用图像采集机构采集固定视角的主皮带输送机(1)上多张煤块的标准煤块灰度图像以及不少于1000张煤矸石的训练样本图像，多张训练样本图像构成一个图像数据库，对图像数据库进行随机分类，获得图像训练数据集合和图像测试数据集合；步骤302、初始化第一变形卷积层一、第一变形卷积层二、第一变形卷积层三、第二变形卷积层一、第二变形卷积层二、第二变形卷积层三中的像素点权重w和像素点偏移量Δpn；步骤303、调取图像训练数据集合中的一张训练样本图像，并对该图像进行灰度处理，将灰度处理后的训练样本图像送入第一可变形CNN通道，同时对灰度处理后的训练样本图像与一张标准煤块灰度图像进行差分处理，再将差分图像进行二值化处理后送入第二可变形CNN通道，对双路可变形CNN模型进行一次训练；步骤304、更新第一变形卷积层一、第一变形卷积层二、第一变形卷积层三、第二变形卷积层一、第二变形卷积层二、第二变形卷积层三中的像素点权重w和像素点偏移量Δpn；步骤305、循环步骤303至步骤304，直至图像训练数据集合中的图像调取完毕，完成双路可变形CNN模型的训练过程，获取第一变形卷积层一、第一变形卷积层二、第一变形卷积层三、第二变形卷积层一、第二变形卷积层二、第二变形卷积层三中的最终像素点权重w和
优选像素点偏移量Δpn；当优选像素点偏移量Δpn为非整数时，对优选像素点偏移量Δpn进行取整处理，获取最终的像素点偏移量Δpn；当优选像素点偏移量Δpn为整数时，优选像素点偏移量Δpn即为最...

【专利技术属性】
技术研发人员：朱兴攀，王炳，韩存地，管隆刚，张碧川，李明哲，秦学斌，
申请(专利权)人：西安科技大学，
类型：发明
国别省市：