基于机器学习的煤矸分选识别方法、装置及设备制造方法及图纸

本申请公开了一种基于机器学习的煤矸分选识别方法、装置及设备，可解决目前在进行煤矸分选识别时，误判和漏判率较高的技术问题。包括：获取待进行煤矸分选识别的伪双能X射线煤矸石图像，并将伪双能X射线煤矸石图像剪切为低能射线图像和高能射线图像；基于最大类间方差法对低能射线图像进行阈值分割，并依据阈值分割结果进行连通域提取，以确定出伪双能X射线煤矸石图像中所包含的所有煤矸区域；根据低能射线图像和高能射线图像计算每块煤矸区域的煤矸特征，煤矸特征包括灰度特征、纹理特征以及物理特征中的至少一种；将煤矸特征作为特征向量输入训练完成的煤矸分选识别模型，获取每块煤矸区域的煤矸分选识别结果。取每块煤矸区域的煤矸分选识别结果。取每块煤矸区域的煤矸分选识别结果。

【技术实现步骤摘要】
基于机器学习的煤矸分选识别方法、装置及设备


[0001]本申请涉及煤矸分选领域，尤其涉及到一种基于机器学习的煤矸分选识别方法、装置及设备。

技术介绍

[0002]随着煤矿企业竞争加剧、节能环保理念日渐深入，传统煤矸分选方法已愈发难以满足煤矿企业的选煤需求，而基于X射线透射(X
‑
Ray Transmission,XRT)技术的煤矸分选识别方法凭借高效率、低成本、更环保的优势，逐渐成为煤矸分选领域的研究重点。
[0003]目前，工业现场多采用阈值判别的方式对煤矸石进行分类，即根据X射线图像所反映出的灰度信息进行相关统计，通过朗伯比尔定律计算出R值，并依据经验对不同精度、不同粒度的煤块设置相应的阈值，从而通过这些阈值实现煤矸分类。显然，这种方法极度依赖主观经验，且利用阈值直接判断过于简单，缺乏足够的统计信息支撑，因此极容易造成煤矸石的误判和漏判。

技术实现思路

[0004]有鉴于此，本申请提供了一种基于机器学习的煤矸分选识别方法、装置及设备，可解决在采用阈值判别的方式对煤矸石进行分类时，因缺乏足够的统计信息支撑，极容易造成煤矸石的误判和漏判的技术问题。
[0005]根据本申请的一个方面，提供了一种基于机器学习的煤矸分选识别方法，该方法包括：
[0006]获取待进行煤矸分选识别的伪双能X射线煤矸石图像，并将所述伪双能X射线煤矸石图像剪切为低能射线图像和高能射线图像；
[0007]基于最大类间方差法对所述低能射线图像进行阈值分割，并依据阈值分割结果进行连通域提取，以确定出所述伪双能X射线煤矸石图像中所包含的所有煤矸区域；
[0008]根据所述低能射线图像和所述高能射线图像计算每块煤矸区域的煤矸特征，所述煤矸特征包括灰度特征、纹理特征以及物理特征中的至少一种；
[0009]将所述煤矸特征作为特征向量输入训练完成的煤矸分选识别模型，获取所述每块煤矸区域的煤矸分选识别结果。
[0010]根据本申请的另一个方面，提供了一种基于机器学习的煤矸分选识别装置，该装置包括：
[0011]剪切模块，用于获取待进行煤矸分选识别的伪双能X射线煤矸石图像，并将所述伪双能X射线煤矸石图像剪切为低能射线图像和高能射线图像；
[0012]提取模块，用于基于最大类间方差法对所述低能射线图像进行阈值分割，并依据阈值分割结果进行连通域提取，以确定出所述伪双能X射线煤矸石图像中所包含的所有煤矸区域；
[0013]计算模块，用于根据所述低能射线图像和所述高能射线图像计算每块煤矸区域的
煤矸特征，所述煤矸特征包括灰度特征、纹理特征以及物理特征中的至少一种；
[0014]获取模块，用于将所述煤矸特征作为特征向量输入训练完成的煤矸分选识别模型，获取所述每块煤矸区域的煤矸分选识别结果。
[0015]根据本申请的又一个方面，提供了一种存储介质，其上存储有计算机程序，程序被处理器执行时实现上述基于机器学习的煤矸分选识别方法。
[0016]根据本申请再一个方面，提供了一种计算机设备，包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序，处理器执行程序时实现上述基于机器学习的煤矸分选识别方法。
[0017]借由上述技术方案，本申请提供了一种基于机器学习的煤矸分选识别方法、装置及设备，可在获取待进行煤矸分选识别的伪双能X射线煤矸石图像后，将伪双能X射线煤矸石图像剪切为低能射线图像和高能射线图像；进一步基于最大类间方差法对低能射线图像进行阈值分割，并依据阈值分割结果进行连通域提取，以确定出伪双能X射线煤矸石图像中所包含的所有煤矸区域；之后根据低能射线图像和高能射线图像计算每块煤矸区域的煤矸特征，煤矸特征包括灰度特征、纹理特征以及物理特征中的至少一种；最后将煤矸特征作为特征向量输入训练完成的煤矸分选识别模型，获取每块煤矸区域的煤矸分选识别结果。通过本申请中的技术方案，可通过融合高、低能射线图像中的灰度特征、纹理特征以及物理特征，并组成特征向量输入到深度神经网络模型中进行训练和预测，从而避免了阈值选取不准确带来的误判和漏判现象进而有利于提高煤矸识别准确率。实践表明，本专利技术为机器学习方法和X射线透射技术在煤矸分选领域的应用提供了新途径，有利于煤炭资源地高效利用。
[0018]上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
[0019]此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
[0020]图1示出了本申请实施例提供的一种基于机器学习的煤矸分选识别方法的流程示意图；
[0021]图2示出了本申请实施例提供的另一种基于机器学习的煤矸分选识别方法的流程示意图；
[0022]图3示出了本申请实施例提供的一种基于机器学习的煤矸分选识别的原理流程示意图；
[0023]图4示出了本申请实施例提供的一种伪双能X射线煤矸石图像的实例示意图；
[0024]图5示出了本申请实施例提供的一种伪双能X射线煤矸石图像中煤矿和矸石位置及数量结果的实例示意图；
[0025]图6示出了本申请实施例提供的一种最终煤矸分选识别结果的实例示意图；
[0026]图7示出了本申请实施例提供的一种基于机器学习的煤矸分选识别装置的结构示意图；
[0027]图8示出了本申请实施例提供的另一种基于机器学习的煤矸分选识别装置的结构示意图；
[0028]图9示出了本专利技术实施例提供的一种计算机设备的实体结构示意图。
具体实施方式
[0029]下文中将参考附图并结合实施例来详细说明本申请。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
[0030]在具体的应用场景中，基于X射线透射(X
‑
Ray Transmission,XRT)技术的煤矸分选法是煤矸分选领域的一种常见方法，在基于XRT的煤矸分选识别方法依据X射线穿透煤块(或矸石)时，不同煤块(或矸石)对X射线的线性吸收系数不同的原理来采集伪双能X射线煤矸石图像(采用一个独立X射线源和两组响应不同能谱的探测器以及一组滤波铜片组成的伪双能X射线系统产生的图像)。通过计算机视觉领域中的图像处理方法对采集到的X射线煤矸石图像进行分析，先获取图像中所有煤块(或矸石)的位置及数量信息，然后依据X射线图像所反映出的灰度信息计算出每块煤块(或矸石)的R值，并依据事先设定好的阈值对煤矸石进行识别。然而，由于阈值的选取极度依赖主观经验，缺乏足够的统计信息支撑，因此极容易造成煤矸石的误判和漏判。
[0031]有鉴于此，本申请提供了一种基于机器学习的煤矸分选识别方法，如图3所示的原理示意图，可首先在工业现场获取待进行煤矸分选识别的伪双能X射线煤矸石图像，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的煤矸分选识别方法，其特征在于，包括：获取待进行煤矸分选识别的伪双能X射线煤矸石图像，并将所述伪双能X射线煤矸石图像剪切为低能射线图像和高能射线图像；基于最大类间方差法对所述低能射线图像进行阈值分割，并依据阈值分割结果进行连通域提取，以确定出所述伪双能X射线煤矸石图像中所包含的所有煤矸区域；根据所述低能射线图像和所述高能射线图像计算每块煤矸区域的煤矸特征，所述煤矸特征包括灰度特征、纹理特征以及物理特征中的至少一种；将所述煤矸特征作为特征向量输入训练完成的煤矸分选识别模型，获取所述每块煤矸区域的煤矸分选识别结果。2.根据权利要求1所述的方法，其特征在于，所述基于最大类间方差法对所述低能射线图像进行阈值分割，并依据阈值分割结果进行连通域提取，以确定出所述伪双能X射线煤矸石图像中所包含的所有煤矸区域，包括：根据所述低能射线图像中的像素分布，计算所述低能射线图像中每一灰度等级下像素值所占的比重，基于所述每一灰度等级下像素值所占的比重迭代计算最大类间方差；依据所述最大类间方差对所述低能射线图像进行阈值分割，得到阈值分割结果；根据所述阈值分割结果中任一当前像素与对应邻域像素的像素值，进行连通域的标记；将标记完成的至少一个连通域确定为所述伪双能X射线煤矸石图像中所包含的煤矸区域。3.根据权利要求1所述的方法，其特征在于，所述根据所述低能射线图像和所述高能射线图像计算每块煤矸区域的煤矸特征，包括：确定每块煤矸区域在所述低能射线图像中的低能像素值集合，以及在所述高能射线图像中的高能像素值集合；根据所述低能像素值集合和所述高能像素值集合计算所述每块煤矸区域的灰度均值及灰度峰值，将所述灰度均值及灰度峰值确定为所述每块煤矸区域的灰度特征。4.根据权利要求3所述的方法，其特征在于，所述根据所述低能像素值集合和所述高能像素值集合计算所述每块煤矸区域的灰度均值及灰度峰值，包括：将所述低能像素值集合中低能像素的累加像素值确定为所述低能射线图像对应的第一灰度均值，将所述高能像素值集合中高能像素的累加像素值确定为所述高能射线图像对应的第二灰度均值；将所述低能像素值集合中低能像素的最大像素值确定为所述低能射线图像对应的第一灰度峰值，将所述高能像素值集合中高能像素的最大像素值确定为所述高能射线图像对应的第二灰度峰值；将所述第一灰度均值和所述第二灰度均值的比值确定为所述每块煤矸区域的灰度均值，将所述第一灰度峰值和所述第二灰度峰值的比值确定为所述每块煤矸区域的灰度峰值。5.根据权利要求1所述的方法，其特征在于，所述根据所述低能射线图像和所述高能射线图像计算每块煤矸区域的煤矸特征，包括：计算每块煤矸区域的灰度共生矩阵，并对所述灰度共生矩阵进行归一化处理；
依据归一化处...

【专利技术属性】
技术研发人员：柴天佑，黄杰，吴高昌，
申请(专利权)人：东北大学，
类型：发明
国别省市：