【技术实现步骤摘要】
一种基于机器学习的井下煤矸石智能视觉识别分选方法
[0001]本专利技术属于图像处理以及目标识别
，具体涉及一种工业应用中井下煤与矸石的智能视觉识别方法。
技术介绍
[0002]煤是我国主要的能源物质，而矸石是成煤过程中伴生的一种物质，由于煤矸石发热值低，会极大得影响成煤质量，故煤矸石筛选是煤矿生产中的一个重要环节，也是清洁煤技术应用中的重中之重。
[0003]目前工业应用的普遍选矸方法，诸如人工选矸、机械湿选等技术，都无法兼顾高效性以及安全性。人工选矸比较依赖工人经验，长时间井下工作会导致工人注意力下降，影响分选正确率，也会危害工人的身体健康。我国的煤矿主要分布在北方，这限制了机械湿选法的应用，该方法需要大量的水资源。针对上述方法产生的弊端，本专利技术重点研究基于计算机视觉和机器学习的煤矸石识别分类方法，对井下采集得到的煤矸石图像进行预处理，利用图像的HOG(方向梯度直方图)特征，采用SVM(支持向量机)分类器对煤和矸石进行精准识别。这种方法可以降低对于人工的依赖性，且提高煤矸石分选的效率。
[000...
【技术保护点】
【技术特征摘要】
1.一种基于机器学习的井下煤矸石智能视觉识别分选方法，其特征在于，包括以下步骤：步骤(1)、通过图像采集设备在井下传送带上获取矿石图像，对采集得到的图像进行高斯滤波和拉普拉斯处理；高斯滤波本质上是对图像进行加权平均的过程，其公式(1)具体如下：其中，以图像中某一像素点(x，y)为例，Δx2+Δy2表示以(x，y)为中心的9个像素点(包括中心点本身)到该像素点的距离，σ表示高斯函数的标准差，通常根据具体实验预先设为固定值，根据公式(1)计算并归一化，得到本方法采用的3*3高斯核。再将高斯核与图像上每一个像素点(x，y)的灰度值f(x，y)进行卷积，即可得到降噪后的该像素点的灰度g(x，y)。即每一个像素点的值，都是通过将本身与其邻域内其他像素点加权平均得到的。其后采用拉普拉斯算子对图像进行锐化增强。将图像中的每一个像素(x，y)的灰度值g(x，y)作为输入，经过拉普拉斯算子运算得到掩膜矩阵，其最终锐化公式(2)具体如下：其中末项为如下公式(3)：此时，原像素点(x，y)的灰度值由g(x，y)变为h(x，y)，即锐化后图像灰度矩阵为H。步骤(2)、对处理后的煤矸石图像进行直方图均衡化增强对比度，并运用形态学操作进一步去除图像细微噪声干扰。直方图均衡化具体公式如下：灰度为i的像素记其灰度级为r
i
，其在图像中的出现次数是n
i
，p(r
i
)即为灰度级r
i
在图像中出现的概率,由n
i
除以图像像素总数N得来。如此将灰度级为r
k
的累计概率分布与原图灰度级范围255运算，即可得到映射后的灰度s
k
。图像灰度矩阵由H经过直方图均衡化后变为S。由于传送带长时间使用过程中存在大量煤矸石废渣，表现为图像上的细小成像和噪声，导致图像特征表达变差。采用形态学操作处理这一情况，其具体公式为：其中
⊙
和分别为腐蚀和膨胀，A为处理之前的图像，其灰度矩阵即为S，C为操作核，C在S上平移，C中的原点就相当于卷积核的核中心，结果也是存储在核中心对应位置的元素上。
⊙
腐蚀是C与任一像素点(x，y)的8邻域灰度值做矩阵减法，并把所得矩阵中最小的值作为(x，y)像素点的操作后灰度值，膨胀时则取所得矩阵的最大值更新(x，y)像素点的灰度值，此时...
【专利技术属性】
技术研发人员：李策，魏炜，陈帅，乔静怡，王亭然，
申请(专利权)人：中国矿业大学北京，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。