CN110245635B - 一种煤和矸石的红外图像识别方法 - Google Patents

一种煤和矸石的红外图像识别方法 Download PDF

Info

Publication number
CN110245635B
CN110245635B CN201910538123.3A CN201910538123A CN110245635B CN 110245635 B CN110245635 B CN 110245635B CN 201910538123 A CN201910538123 A CN 201910538123A CN 110245635 B CN110245635 B CN 110245635B
Authority
CN
China
Prior art keywords
gangue
coal
layer
convolution
keras
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910538123.3A
Other languages
English (en)
Other versions
CN110245635A (zh
Inventor
胡锋
周孟然
闫鹏程
卞凯
戴荣英
宋红萍
孙磊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui University of Science and Technology
Original Assignee
Anhui University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Anhui University of Science and Technology filed Critical Anhui University of Science and Technology
Priority to CN201910538123.3A priority Critical patent/CN110245635B/zh
Publication of CN110245635A publication Critical patent/CN110245635A/zh
Application granted granted Critical
Publication of CN110245635B publication Critical patent/CN110245635B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
    • Y02W30/00—Technologies for solid waste management
    • Y02W30/50—Reuse, recycling or recovery technologies
    • Y02W30/91—Use of waste materials as fillers for mortars or concrete

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种煤和矸石的红外图像识别方法，包括以下步骤：(1)煤和矸石原始红外图像获取；(2)煤和矸石红外图像的预处理；(3)煤和矸石红外图像样本划分；(4)卷积神经网络图像特征提取；(5)支持向量机煤矸识别模型构建。本发明采用CNN‑SVM进行煤和矸石红外图像的识别模型构建，提出一种新的卷积神经网络模型能够提取更多、更有效的特征信息，且可以有效避免过拟合等问题，非常适用于煤和矸石的快速、精准识别。

Description

一种煤和矸石的红外图像识别方法
技术领域
本发明涉及煤矸识别技术领域，具体是一种煤和矸石的红外图像识别方法。
背景技术
现阶段，煤炭是我国的主要能源。在煤炭开采过程中，会伴有大量的矸石和煤被一起开采出来。矸石的主要化学物质构成为Al2O3和SiO2，其不仅含硫量高，而且含有砷、镉、铬、铜和汞等重金属。另外矸石发热值低，当矸石与煤混合后，会影响影响煤的发热量，影响煤炭的质量，同时在燃烧过程中会对环境造成严重污染。因此，将矸石从煤中分选出来是煤炭使用前一个至关重要的处理环节，只有将煤和矸石分离开来，才能实现各自作用的最大化。
目前，一般是通过人工识别筛选，但是这种方式存在影响工作人员健康、识别筛选速度慢、成本高等不足。在湿法选矸中，需要消耗大量的水资源，同时产生的煤泥污染难以处理。在干法选矸中，伽马射线和X射线选矸存在一定的辐射，而普通的图像识别选矸受光线等因素干扰大。因此，如何快速、精准地识别出煤和矸石是一个亟待解决的问题。
发明内容
本发明的目的是提供一种煤和矸石的红外图像识别方法，以解决现有煤矸识别方法存在的不足，快速、精准识别出煤和矸石。
为了实现上述目的，本发明采用的技术方案为：一种煤和矸石的红外图像识别方法，包括以下步骤：
(1)煤和矸石原始红外图像获取；
(2)煤和矸石红外图像的预处理；
(3)煤和矸石红外图像样本划分；
(4)卷积神经网络图像特征提取；
(5)支持向量机煤矸识别模型构建。
作为优选，所述步骤(1)中，利用红外成像技术获取煤和矸石的红外图像，得到煤和矸石的原始红外图像数据集。
作为优选，所述步骤(2)中，对煤和矸石的原始红外图像进行缩放、裁剪处理，得到统一大小的煤和矸石的红外图像。
作为优选，所述步骤(3)中，采用随机抽样法将预处理后的煤和矸石红外图像数据按照一定的比例划分为独立的训练集和测试集。
作为优选，所述步骤(4)中，用于提取红外图像特征的卷积神经网络(Convolutional neural network,CNN)是一种包含两层Inception-ResNet单元的网络结构，主要包含标准化层、卷积层、池化层、扁平层和融合层。
作为优选，所述步骤(5)中，利用CNN提取的图像特征在训练集上构建支持向量机(Support vector machine,SVM)煤矸识别模型，确定SVM煤矸识别模型的参数，然后利用测试集来测试识别的效果，验证模型性能。
通过上述技术方案，本发明的有益效果是：采用红外成像技术获取煤和矸石的红外图像并进行煤矸识别解决现有煤矸识别方法存在的不足；提出一种新的卷积神经网络模型能够提取更多、更有效的特征信息，且可以有效避免过拟合等问题，非常适用于煤和矸石的快速、精准识别。
附图说明
图1是本发明实施案例煤矸识别方法的流程图；
图2是本发明实施案例用于提取特征的卷积神经网络的结构简图；
图3是本发明实施案例Inception-ResNet单元的Inception结构图；
图4是本发明实施案例用于提取特征的卷积神经网络的详细结构图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。
本发明在Windows 10环境下进行，采用Keras(V 2.2.4)进行分析，并将TensorFlow(V 1.10.0)作为其后端，硬件使用英特尔酷睿I7-9700K和英伟达Geforce RTX2070。
本发明实施例为了解决现在技术的全部或者部分不足提供了一种煤和矸石的红外图像识别方法，所述的识别方法包括如下步骤：
(1)煤和矸石原始红外图像获取；
(2)煤和矸石红外图像的预处理；
(3)煤和矸石红外图像样本划分；
(4)卷积神经网络图像特征提取；
(5)支持向量机煤矸识别模型构建。
为使本发明实施例的目的、技术方案和优点更加清楚明白，结合附图，对本发明实施例提供的一种煤和矸石的红外图像识别方法作详细说明，本发明实施例提供的一种煤和矸石的红外图像识别方法，所述识别方法包括的步骤如图1所示：
101：煤和矸石原始红外图像获取，红外摄像头选用深圳市林柏视科技有限公司的S908高清广角红外摄像头，对煤和矸石的多个样本进行红外图像的采集，得到煤和矸石的原始红外图像。
102：煤和矸石红外图像的预处理，对煤和矸石的原始红外图像进行缩放、裁剪处理，得到统一像素尺寸为108×192的煤和矸石的红外图像。
103：煤和矸石红外图像样本划分，采用随机抽样法将预处理后的煤和矸石红外图像数据按照训练集80％和测试集20％的比例划分为独立的训练集和测试集。
104：卷积神经网络图像特征提取，用于提取红外图像特征的CNN是一种包含两层Inception-ResNet单元的网络结构，主要包含标准化层、卷积层、池化层、融合层和扁平层，其结构简图如图2所示，具体说明如下：
201：卷积层使用Keras中的2D卷积层Conv2D，卷积核尺寸为3×3，卷积核数量为16；
202：标准层使用Keras中的批量标准化层BatchNormalization，其输出尺寸与输入层一致；
203：池化层使用Keras中的2D最大池化MaxPooling2D，池化尺寸为2×2；
204：Inception单元使用Keras中的卷积层和池化层构成，其结构如图3所示，具体说明如下：
301：卷积层A使用Keras中的2D卷积层Conv2D，卷积核尺寸为1×1，卷积核数量为16；
302：卷积层B使用Keras中的2D卷积层Conv2D，卷积核尺寸为3×3，卷积核数量为16；
303：卷积层C使用Keras中的2D卷积层Conv2D，卷积核尺寸为5×5，卷积核数量为16；
304：池化层使用Keras中的2D最大池化MaxPooling2D，池化尺寸为3×3；
特别地，在Inception单元中，所有卷积层的padding方式设置为same。
205：融合层使用Keras中的Add计算输入张量列表的和；
206：扁平层使用Keras中的Flatten将输入展平；
207：输出的CNN提取得到的红外图像特征将作为SVM的输入，用于构建模型和测试模型。
105：支持向量机煤矸识别模型构建，利用CNN提取的图像特征在训练集上构建SVM煤矸识别模型，确定SVM煤矸识别模型的参数，然后利用测试集来测试识别的效果，验证模型性能。
通过上述技术方案，本发明的有益效果是：采用红外成像技术获取煤和矸石的红外图像并进行煤矸识别解决现有煤矸识别方法存在的不足；提出一种新的卷积神经网络模型能够提取更多、更有效的特征信息，且可以有效避免过拟合等问题，非常适用于煤和矸石的快速、精准识别。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (5)

1.一种煤和矸石的红外图像识别方法，其特征在于：包括以下步骤：
(1)煤和矸石原始红外图像获取；
(2)煤和矸石红外图像的预处理；
(3)煤和矸石红外图像样本划分；
(4)卷积神经网络图像特征提取；
(5)支持向量机煤矸识别模型构建；
所述步骤(4)中，用于提取红外图像特征的卷积神经网络(Convolutional neuralnetwork,CNN)是一种包含两层Inception-ResNet单元的网络结构，主要包含标准化层、卷积层、池化层、扁平层和融合层；
卷积层使用Keras中的2D卷积层Conv2D，卷积核尺寸为3×3，卷积核数量为16；
标准层使用Keras中的批量标准化层BatchNormalization，其输出尺寸与输入层一致；
池化层使用Keras中的2D最大池化MaxPooling2D，池化尺寸为2×2；
Inception单元使用Keras中的卷积层和池化层构成，其结构具体如下：
卷积层A使用Keras中的2D卷积层Conv2D，卷积核尺寸为1×1，卷积核数量为16；
卷积层B使用Keras中的2D卷积层Conv2D，卷积核尺寸为3×3，卷积核数量为16；
卷积层C使用Keras中的2D卷积层Conv2D，卷积核尺寸为5×5，卷积核数量为16；
池化层使用Keras中的2D最大池化MaxPooling2D，池化尺寸为3×3；
特别地，在Inception单元中，所有卷积层的padding方式设置为same；
融合层使用Keras中的Add计算输入张量列表的和；
扁平层使用Keras中的Flatten将输入展平。
2.根据权利要求1所述的一种煤和矸石的红外图像识别方法，其特征在于：所述步骤(1)中，利用红外成像技术获取煤和矸石的红外图像，得到煤和矸石的原始红外图像数据集。
3.根据权利要求1所述的一种煤和矸石的红外图像识别方法，其特征在于：所述步骤(2)中，对煤和矸石的原始红外图像进行缩放、裁剪处理，得到统一大小的煤和矸石的红外图像。
4.根据权利要求1所述的一种煤和矸石的红外图像识别方法，其特征在于：所述步骤(3)中，采用随机抽样法将预处理后的煤和矸石红外图像数据按照一定的比例划分为独立的训练集和测试集。
5.根据权利要求1所述的一种煤和矸石的红外图像识别方法，其特征在于：所述步骤(5)中，利用CNN提取的图像特征在训练集上构建支持向量机(Supportvectormachine,SVM)煤矸识别模型，确定SVM煤矸识别模型的参数，然后利用测试集来测试识别的效果，验证模型性能。
CN201910538123.3A 2019-06-20 2019-06-20 一种煤和矸石的红外图像识别方法 Active CN110245635B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910538123.3A CN110245635B (zh) 2019-06-20 2019-06-20 一种煤和矸石的红外图像识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910538123.3A CN110245635B (zh) 2019-06-20 2019-06-20 一种煤和矸石的红外图像识别方法

Publications (2)

Publication Number Publication Date
CN110245635A CN110245635A (zh) 2019-09-17
CN110245635B true CN110245635B (zh) 2023-08-04

Family

ID=67888565

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910538123.3A Active CN110245635B (zh) 2019-06-20 2019-06-20 一种煤和矸石的红外图像识别方法

Country Status (1)

Country Link
CN (1) CN110245635B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112364979B (zh) * 2020-11-05 2022-07-12 哈尔滨工业大学 一种基于GoogLeNet的红外图像识别方法
CN112465063B (zh) * 2020-12-11 2023-05-23 中国矿业大学 一种基于多传感信息融合的放顶煤过程中煤矸识别方法
CN113159038B (zh) * 2020-12-30 2022-05-27 太原理工大学 一种基于多模态融合的煤岩分割方法
CN113390909A (zh) * 2021-06-11 2021-09-14 安徽理工大学 一种基于x射线衍射技术的煤矸识别方法
CN113591689A (zh) * 2021-07-29 2021-11-02 安徽理工大学 一种煤和矸石rgb图像识别方法及其系统
CN114887924A (zh) * 2022-04-28 2022-08-12 安徽理工大学 一种基于太赫兹成像的煤矸石识别分选装置及方法
CN115535577B (zh) * 2022-11-30 2023-06-02 宁波长壁流体动力科技有限公司 综放开采放落过程复杂工况煤矸识别方法、装置和介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102521572A (zh) * 2011-12-09 2012-06-27 中国矿业大学 一种煤和矸石的图像识别方法
CN107891015A (zh) * 2018-01-09 2018-04-10 河南理工大学 一种煤矸分选中煤矸红外识别装置
CN109063728A (zh) * 2018-06-20 2018-12-21 燕山大学 一种火灾图像深度学习模式识别方法
WO2019051411A1 (en) * 2017-09-08 2019-03-14 The General Hospital Corporation METHOD AND SYSTEMS FOR ANALYSIS OF MEDICAL IMAGE DATA BY AUTOMATIC LEARNING
CN109815999A (zh) * 2019-01-08 2019-05-28 浙江大学 一种简便高效的自动化煤矸识别方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102521572A (zh) * 2011-12-09 2012-06-27 中国矿业大学 一种煤和矸石的图像识别方法
WO2019051411A1 (en) * 2017-09-08 2019-03-14 The General Hospital Corporation METHOD AND SYSTEMS FOR ANALYSIS OF MEDICAL IMAGE DATA BY AUTOMATIC LEARNING
CN107891015A (zh) * 2018-01-09 2018-04-10 河南理工大学 一种煤矸分选中煤矸红外识别装置
CN109063728A (zh) * 2018-06-20 2018-12-21 燕山大学 一种火灾图像深度学习模式识别方法
CN109815999A (zh) * 2019-01-08 2019-05-28 浙江大学 一种简便高效的自动化煤矸识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于字典学习的煤与矸石图像特征识别方法;徐岩;米强;刘斌;徐运杰;;山东科技大学学报(自然科学版)(03);全文 *

Also Published As

Publication number Publication date
CN110245635A (zh) 2019-09-17

Similar Documents

Publication Publication Date Title
CN110245635B (zh) 一种煤和矸石的红外图像识别方法
CN110321959B (zh) 一种多光谱图像信息和cnn的煤矸识别方法
CN107133943B (zh) 一种防震锤缺陷检测的视觉检测方法
Rijal et al. Ensemble of deep neural networks for estimating particulate matter from images
CN108009591B (zh) 一种基于深度学习的接触网关键部件识别方法
CN111488921B (zh) 一种全景数字病理图像智能分析系统及方法
CN111462076B (zh) 一种全切片数字病理图像模糊区域检测方法及系统
CN108564026B (zh) 用于甲状腺肿瘤细胞学涂片图像分类的网络构建方法及系统
CN116310785B (zh) 基于YOLO v4的无人机影像路面病害检测方法
CN114862838A (zh) 基于无监督学习的缺陷检测方法及设备
CN112598620B (zh) 尿沉渣中透明管型、病理管型以及粘液丝的识别方法
CN109670489B (zh) 基于多实例学习的弱监督式早期老年性黄斑病变分类方法
CN112132827A (zh) 病理图像的处理方法、装置、电子设备及可读存储介质
CN109002831A (zh) 一种基于卷积神经网络的乳腺密度分类方法、系统及装置
CN115131747A (zh) 基于知识蒸馏的输电通道工程车辆目标检测方法及系统
CN114627082A (zh) 一种基于改进YOLOv5网络的光伏组件EL缺陷检测方法
CN114580501A (zh) 骨髓细胞分类方法、系统、计算机设备及存储介质
CN114140437A (zh) 一种基于深度学习的眼底硬渗出物分割方法
US12002206B2 (en) System and method for automatically identifying mitosis in H and E stained breast cancer pathological images
CN114092935A (zh) 一种基于卷积神经网络的纺织品纤维识别方法
CN111612803B (zh) 一种基于图像清晰度的车辆图像语义分割方法
CN111339950B (zh) 一种遥感图像目标检测方法
CN113159046A (zh) 无砟道床异物检测方法及装置
CN111723673A (zh) 一种基于计算机视觉的智能高铁人数统计方法
CN115273009A (zh) 基于深度学习的道路裂纹检测方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant