CN111723861A - 一种用于煤矿控制挡板的煤矸石百分比识别方法 - Google Patents

一种用于煤矿控制挡板的煤矸石百分比识别方法 Download PDF

Info

Publication number
CN111723861A
CN111723861A CN202010554748.1A CN202010554748A CN111723861A CN 111723861 A CN111723861 A CN 111723861A CN 202010554748 A CN202010554748 A CN 202010554748A CN 111723861 A CN111723861 A CN 111723861A
Authority
CN
China
Prior art keywords
image
gangue
coal
entropy
gradient
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.)
Granted
Application number
CN202010554748.1A
Other languages
English (en)
Other versions
CN111723861B (zh
Inventor
杜京义
郝乐
陈宇航
汶武
董刚
胡伟杰
井萌
刘赟超
闫爱军
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.)
Xian University of Science and Technology
Original Assignee
Xian 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 Xian University of Science and Technology filed Critical Xian University of Science and Technology
Priority to CN202010554748.1A priority Critical patent/CN111723861B/zh
Publication of CN111723861A publication Critical patent/CN111723861A/zh
Application granted granted Critical
Publication of CN111723861B publication Critical patent/CN111723861B/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
    • G06F18/24—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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/51—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/53—Querying
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/73—Deblurring; Sharpening
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects

Landscapes

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

Abstract

本发明公开了一种用于煤矿控制挡板的煤矸石百分比识别方法，具体包括如下步骤：步骤1，实时采集现场图像；步骤2，对步骤1采集的图像进行预处理；步骤3，在皮带背景下进行煤矸石定位标注，得到矩形目标图像；步骤4，对步骤3所得的矩形目标图像依次计算梯度平均、梯度熵、混合熵；步骤5，利用分类器对单个煤矸石的三项特征值梯度平均、梯度熵、混合熵进行分类；步骤6，计算图像煤矸石面积百分比。本发明采用梯度平均、梯度熵、混合熵将图像信息变化为三项特征值，解决了目前采用人工控制挡板存在的误差大的问题。

Description

一种用于煤矿控制挡板的煤矸石百分比识别方法
技术领域
本发明属于图像处理技术领域，涉及一种用于煤矿控制挡板的煤矸石百分比识别方法。
背景技术
煤炭作为现有我国主要能源，在煤炭开采的过程中，不可避免的会连同煤层上的矸石块一同运输上地面。在实际生产中，经过振动筛初分后，在煤楼上通过人工手动分拣或人工控制挡板的方式筛选皮带上的煤矸石块，当遇到矸石块过多的情况，放下挡板，使所有物料进入矸石仓。这使得控制挡板起落时刻，量化挡板起落条件成为需要考虑的问题，如何量化挡板起落时刻，避免根据现场工人经验控制挡板升降，从而降低现场工人的劳动强度，避免工人由于误操作带来的企业经济损失，提升煤仓含煤量。
当前控制挡板的方式主要为手动控制，鉴别煤矸石手段主要为人检、放射源检测等方法，手动控制易受人为等因素影响；而手动检测劳动强度过大；放射源检测又存在环境危害，造价过高等问题；
中国专利(专利号ZL201110377349.3)公开了一种基于图像灰度共生矩阵的煤岩识别方法，这种方法能够将岩体类型进行分类，无法检测皮带环境下的运动物体对单个物体进行分类，存在运算冗余结果过多等现状，有必要提出进一步改善方案。
发明内容
本发明的目的是提供一种用于煤矿控制挡板的煤矸石百分比识别方法，该方法采用梯度平均、梯度熵、混合熵将图像信息变化为三项特征值，解决了目前采用人工控制挡板存在的误差大的问题。
本发明所采用的技术方案是，一种用于煤矿控制挡板的煤矸石百分比识别方法，具体包括如下步骤：
步骤1，实时采集现场图像；
步骤2，对步骤1采集的图像进行预处理；
步骤3，在皮带背景下进行煤矸石定位标注，得到矩形目标图像；
步骤4，对步骤3所得的矩形目标图像依次计算梯度平均、梯度熵、混合熵；
步骤5，利用分类器对单个煤矸石的三项特征值梯度平均、梯度熵、混合熵进行分类；
步骤6，计算图像煤矸石面积百分比。
本发明的特点还在于，
步骤2的具体过程为：
对步骤1采集的实时图像通过自定义3×3卷积核进行卷积，得到图像梯度增强的锐化预处理图像Pr。
步骤3的具体过程为：
步骤3.1，建立背景数据库Db；
步骤3.2，向背景数据库Db中输入背景图像，截取皮带开始运行且皮带表面未出现物料的图像作为背景，对背景图像通过自定义3×3卷积核进行卷积进行预处理，得到经过背景图像锐化处理的背景预处理图像Pb，并将图像Pb带入背景数据库Db中；
步骤3.3，提取步骤2中的锐化预处理图像Pr；
步骤3.4，设置阈值α，根据如下公式(1)输出二值图像：
|Pr(xi,yi)-Pb(xi,yi)|＝f(xi,yi) (1)；
若f(xi,yi)≥α，则f(xi,yi)＝1代表前景；若f(xi,yi)＜α，则f(xi,yi)＝0代表背景，得到由前景与背景以像素为单位构成的二值图像；其中Pr(xi,yi)代表步骤3.3中的锐化预处理图像Pr在(xi,yi)的灰度值，Pb(xi,yi)代表步骤3.2中背景预处理图像在(xi,yi)的灰度值，f(xi,yi)代表二值图像在(xi,yi)的值；
步骤3.5，对步骤3.4输出的二值图像进行膨胀、腐蚀操作，得到消除空洞的二值图像；
步骤3.6，遍历步骤3.5得到的消除空洞的二值图像，检测图像中前景轮廓，标注每个前景轮廓在消除空洞的二值图像左上角坐标与右下角坐标，得到矩形坐标位置，将矩形坐标位置带入锐化预处理图像Pr并储存，得到锐化预处理图像Pr上所有已标注的矩形目标图像。
步骤3.5的具体过程为：
通过卷积核
Figure BDA0002543896780000031
对所述二值图像先进行膨胀再进行腐蚀操作。
步骤4的具体过程为：
步骤4.1，提取单张图片上矩形目标图像；
步骤4.2，选取sobel一阶边缘算子带入步骤4.1提取的矩形目标图像，得到矩形目标图像的边缘图像；
步骤4.3，将步骤4.2所得的边缘图像灰度值由0-255等比划分为4n个等级，n∈{1,2,4,8,16,32}，得到4n等级灰度图像；
步骤4.4，计算4n等级灰度图像梯度平均、梯度熵、混合熵，并将梯度平均、梯度熵、混合熵三项特征值进行储存。
步骤4.2的具体过程为：
sobel一阶算子，在x方向上公式如下公式(2)所示，在y方向上的公式如下公式(3)所示，sobel算子输出图像如下公式(4)所示：
Figure BDA0002543896780000041
Figure BDA0002543896780000042
Figure BDA0002543896780000043
其中，f(x)表示步骤4.1提取的单张图像上的矩形目标图像。
步骤4.4的具体过程为：
通过如下公式(5)计算梯度平均、梯度熵、混合熵三项特征值：
Figure BDA0002543896780000044
其中，i为在点(x,y)处的灰度值，点(x+a,y+b)处的灰度值为j，μ为梯度平均，T1为梯度熵，T2为混合熵，P(i,j)为i、j两个灰度值出现的概率。
步骤5的具体过程为：
步骤5.1，建立煤矸石三项特征训练数据库Ds；
步骤5.2，查询历史图像记录并截取图像，将图像划分为多个单目标图像；
步骤5.3，对步骤5.2所得的单目标物图像通过自定义3×3卷积核进行卷积进行预处理，并利用公式(5)计算梯度平均、梯度熵、混合熵，得到历史单目标图像三项特征值；
步骤5.4，分类将步骤5.3所得的三项特征值储存至训练数据库，得到小样本三项特征数据库Ds；
步骤5.5，运用SVM模型训练步骤5.4所得的小样本三项特征数据库Ds；
步骤5.6，生成并储存分类器模型。
步骤5.1中的三项煤矸石特征训练数据库Ds，第一类数据S1为煤块类别，第二类数据S2为矸石块类别，训练数据库Ds的分类数据集设置训练数据与测试数据比例为8：2，三项煤矸石特征训练数据库每类数据量不小于1000。
步骤6的具体过程如下：
步骤6.1，将步骤4.4储存的梯度平均、梯度熵、混合熵三项特征值输入步骤5所得的分类器模型中进线分类，得到三项特征对应的煤或矸石类别；
步骤6.2，设置挡板阈值β；
步骤6.3，通过如下公式(6)～(8)求矸石面积与煤面积比：
Si＝(xi2-xi1)×(yi2-yi1) (6)；
Ssi＝(xsi2-xsi1)×(ysi2-ysi1) (7)；
Figure BDA0002543896780000061
其中，Si为图像中第i个目标的像素面积，(xi2,yi2)为第i个目标的矩形标注的右下角坐标，(xi1,yi1)为第i个目标的矩形标注的左上角坐标，Ssi为中第i个矸石的像素面积，(xsi2,ysi2)为第i个矸石的矩形标注的右下角坐标，(xsi1,ysi1)为第i个矸石的矩形标注的左上角坐标，Dsu1为矸石占总面积的百分比，su为图像中煤矸石目标总个数，su1为矸石总个数，(1-Dsu1)为煤占总面积的百分比；
步骤6.4，判断步骤6.4所得的矸石面积比是否大于挡板阈值β，若矸石比大于等于挡板阈值β，则皮带矸石物料过多，放下挡板；若矸石比小于挡板阈值β，则皮带矸石物料不多，抬起挡板。
本发明的有益效果是，本发明针对人工控制挡板误差高，针对放射源检测成本较高且会产生环境污染，针对原有视频检测方法无法检测单个运动目标并进行分类，采用图像识别煤矸石百分比的大小控制挡矸石板升降，其中利用背景减除法对筛选出目标物，解决了运动皮带上定位目标的问题；采用梯度平均、梯度熵、混合熵将图像信息变化为三项特征值，从而通过SVM或公式对原目标图像进行分类，检测煤矸石百分比，从而控制挡板，阻止矸石块进入煤仓，解决原有人工控制的误差；本发明通过图像方法将运动皮带上目标物检测出来，并计算梯度平均、梯度熵、混合熵，将图像信息转化为三项数值，便于分类从而控制挡板上升或下降，解决了原有方法中无法检测运动目标，放射源检测对环境污染等问题，从而解决人工控制挡板误差高，减少煤矿企业的经济损失，便于推广使用。
具体实施方式
下面结合具体实施方式对本发明进行详细说明。
本发明一种用于煤矿控制挡板的煤矸石百分比识别方法，具体包括如下步骤：
步骤1，实时采集现场图像；
通过煤楼手选皮带上监控摄像头采集现场实时图像，以30秒为频次实时采集现场图像，得到现场实时图像；
通过200万像素红外采集平煤股份五矿煤楼手选皮带数据，皮带上煤矸石大小主要集中在80-300mm。
步骤2，对步骤1采集的实时图像通过自定义3×3卷积核进行卷积，得到图像梯度增强的锐化预处理图像Pr。
自定义3×3卷积核结构为
Figure BDA0002543896780000071
与现场步长为1的实时图像进行卷积；
步骤3，在皮带背景下进行煤矸石定位标注，得到矩形目标图像；
步骤3的具体过程为：
步骤3.1，建立背景数据库Db；背景数据库主要用于存储背景图像；
步骤3.2，向背景数据库Db中输入背景图像，截取皮带开始运行且皮带表面未出现物料的图像作为背景，对背景图像通过自定义3×3卷积核进行卷积进行预处理，得到经过背景图像锐化处理的背景预处理图像Pb，并将图像Pb带入背景数据库Db中；
其中背景预处理图像Pb为抓拍皮带静止且图像中无多余物料的图像。
步骤3.3，提取步骤2中的锐化预处理图像Pr；
步骤3.4，设置阈值α，根据如下公式(1)输出二值图像：
|Pr(xi,yi)-Pb(xi,yi)|＝f(xi,yi) (1)；
若f(xi,yi)≥α，则f(xi,yi)＝1代表前景；若f(xi,yi)＜α，则f(xi,yi)＝0代表背景，得到由前景与背景以像素为单位构成的二值图像；其中Pr(xi,yi)代表步骤3.3中的锐化预处理图像Pr在(xi,yi)的灰度值，Pb(xi,yi)代表步骤3.2中背景预处理图像在(xi,yi)的灰度值，f(xi,yi)代表二值图像在(xi,yi)的值；
阈值α一般设置为30，通过实时图像与背景图像差的绝对值以像素点为单位判断单个像素点是否属于前景目标，在二值图像中，前景区域为白色，背景区域为黑色，经过消除空洞后，白色前景一般为皮带上煤矸石目标，黑色背景为皮带上煤矸石未覆盖区域。
步骤3.5，对步骤3.4输出的二值图像进行膨胀、腐蚀操作，得到消除空洞的二值图像；
步骤3.6，遍历步骤3.5得到的消除空洞的二值图像，检测图像中前景轮廓，标注每个前景轮廓在消除空洞的二值图像左上角坐标与右下角坐标，得到矩形坐标位置，将矩形坐标位置带入锐化预处理图像Pr并储存，得到锐化预处理图像Pr上所有已标注的矩形目标图像。
步骤3.5的具体过程为：
通过卷积核
Figure BDA0002543896780000091
对二值图像先膨胀用以消除图像中空洞，在进行腐蚀，减少目标边沿扩大，同时，避免膨胀产生的目标粘连。
步骤4，对步骤3所得的矩形目标图像依次计算梯度平均、梯度熵、混合熵；
步骤4的具体过程为：
步骤4.1，提取单张图片上矩形目标图像；
步骤4.2，选取sobel一阶边缘算子带入步骤4.1提取的矩形目标图像，得到矩形目标图像的边缘图像；
步骤4.3，将边缘图像灰度值由0-255等比划分为
Figure BDA0002543896780000092
即4n个等级，n∈{1,2,4,8,16,32}，得到便于计算的4n等级灰度图像；
步骤4.4，计算4n等级灰度图像梯度平均、梯度熵、混合熵，并将梯度平均、梯度熵、混合熵三项特征值进行储存。
步骤4.2的具体过程为：
sobel一阶算子，在x方向上公式如下公式(2)所示，在y方向上的公式如下公式(3)所示，sobel算子输出图像如下公式(4)所示：
Figure BDA0002543896780000093
Figure BDA0002543896780000094
Figure BDA0002543896780000101
其中，f(x)表示步骤4.1提取的单张图像上的矩形目标图像。
步骤4.4的具体过程为：
通过如下公式(5)计算梯度平均、梯度熵、混合熵三项特征值：
Figure BDA0002543896780000102
其中，i为在点(x,y)处的灰度值，点(x+a,y+b)处的灰度值为j，p(i,j)为i、j两个灰度值出现的概率，μ为梯度平均，T1为梯度熵，T2为混合熵，(a,b)取值选取(1,0)、(0,1)、(1,1)、(-1,-1)，分别对应0°、90°、45°、135°，依次固定a,b的值，令(x,y)在整幅图像上移动，则会得到不同的(i,j)的值。
步骤5，利用分类器对单个煤矸石的三项特征值梯度平均、梯度熵、混合熵进行分类；
步骤5的具体过程为：
步骤5.1，建立煤矸石三项特征训练数据库Ds；用于储存通过历史图像计算的单个煤矸石三项特征，便于训练分类器；
步骤5.1中的三项煤矸石特征训练数据库Ds，第一类数据S1为煤块类别，第二类数据S2为矸石块类别，训练数据库Ds的分类数据集设置训练数据与测试数据比例为8：2，三项煤矸石特征训练数据库每类数据量不小于1000。
步骤5.2，查询历史图像记录并截取图像，将图像划分为多个单目标图像；
步骤5.3，对步骤5.2所得的单目标物图像通过自定义3×3卷积核进行卷积进行预处理，并利用公式(5)计算梯度平均、梯度熵、混合熵，得到历史单目标图像三项特征值；
通过历史数据建立煤矸石三项特征数据集，主要选取00：00-6：00手选皮带工作运行时刻，后通过手动截取图像中单个煤矸石目标，后通过式(5)批量计算三项特征值，将特征值分为矸石数据与煤数据，设置当SVM模型训练精度超过95％时，停止模型训练。
步骤5.4，分类将步骤5.3所得的三项特征值储存至训练数据库，得到小样本三项特征数据库Ds；
步骤5.5，运用支持向量机(SVM,Support Vector Machine)模型训练数据库数据，将所述小样本三项特征数据库Ds输入SVM训练模型；
SVM模型，采用高斯核函数，用以充分训练数据集数据。
分类器对分类结果进行分类，在SVM模型需要训练时间过长的基础上采用公式f＝100μ+10T1+T2代替SVM模型，设置阈值以此划分煤块与矸石块，f为三项特征分类系数。
步骤5.6，生成并储存分类器模型。
步骤6，计算图像煤矸石面积百分比。
步骤6的具体过程如下：
步骤6.1，将步骤4.4储存的梯度平均、梯度熵、混合熵三项特征值输入步骤5所得的分类器模型中进线分类，得到三项特征对应的煤或矸石类别；
步骤6.2，设置挡板阈值β；
步骤6.3，通过如下公式(6)～(8)求矸石面积与煤面积比：
Si＝(xi2-xi1)×(yi2-yi1) (6)；
Ssi＝(xsi2-xsi1)×(ysi2-ysi1) (7)；
Figure BDA0002543896780000121
其中，Si为图像中第i个目标的像素面积，(xi2,yi2)为第i个目标的矩形标注的右下角坐标，(xi1,yi1)为第i个目标的矩形标注的左上角坐标，Ssi为中第i个矸石的像素面积，(xsi2,ysi2)为第i个矸石的矩形标注的右下角坐标，(xsi1,ysi1)为第i个矸石的矩形标注的左上角坐标，Dsu1为矸石占总面积的百分比，su为图像中煤矸石目标总个数，su1为矸石总个数，(1-Dsu1)为煤占总面积的百分比；
步骤6.4，判断步骤6.4所得的矸石面积比是否大于挡板阈值β，若矸石比大于等于挡板阈值β，则皮带矸石物料过多，放下挡板；若矸石比小于挡板阈值β，则皮带矸石物料不多，抬起挡板。
本发明与现有技术相比具有以下优点：
1.本发明通过设置阈值α，利用公式|Pr(x,y)-Pb(x,y)|＝f(x,y)，若f(x1,y1)≥α，则f(x1,y1)＝1代表前景；若f(x1,y1)＜α，则f(x1,y1)＝0代表背景，得到背景减除法输出二值图像；其中f(x,y)代表所述预处理图像Pr以像素为单位减去所述背景预处理图像Pb的绝对值，f(x1,y1)代表在点(x1,y1)时的灰度值。能够检测运动皮带上的煤矸石，为原有方法无法单一检测提供解决方案，具有试用环境广、检测速度快等优势。
2.本发明通过梯度平均、梯度熵、混合熵，梯度平均公式为
Figure BDA0002543896780000131
梯度熵公式为
Figure BDA0002543896780000132
混合熵公式为
Figure BDA0002543896780000133
其中i为在点(x,y)处的灰度值，点(x+a,y+b)处的灰度值为j，固定a,b的值，令(x,y)在整幅图像上移动，则会得到不同的(i,j)的值，将图像信息转化为三项特征信息，便于将单个目标通过SVM或公式进行分类。
3.本发明通过计算煤矸石面积比，以所有矩形标注像素面积为分母，以矸石矩形标注面积为分子，得出矸石面积比与煤面积比。从而将控制挡板手段量化，解决了原有工人经验控制挡板产生的误差。

Claims (10)

1.一种用于煤矿控制挡板的煤矸石百分比识别方法，其特征在于：具体包括如下步骤：
步骤1，实时采集现场图像；
步骤2，对步骤1采集的图像进行预处理；
步骤3，在皮带背景下进行煤矸石定位标注，得到矩形目标图像；
步骤4，对步骤3所得的矩形目标图像依次计算梯度平均、梯度熵、混合熵；
步骤5，利用分类器对单个煤矸石的三项特征值梯度平均、梯度熵、混合熵进行分类；
步骤6，计算图像煤矸石面积百分比。
2.根据权利要求1所述的一种用于煤矿控制挡板的煤矸石百分比识别方法，其特征在于：所述步骤2的具体过程为：
对步骤1采集的实时图像通过自定义3×3卷积核进行卷积，得到图像梯度增强的锐化预处理图像Pr。
3.根据权利要求2所述的一种用于煤矿控制挡板的煤矸石百分比识别方法，其特征在于：所述步骤3的具体过程为：
步骤3.1，建立背景数据库Db；
步骤3.2，向背景数据库Db中输入背景图像，截取皮带开始运行且皮带表面未出现物料的图像作为背景，对背景图像通过自定义3×3卷积核进行卷积进行预处理，得到经过背景图像锐化处理的背景预处理图像Pb，并将图像Pb带入背景数据库Db中；
步骤3.3，提取步骤2中的锐化预处理图像Pr；
步骤3.4，设置阈值α，根据如下公式(1)输出二值图像：
|Pr(xi,yi)-Pb(xi,yi)|＝f(xi,yi) (1)；
若f(xi,yi)≥α，则f(xi,yi)＝1代表前景；若f(xi,yi)＜α，则f(xi,yi)＝0代表背景，得到由前景与背景以像素为单位构成的二值图像；其中Pr(xi,yi)代表步骤3.3中的锐化预处理图像Pr在(xi,yi)的灰度值，Pb(xi,yi)代表步骤3.2中背景预处理图像在(xi,yi)的灰度值，f(xi,yi)代表二值图像在(xi,yi)的值；
步骤3.5，对步骤3.4输出的二值图像进行膨胀、腐蚀操作，得到消除空洞的二值图像；
步骤3.6，遍历步骤3.5得到的消除空洞的二值图像，检测图像中前景轮廓，标注每个前景轮廓在消除空洞的二值图像左上角坐标与右下角坐标，得到矩形坐标位置，将矩形坐标位置带入锐化预处理图像Pr并储存，得到所述锐化预处理图像Pr上所有已标注的矩形目标图像。
4.根据权利要求3所述的一种用于煤矿控制挡板的煤矸石百分比识别方法，其特征在于：所述步骤3.5的具体过程为：
通过卷积核
Figure FDA0002543896770000021
对所述二值图像先进行膨胀再进行腐蚀操作。
5.根据权利要求4所述的一种用于煤矿控制挡板的煤矸石百分比识别方法，其特征在于：所述步骤4的具体过程为：
步骤4.1，提取单张图片上矩形目标图像；
步骤4.2，选取sobel一阶边缘算子带入步骤4.1提取的矩形目标图像，得到矩形目标图像的边缘图像；
步骤4.3，将步骤4.2所得的边缘图像灰度值由0-255等比划分为4n个等级，n∈{1,2,4,8,16,32}，得到4n等级灰度图像；
步骤4.4，计算4n等级灰度图像梯度平均、梯度熵、混合熵，并将梯度平均、梯度熵、混合熵三项特征值进行储存。
6.根据权利要求5所述的一种用于煤矿控制挡板的煤矸石百分比识别方法，其特征在于：所述步骤4.2的具体过程为：
sobel一阶算子，在x方向上公式如下公式(2)所示，在y方向上的公式如下公式(3)所示，sobel算子输出图像如下公式(4)所示：
Figure FDA0002543896770000031
Figure FDA0002543896770000032
Figure FDA0002543896770000033
其中，f(x)表示步骤4.1提取的单张图像上的矩形目标图像。
7.根据权利要求6所述的一种用于煤矿控制挡板的煤矸石百分比识别方法，其特征在于：所述步骤4.4的具体过程为：
通过如下公式(5)计算梯度平均、梯度熵、混合熵三项特征值：
Figure FDA0002543896770000041
其中，i为在点(x,y)处的灰度值，点(x+a,y+b)处的灰度值为j，p(i,j)为i、j两个灰度值出现的概率，μ为梯度平均，T1为梯度熵，T2为混合熵。
8.根据权利要求7所述的一种用于煤矿控制挡板的煤矸石百分比识别方法，其特征在于：所述步骤5的具体过程为：
步骤5.1，建立煤矸石三项特征训练数据库Ds；
步骤5.2，查询历史图像记录并截取图像，将图像划分为多个单目标图像；
步骤5.3，对步骤5.2所得的单目标物图像通过自定义3×3卷积核进行卷积进行预处理，并利用公式(5)计算梯度平均、梯度熵、混合熵，得到历史单目标图像三项特征值；
步骤5.4，分类将步骤5.3所得的三项特征值储存至训练数据库，得到小样本三项特征数据库Ds；
步骤5.5，运用SVM模型训练步骤5.4所得的小样本三项特征数据库Ds；
步骤5.6，生成并储存分类器模型。
9.根据权利要求8所述的一种用于煤矿控制挡板的煤矸石百分比识别方法，其特征在于：所述步骤5.1中的三项煤矸石特征训练数据库Ds，第一类数据S1为煤块类别，第二类数据S2为矸石块类别，训练数据库Ds的分类数据集设置训练数据与测试数据比例为8：2，三项煤矸石特征训练数据库每类数据量不小于1000。
10.根据权利要求9所述的一种用于煤矿控制挡板的煤矸石百分比识别方法，其特征在于：所述步骤6的具体过程如下：
步骤6.1，将步骤4.4储存的梯度平均、梯度熵、混合熵三项特征值输入步骤5所得的分类器模型中进线分类，得到三项特征对应的煤或矸石类别；
步骤6.2，设置挡板阈值β；
步骤6.3，通过如下公式(6)～(8)求矸石面积与煤面积比：
Si＝(xi2-xi1)×(yi2-yi1) (6)；
Ssi＝(xsi2-xsi1)×(ysi2-ysi1) (7)；
Figure FDA0002543896770000051
其中，Si为图像中第i个目标的像素面积，(xi2,yi2)为第i个目标的矩形标注的右下角坐标，(xi1,yi1)为第i个目标的矩形标注的左上角坐标，Ssi为中第i个矸石的像素面积，(xsi2,ysi2)为第i个矸石的矩形标注的右下角坐标，(xsi1,ysi1)为第i个矸石的矩形标注的左上角坐标，Dsu1为矸石占总面积的百分比，su为图像中煤矸石目标总个数，su1为矸石总个数，(1-Dsu1)为煤占总面积的百分比；
步骤6.4，判断步骤6.4所得的矸石面积比是否大于挡板阈值β，若矸石比大于等于挡板阈值β，则皮带矸石物料过多，放下挡板；若矸石比小于挡板阈值β，则皮带矸石物料不多，抬起挡板。
CN202010554748.1A 2020-06-17 2020-06-17 一种用于煤矿控制挡板的煤矸石百分比识别方法 Active CN111723861B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010554748.1A CN111723861B (zh) 2020-06-17 2020-06-17 一种用于煤矿控制挡板的煤矸石百分比识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010554748.1A CN111723861B (zh) 2020-06-17 2020-06-17 一种用于煤矿控制挡板的煤矸石百分比识别方法

Publications (2)

Publication Number Publication Date
CN111723861A true CN111723861A (zh) 2020-09-29
CN111723861B CN111723861B (zh) 2024-04-16

Family

ID=72567279

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010554748.1A Active CN111723861B (zh) 2020-06-17 2020-06-17 一种用于煤矿控制挡板的煤矸石百分比识别方法

Country Status (1)

Country Link
CN (1) CN111723861B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113029878A (zh) * 2021-03-08 2021-06-25 湖南中冶长天节能环保技术有限公司 一种活性炭高温检测并分级报警的方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002259983A (ja) * 2001-02-28 2002-09-13 System K:Kk 画像認識方法及びシステム
US20100061629A1 (en) * 2008-09-05 2010-03-11 Digital Business Processes, Inc. Method and Apparatus for Binarization Threshold Calculation
RU2608239C1 (ru) * 2016-04-12 2017-01-17 Общество с ограниченной ответственностью "Аби Девелопмент" Способ и система определения пригодности изображения документа для оптического распознавания символов и других операций по обработке изображений
CN106650824A (zh) * 2016-12-30 2017-05-10 西安电子科技大学 基于支持向量机的运动目标分类方法
CA3024336A1 (en) * 2016-05-16 2017-11-23 Sensen Networks Group Pty Ltd System and method for automated table game activity recognition
US20170372460A1 (en) * 2016-06-28 2017-12-28 Abbyy Development Llc Method and system that efficiently prepares text images for optical-character recognition
CN110390691A (zh) * 2019-06-12 2019-10-29 合肥合工安驰智能科技有限公司 一种基于深度学习的矿石尺度测量方法及应用系统
CN110852395A (zh) * 2019-11-15 2020-02-28 鞍钢集团矿业有限公司 一种基于自主学习和深度学习的矿石粒度检测方法和系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002259983A (ja) * 2001-02-28 2002-09-13 System K:Kk 画像認識方法及びシステム
US20100061629A1 (en) * 2008-09-05 2010-03-11 Digital Business Processes, Inc. Method and Apparatus for Binarization Threshold Calculation
RU2608239C1 (ru) * 2016-04-12 2017-01-17 Общество с ограниченной ответственностью "Аби Девелопмент" Способ и система определения пригодности изображения документа для оптического распознавания символов и других операций по обработке изображений
CA3024336A1 (en) * 2016-05-16 2017-11-23 Sensen Networks Group Pty Ltd System and method for automated table game activity recognition
US20170372460A1 (en) * 2016-06-28 2017-12-28 Abbyy Development Llc Method and system that efficiently prepares text images for optical-character recognition
CN106650824A (zh) * 2016-12-30 2017-05-10 西安电子科技大学 基于支持向量机的运动目标分类方法
CN110390691A (zh) * 2019-06-12 2019-10-29 合肥合工安驰智能科技有限公司 一种基于深度学习的矿石尺度测量方法及应用系统
CN110852395A (zh) * 2019-11-15 2020-02-28 鞍钢集团矿业有限公司 一种基于自主学习和深度学习的矿石粒度检测方法和系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
曾接贤;徐芬;龚勇;: "基于动态结构元的药柱表面图像边缘检测", 计算机工程与设计, no. 19 *
王蔚扬;丁嘉月;汪鹏洪;卢正勇;: "基于MATLAB的靶纸图像识别研究", 计算机时代, no. 11 *
鲁丰;刘芸;张仁辉;: "基于改进HOG特征值的车标检测与识别方法", 光通信研究, no. 05 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113029878A (zh) * 2021-03-08 2021-06-25 湖南中冶长天节能环保技术有限公司 一种活性炭高温检测并分级报警的方法
CN113029878B (zh) * 2021-03-08 2023-11-14 湖南中冶长天节能环保技术有限公司 一种活性炭高温检测并分级报警的方法

Also Published As

Publication number Publication date
CN111723861B (zh) 2024-04-16

Similar Documents

Publication Publication Date Title
CN110852395B (zh) 一种基于自主学习和深度学习的矿石粒度检测方法和系统
CN110314854B (zh) 一种基于视觉机器人的工件检测分拣的装置及方法
CN110390691B (zh) 一种基于深度学习的矿石尺度测量方法及应用系统
CN110389127B (zh) 一种金属陶瓷零件识别及表面缺陷检测系统和方法
CN108971190B (zh) 一种基于机器视觉的生活垃圾分拣方法
CN104866862B (zh) 一种带钢表面面积型缺陷识别分类的方法
CN111709935B (zh) 一种用于地面运动皮带上实时煤矸石定位识别方法
CN108108679B (zh) 一种全自动钨矿选矿机
CN112017164A (zh) 基于深度阈值卷积模型的土石料级配检测方法
CN112893159B (zh) 一种基于图像识别的煤矸石分拣方法
CN114910480B (zh) 一种基于机器视觉的晶圆表面缺陷检测方法
CN109753890A (zh) 一种路面垃圾物智能识别与感知方法及其实现装置
CN112001878A (zh) 基于二值化神经网络的深度学习矿石尺度测量方法及应用系统
CN111161292A (zh) 一种矿石尺度测量方法及应用系统
CN113145492A (zh) 一种用于梨外观品质视觉分级方法及分级生产线
CN111860531B (zh) 一种基于图像处理的扬尘污染识别方法
CN104850854A (zh) 一种滑石矿品分选处理方法及滑石矿品分选系统
CN113610831B (zh) 基于计算机图像技术和迁移学习的木材缺陷检测方法
CN116665011A (zh) 一种基于机器视觉的煤矿带式输送机煤流异物识别方法
CN112560941A (zh) 基于图像检测的煤矸识别方法
CN113887308A (zh) 一种基于图像多元特征的高炉料种识别方法、装置及系统
CN112330653A (zh) 一种基于图像识别技术的矿石粒度在线检测方法
CN108108678B (zh) 一种钨矿矿石识别分选方法
Sidehabi et al. The Development of Machine Vision System for Sorting Passion Fruit using Multi-Class Support Vector Machine.
CN111723861A (zh) 一种用于煤矿控制挡板的煤矸石百分比识别方法

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