CN112200813A - 一种考虑照度因素的煤矸识别方法和系统 - Google Patents

一种考虑照度因素的煤矸识别方法和系统 Download PDF

Info

Publication number
CN112200813A
CN112200813A CN202011058168.XA CN202011058168A CN112200813A CN 112200813 A CN112200813 A CN 112200813A CN 202011058168 A CN202011058168 A CN 202011058168A CN 112200813 A CN112200813 A CN 112200813A
Authority
CN
China
Prior art keywords
gangue
coal
illumination
image
gray value
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
CN202011058168.XA
Other languages
English (en)
Other versions
CN112200813B (zh
Inventor
王家臣
杨胜利
李良晖
张锦旺
岳豪
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.)
China University of Mining and Technology Beijing CUMTB
Original Assignee
China University of Mining and Technology Beijing CUMTB
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 China University of Mining and Technology Beijing CUMTB filed Critical China University of Mining and Technology Beijing CUMTB
Priority to CN202011058168.XA priority Critical patent/CN112200813B/zh
Publication of CN112200813A publication Critical patent/CN112200813A/zh
Application granted granted Critical
Publication of CN112200813B publication Critical patent/CN112200813B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

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

Abstract

本发明涉及一种考虑照度因素的煤矸识别方法和系统。该考虑照度因素的煤矸识别方法和系统，考虑到煤矸在不同照度下的特征响应差异，通过环境基础照度和照度阈值间的比较，确定最优光照，进而，依据照度和图像采集方式对煤矸的图像进行采集，并对采集后的图像进行分割和识别，以有效提高煤矸识别的精度。并且采用对图像进行分割的技术手段，实现对煤矸混合度的高精度识别，进而提高煤矸分选、综放工作面自动化水平，减轻工人劳动强度。

Description

一种考虑照度因素的煤矸识别方法和系统
技术领域
本发明涉及图像处理技术领域，特别是涉及一种考虑照度因素的煤矸识别方法和系统。
背景技术
综合机械化放顶煤开采技术(简称综放开采)是中国高效开采厚及特厚煤层的主要技术之一，但是目前对于放煤过程的控制主要还是依靠工人对后刮板上呈堆积状态的煤矸进行甄别，劳动强度大、精度低。
图像识别技术已经应用于综放开采自动化放煤领域的煤矸混合度识别的研究中，但是普遍存在识别精度低的问题。
目前的研究，多是针对煤炭分选领域，对皮带上呈平铺状态的煤和矸石颗粒的属性进行识别，而针对煤矸混合度识别的研究较少。并且在图像采集过程中，通常没有考虑照度因素而随意设置了光源，或是设置了几种不同的光源，但是没有对照度进行定量控制。实际上煤和矸石不同的物理性质决定了它们对于光照的响应特性也不同，即在不同照度下，即便是同一块煤或矸石，也会在视觉上有所差异，所以目前基于图像的煤矸识别技术存在精度差的问题。
因此本领域亟需提供一种能够考虑照度因素的煤矸图像处理的方法或系统，以提高煤矸识别精确度。
发明内容
本发明的目的是提供一种考虑照度因素的煤矸识别方法和系统，以能够在考虑煤矸图像照度因素影响的前提下，提高煤矸识别精确度。
为实现上述目的，本发明提供了如下方案：
一种考虑照度因素的煤矸识别方法，包括：
获取照度阈值，并采用照度传感器获取待处理煤矸的环境基础照度；
根据所述照度阈值确定所述环境基础照度是否为最优照度；所述最优照度为大于所述照度阈值的照度；
若所述环境基础照度为最优照度，则选择图像采集方式采集煤矸图像；所述图像采集方式包括：单照度图像采集方式和多照度图像采集方式；
若所述环境基础照度不是最优照度，则采用补光灯对所述环境基础照度进行补光，直至所述照度为最优照度时，选择图像采集方式采集煤矸图像；
采用分水岭算法对采集得到的所述煤矸图像进行分割，得到分割后的煤矸图像；
采用深度学习模型根据所述分割后的煤矸图像完成所述处理煤矸的识别。
优选的，当采用所述多照度图像采集方式时，在当前环境照度下采集煤矸图像，记为第一煤矸图像；
调整所述当前环境照度后采集煤矸图像，记为第二煤矸图像；
对所述第一煤矸图像和所述第二煤矸图像进行预处理，得到第一煤矸灰度值图像和第二煤矸灰度值图像；
采用灰度值求差法根据所述第一煤矸灰度值图像和所述第二煤矸灰度值图像确定总煤矸灰度值图像。
优选的，所述采用分水岭算法对采集得到的所述煤矸图像进行分割，得到分割后的煤矸图像，具体包括：
采用分水岭算法对所述总煤矸灰度值图像进行分割，得到分割后的总煤矸灰度值图像；
所述采用深度学习模型根据所述分割后的煤矸图像完成所述处理煤矸的识别，具体包括：
采用深度学习模型根据所述分割后的总煤矸灰度值图像完成所述处理煤矸的识别。
优选的，所述采用灰度值求差法根据所述第一煤矸灰度值图像和所述第二煤矸灰度值图像确定总煤矸灰度值图像，具体包括：
将所述第一煤矸灰度值图像和所述第二煤矸灰度值图像对应像素点位置的灰度值相减，得到相减结果；
根据所述相减结果确定总煤矸灰度值图像。
优选的，所述煤矸识别方法，还包括：
采用公式
Figure BDA0002711416620000031
确定所述待处理煤矸的煤矸混合度POG；
式中，N为分割得到的所述煤矸图像的子区域总数，i为子区域的编号，i∈[1，N]，Si为子区域i的面积，Ci为子区域i的属性，取值为0或1。
一种考虑照度因素的煤矸识别系统，包括：
照度和照度阈值获取模块，用于获取照度阈值，并用于采用照度传感器获取待处理煤矸的环境基础照度；
最优照度确定模块，用于根据所述照度阈值确定所述环境基础照度是否为最优照度；所述最优照度为大于所述照度阈值的照度；
第一图像采集模块，用于当所述环境基础照度为最优照度时，选择图像采集方式采集煤矸图像；所述图像采集方式包括：单照度图像采集方式和多照度图像采集方式；
第二图像采集模块，用于当所述环境基础照度不是最优照度时，采用补光灯对所述环境基础照度进行补光，直至所述照度为最优照度时，选择图像采集方式采集煤矸图像；
图像分割模块，用于采用分水岭算法对采集得到的所述煤矸图像进行分割，得到分割后的煤矸图像；
煤矸识别模块，用于采用深度学习模型根据所述分割后的煤矸图像完成所述处理煤矸的识别。
优选的，还包括：
第一煤矸图像采集模块，用于当采用所述多照度图像采集方式时，在当前环境照度下采集煤矸图像，记为第一煤矸图像；
第二煤矸图像采集模块，用于调整所述当前环境照度后采集煤矸图像，记为第二煤矸图像；
灰度值确定模块，用于对所述第一煤矸图像和所述第二煤矸图像进行预处理，得到第一煤矸灰度值图像和第二煤矸灰度值图像；
总煤矸灰度值图像确定模块，用于采用灰度值求差法根据所述第一煤矸灰度值图像和所述第二煤矸灰度值图像确定总煤矸灰度值图像。
优选的，所述图像分割模块，具体包括：
图像分割单元，用于采用分水岭算法对所述总煤矸灰度值图像进行分割，得到分割后的总煤矸灰度值图像；
所述煤矸识别模块，具体包括：
煤矸识别单元，用于采用深度学习模型根据所述分割后的总煤矸灰度值图像完成所述处理煤矸的识别。
优选的，所述总煤矸灰度值图像确定模块，具体包括：
相减单元，用于将所述第一煤矸灰度值图像和所述第二煤矸灰度值图像对应像素点位置的灰度值相减，得到相减结果；
总煤矸灰度值图像确定单元，用于根据所述相减结果确定总煤矸灰度值图像。
优选的，所述煤矸识别系统，还包括：
煤矸混合度确定模块，用于采用公式
Figure BDA0002711416620000051
确定所述待处理煤矸的煤矸混合度POG；
式中，N为分割得到的所述煤矸图像的子区域总数，i为子区域的编号，i∈[1，N]，Si为子区域i的面积，Ci为子区域i的属性，取值为0或1。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供的考虑照度因素的煤矸识别方法和系统，考虑到煤矸在不同照度下的特征响应差异，通过环境基础照度和照度阈值间的比较，确定最优光照，以有效提高煤矸识别的精度，并采用对图像进行分割的技术手段，实现对煤矸混合度的高精度识别，进而提高煤矸分选、综放工作面自动化水平，减轻工人劳动强度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的考虑照度因素的煤矸识别方法的流程图；
图2为采用本发明提供的考虑照度因素的煤矸识别方法所进行的实验流程图；
图3为本发明提供的考虑照度因素的煤矸识别系统的结构示意图；
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种考虑照度因素的煤矸识别方法和系统，以能够在考虑煤矸图像照度因素影响的前提下，提高煤矸识别精确度。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明提供的考虑照度因素的煤矸识别方法的流程图，如图1所示，一种考虑照度因素的煤矸识别方法，包括：
步骤100：获取照度阈值，并采用照度传感器获取待处理煤矸的环境基础照度。
步骤101：根据照度阈值确定环境基础照度是否为最优照度。最优照度为大于照度阈值的照度。
步骤102：若环境基础照度为最优照度，则选择图像采集方式采集煤矸图像。图像采集方式包括：单照度图像采集方式和多照度图像采集方式。
步骤103：若环境基础照度不是最优照度，则采用补光灯对环境基础照度进行补光，直至照度为最优照度时，选择图像采集方式采集煤矸图像。
步骤104：采用分水岭算法对采集得到的煤矸图像进行分割，得到分割后的煤矸图像。
步骤105：采用深度学习模型根据分割后的煤矸图像完成处理煤矸的识别。
其中，当采用多照度图像采集方式时，在当前环境照度下采集煤矸图像，记为第一煤矸图像。
调整当前环境照度后采集煤矸图像，记为第二煤矸图像。
对第一煤矸图像和第二煤矸图像进行预处理，得到第一煤矸灰度值图像和第二煤矸灰度值图像。
采用灰度值求差法根据第一煤矸灰度值图像和第二煤矸灰度值图像确定总煤矸灰度值图像。该步骤具体包括：
将第一煤矸灰度值图像和第二煤矸灰度值图像对应像素点位置的灰度值相减，得到相减结果。
根据相减结果确定总煤矸灰度值图像。
此时，步骤104和步骤105中，就变为对总煤矸灰度值图像进行分割，得到分割后的总煤矸灰度值图像，采用深度学习模型根据分割后的总煤矸灰度值图像完成处理煤矸的识别。
在完成对图像的分割和识别之后，为了进一步为工作人员后续的工作提供便利，本发明体用的上述煤矸识别方法，还可以包括确定待处理煤矸的煤矸混合度。该确定过程具体为：
采用公式
Figure BDA0002711416620000071
确定待处理煤矸的煤矸混合度POG。
式中，N为分割得到的煤矸图像的子区域总数，i为子区域的编号，i∈[1，N]，Si为子区域i的面积，Ci为子区域i的属性，取值为0或1。
下面提供一个具体实施案例进一步说明本发明的方案，本发明具体实施案例中以实验方式为例对本发明相较于现有技术所具有的优点进行阐述。
1)打开液压支架放煤口，进行放煤。
2)利用照度传感器对环境基础照度进行感知，环境基础照度数据传输至数据处理器。
3)通过外设的补光设备调整照度，补光设备可以是LED灯、红外灯。
4)与预设的照度数值通过预设的最优照度阈值比较来判断此时的照度是否是最优照度，如果是最优照度，则进入步骤(5)，否则重复步骤(3)，将照度调整至最优照度。
5)将环境基础照度、补光灯提供的照度进行记录。
6)根据放入煤井中的煤矸组合形式选择图像采集方式，即是在单照度条件下采集图像还是在多照度条件下采集图像。
常见的煤的种类有亮煤和暗煤，常见的矸石的种类有砂岩和泥岩，所以，通常存在四种煤矸组合形式，不同的煤矸组合识别难度也不一样，因此对于煤矸外观差别不大、而识别困难的情况，比如亮煤与砂岩煤矸组合形式以及暗煤与泥岩煤矸组合形式，优先选择在多照度条件下采集图像，如下表1。如果选择在多照度条件下采集图像，执行步骤(7)～(12)，如果不选择在多照度条件下采集图像，则执行步骤(7)、(10)和步骤(12)。
表1煤矸组合形式与图像采集方式
Figure BDA0002711416620000081
7)对图像采集并保存。
8)利用预设的规则以及步骤(5)记录的环境基础照度，根据煤种以及矸石种类通过预设的最优照度阈值比较来调整照度。特别地，可以通过闪光灯实现照度叠加。
9)第二次进行图像采集。特别地，两次图像采集间隔不超过0.1s。
10)对两次采集的图像进行预处理，包括灰度化处理、滤波处理、形态学重建，得到两张预处理好的灰度图。
11)对预处理好的两张灰度图，根据灰度值进行求差处理。具体过程是将两张灰度图在相同像素点位置的灰度值进行相减，进而得到一张新的灰度图用于后续的分割与识别。这样操作的目的是：由于煤和矸石的灰度值在一种照度下可能会比较相近，难以区分，而在其他照度下差异较大，所以通过求差处理，可以防止出现煤和矸石在一种照度下灰度值相近而难以区分的情况。
12)对图像进行分割与识别。采用分水岭算法进行图像分割，图像分割后得到N个子区域，统计每个子区域的面积S，其中子区域i的面积记为Si。利用深度学习模型对分割后的每个子区域进行识别，记录每个子区域的属性C，即子区域是“煤”还是“矸石”，如果子区域i的识别结果是“煤”，则记录子区域i的属性Ci＝0，否则记录该子区域属性Ci＝1。
因正在该过中，常规采用的深度学习模型就可以完成，所以本发明在此不对深度学习模型的具体学习过程进行阐述。
13计算煤矸混合度POG。
Figure BDA0002711416620000091
式中，POG为煤矸混合度，N为子区域总数，i为子区域的编号，i∈[1，N]。Si为子区域i的面积。Ci为子区域i的属性，取值为0或1。
14)与预设的煤矸混合度阈值进行对比判断此时的煤矸混合度是否超过阈值，如果超过阈值，则进入步骤(15)，否则重复步骤(6)～(14)，直至煤矸混合度超过阈值后进入步骤(15)。
15)关闭液压支架放煤口，停止放煤工序。
上述整个实验过程的具体流程请参见图2.
此外，对应于上述提供的考虑照度因素的煤矸识别方法，本发明还对应提供了一种考虑照度因素的煤矸识别系统。如图3所示，该煤矸识别系统包括：
照度和照度阈值获取模块1，用于获取照度阈值，并用于采用照度传感器获取待处理煤矸的环境基础照度。
最优照度确定模块2，用于根据照度阈值确定环境基础照度是否为最优照度。最优照度为大于照度阈值的照度。
第一图像采集模块3，用于当环境基础照度为最优照度时，选择图像采集方式采集煤矸图像。图像采集方式包括：单照度图像采集方式和多照度图像采集方式。
第二图像采集模块4，用于当环境基础照度不是最优照度时，采用补光灯对环境基础照度进行补光，直至照度为最优照度时，选择图像采集方式采集煤矸图像。
图像分割模块5，用于采用分水岭算法对采集得到的煤矸图像进行分割，得到分割后的煤矸图像。
煤矸识别模块6，用于采用深度学习模型根据分割后的煤矸图像完成处理煤矸的识别。
作为本发明的一优选实施例，上述煤矸识别系统还包括：
第一煤矸图像采集模块，用于当采用多照度图像采集方式时，在当前环境照度下采集煤矸图像，记为第一煤矸图像。
第二煤矸图像采集模块，用于调整当前环境照度后采集煤矸图像，记为第二煤矸图像。
灰度值确定模块，用于对第一煤矸图像和第二煤矸图像进行预处理，得到第一煤矸灰度值图像和第二煤矸灰度值图像。
总煤矸灰度值图像确定模块，用于采用灰度值求差法根据第一煤矸灰度值图像和第二煤矸灰度值图像确定总煤矸灰度值图像。
作为本发明的另一优选实施例，上述图像分割模块5还可以包括：
图像分割单元，用于采用分水岭算法对总煤矸灰度值图像进行分割，得到分割后的总煤矸灰度值图像。
上述煤矸识别模块6还可以包括：
煤矸识别单元，用于采用深度学习模型根据分割后的总煤矸灰度值图像完成处理煤矸的识别。
作为本发明的再一优选实施例，上述总煤矸灰度值图像确定模块，具体包括：
相减单元，用于将第一煤矸灰度值图像和第二煤矸灰度值图像对应像素点位置的灰度值相减，得到相减结果。
总煤矸灰度值图像确定单元，用于根据相减结果确定总煤矸灰度值图像。
作为本发明的又一优选实施例，上述煤矸识别系统，还包括：
煤矸混合度确定模块，用于采用公式
Figure BDA0002711416620000111
确定待处理煤矸的煤矸混合度POG。
式中，N为分割得到的煤矸图像的子区域总数，i为子区域的编号，i∈[1，N]，Si为子区域i的面积，Ci为子区域i的属性，取值为0或1。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种考虑照度因素的煤矸识别方法，其特征在于，包括：
获取照度阈值，并采用照度传感器获取待处理煤矸的环境基础照度；
根据所述照度阈值确定所述环境基础照度是否为最优照度；所述最优照度为大于所述照度阈值的照度；
若所述环境基础照度为最优照度，则选择图像采集方式采集煤矸图像；所述图像采集方式包括：单照度图像采集方式和多照度图像采集方式；
若所述环境基础照度不是最优照度，则采用补光灯对所述环境基础照度进行补光，直至所述照度为最优照度时，选择图像采集方式采集煤矸图像；
采用分水岭算法对采集得到的所述煤矸图像进行分割，得到分割后的煤矸图像；
采用深度学习模型根据所述分割后的煤矸图像完成所述处理煤矸的识别。
2.根据权利要求1所述的考虑照度因素的煤矸识别方法，其特征在于，当采用所述多照度图像采集方式时，在当前环境照度下采集煤矸图像，记为第一煤矸图像；
调整所述当前环境照度后采集煤矸图像，记为第二煤矸图像；
对所述第一煤矸图像和所述第二煤矸图像进行预处理，得到第一煤矸灰度值图像和第二煤矸灰度值图像；
采用灰度值求差法根据所述第一煤矸灰度值图像和所述第二煤矸灰度值图像确定总煤矸灰度值图像。
3.根据权利要求2所述的考虑照度因素的煤矸识别方法，其特征在于，所述采用分水岭算法对采集得到的所述煤矸图像进行分割，得到分割后的煤矸图像，具体包括：
采用分水岭算法对所述总煤矸灰度值图像进行分割，得到分割后的总煤矸灰度值图像；
所述采用深度学习模型根据所述分割后的煤矸图像完成所述处理煤矸的识别，具体包括：
采用深度学习模型根据所述分割后的总煤矸灰度值图像完成所述处理煤矸的识别。
4.根据权利要求2所述的考虑照度因素的煤矸识别方法，其特征在于，所述采用灰度值求差法根据所述第一煤矸灰度值图像和所述第二煤矸灰度值图像确定总煤矸灰度值图像，具体包括：
将所述第一煤矸灰度值图像和所述第二煤矸灰度值图像对应像素点位置的灰度值相减，得到相减结果；
根据所述相减结果确定总煤矸灰度值图像。
5.根据权利要求1所述的考虑照度因素的煤矸识别方法，其特征在于，所述煤矸识别方法，还包括：
采用公式
Figure FDA0002711416610000021
确定所述待处理煤矸的煤矸混合度POG；
式中，N为分割得到的所述煤矸图像的子区域总数，i为子区域的编号，i∈[1，N]，Si为子区域i的面积，Ci为子区域i的属性，取值为0或1。
6.一种考虑照度因素的煤矸识别系统，其特征在于，包括：
照度和照度阈值获取模块，用于获取照度阈值，并用于采用照度传感器获取待处理煤矸的环境基础照度；
最优照度确定模块，用于根据所述照度阈值确定所述环境基础照度是否为最优照度；所述最优照度为大于所述照度阈值的照度；
第一图像采集模块，用于当所述环境基础照度为最优照度时，选择图像采集方式采集煤矸图像；所述图像采集方式包括：单照度图像采集方式和多照度图像采集方式；
第二图像采集模块，用于当所述环境基础照度不是最优照度时，采用补光灯对所述环境基础照度进行补光，直至所述照度为最优照度时，选择图像采集方式采集煤矸图像；
图像分割模块，用于采用分水岭算法对采集得到的所述煤矸图像进行分割，得到分割后的煤矸图像；
煤矸识别模块，用于采用深度学习模型根据所述分割后的煤矸图像完成所述处理煤矸的识别。
7.根据权利要求6所述的考虑照度因素的煤矸识别系统，其特征在于，还包括：
第一煤矸图像采集模块，用于当采用所述多照度图像采集方式时，在当前环境照度下采集煤矸图像，记为第一煤矸图像；
第二煤矸图像采集模块，用于调整所述当前环境照度后采集煤矸图像，记为第二煤矸图像；
灰度值确定模块，用于对所述第一煤矸图像和所述第二煤矸图像进行预处理，得到第一煤矸灰度值图像和第二煤矸灰度值图像；
总煤矸灰度值图像确定模块，用于采用灰度值求差法根据所述第一煤矸灰度值图像和所述第二煤矸灰度值图像确定总煤矸灰度值图像。
8.根据权利要求7所述的考虑照度因素的煤矸识别系统，其特征在于，所述图像分割模块，具体包括：
图像分割单元，用于采用分水岭算法对所述总煤矸灰度值图像进行分割，得到分割后的总煤矸灰度值图像；
所述煤矸识别模块，具体包括：
煤矸识别单元，用于采用深度学习模型根据所述分割后的总煤矸灰度值图像完成所述处理煤矸的识别。
9.根据权利要求7所述的考虑照度因素的煤矸识别系统，其特征在于，所述总煤矸灰度值图像确定模块，具体包括：
相减单元，用于将所述第一煤矸灰度值图像和所述第二煤矸灰度值图像对应像素点位置的灰度值相减，得到相减结果；
总煤矸灰度值图像确定单元，用于根据所述相减结果确定总煤矸灰度值图像。
10.根据权利要求6所述的考虑照度因素的煤矸识别系统，其特征在于，所述煤矸识别系统，还包括：
煤矸混合度确定模块，用于采用公式
Figure FDA0002711416610000041
确定所述待处理煤矸的煤矸混合度POG；
式中，N为分割得到的所述煤矸图像的子区域总数，i为子区域的编号，i∈[1，N]，Si为子区域i的面积，Ci为子区域i的属性，取值为0或1。
CN202011058168.XA 2020-09-30 2020-09-30 一种考虑照度因素的煤矸识别方法和系统 Active CN112200813B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011058168.XA CN112200813B (zh) 2020-09-30 2020-09-30 一种考虑照度因素的煤矸识别方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011058168.XA CN112200813B (zh) 2020-09-30 2020-09-30 一种考虑照度因素的煤矸识别方法和系统

Publications (2)

Publication Number Publication Date
CN112200813A true CN112200813A (zh) 2021-01-08
CN112200813B CN112200813B (zh) 2024-02-06

Family

ID=74007132

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011058168.XA Active CN112200813B (zh) 2020-09-30 2020-09-30 一种考虑照度因素的煤矸识别方法和系统

Country Status (1)

Country Link
CN (1) CN112200813B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113283391A (zh) * 2021-06-28 2021-08-20 西安科技大学 一种综放开采放落过程复杂工况煤矸识别方法
CN114998336A (zh) * 2022-08-03 2022-09-02 广东安拓普聚合物科技有限公司 一种塑料废弃物的检测和处理方法及装置
CN115018794A (zh) * 2022-06-09 2022-09-06 中国矿业大学(北京) 一种基于可见光/红外图像的煤矸识别系统及方法
CN117011302A (zh) * 2023-10-08 2023-11-07 山东济宁运河煤矿有限责任公司 一种基于煤矸识别的智能干选系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101634842A (zh) * 2009-03-05 2010-01-27 中国矿业大学(北京) 煤矸识别与自动化放煤控制系统
CN106845509A (zh) * 2016-10-19 2017-06-13 中国矿业大学(北京) 一种基于曲波域压缩特征的煤岩识别方法
CN107273868A (zh) * 2017-06-28 2017-10-20 电子科技大学 一种遥感图像中区分煤矿区的煤堆和煤矸石区域的方法
CN108460793A (zh) * 2018-03-28 2018-08-28 中国矿业大学(北京) X射线图像的分形维数确定方法及煤矸的分选方法
CN108805165A (zh) * 2018-04-27 2018-11-13 淘然视界(杭州)科技有限公司 一种煤炭识别分拣方法、电子设备、存储介质及系统
CN110378295A (zh) * 2019-07-22 2019-10-25 安徽理工大学 一种多光谱图像信息和光谱信息异构融合的煤矸识别方法
CN110647887A (zh) * 2019-07-23 2020-01-03 太原理工大学 用于煤泥浮选泡沫图像分割中内部标记符的提取方法
CN111079845A (zh) * 2019-12-20 2020-04-28 西安交通大学 一种煤炭中煤矸石和煤的分类识别方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101634842A (zh) * 2009-03-05 2010-01-27 中国矿业大学(北京) 煤矸识别与自动化放煤控制系统
CN106845509A (zh) * 2016-10-19 2017-06-13 中国矿业大学(北京) 一种基于曲波域压缩特征的煤岩识别方法
CN107273868A (zh) * 2017-06-28 2017-10-20 电子科技大学 一种遥感图像中区分煤矿区的煤堆和煤矸石区域的方法
CN108460793A (zh) * 2018-03-28 2018-08-28 中国矿业大学(北京) X射线图像的分形维数确定方法及煤矸的分选方法
CN108805165A (zh) * 2018-04-27 2018-11-13 淘然视界(杭州)科技有限公司 一种煤炭识别分拣方法、电子设备、存储介质及系统
CN110378295A (zh) * 2019-07-22 2019-10-25 安徽理工大学 一种多光谱图像信息和光谱信息异构融合的煤矸识别方法
CN110647887A (zh) * 2019-07-23 2020-01-03 太原理工大学 用于煤泥浮选泡沫图像分割中内部标记符的提取方法
CN111079845A (zh) * 2019-12-20 2020-04-28 西安交通大学 一种煤炭中煤矸石和煤的分类识别方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
JINWANG ZHANG等: "Coal-gangue mixture degree recoginition using different illuminant method in underground coal mining", 《FRONTIERS IN OPTICS + LASER SCIENCE APS/DLS》, pages 1 - 2 *
LINGLING SU等: "Research on coal gangue identification by using convolutional neural network", 《2018 2ND IEEE ADVANCED INFORMATION MANAGEMENT,COMMUNICATES,ELECTRONIC AND AUTOMATION CONTROL CONFERENCE(IMCEC)》, pages 810 - 814 *
王家臣等: "不同照度下煤矸图像灰度及纹理特征提取的实验研究", 《煤炭学报》, vol. 43, no. 11, pages 2 *
王家臣等: "综放开采顶煤放出规律的BBR研究", 《煤炭学报》, vol. 40, no. 3, pages 491 *
饶中钰等: "煤矸石图像分类方法", 《工矿自动化》, vol. 46, no. 3, pages 1 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113283391A (zh) * 2021-06-28 2021-08-20 西安科技大学 一种综放开采放落过程复杂工况煤矸识别方法
CN115018794A (zh) * 2022-06-09 2022-09-06 中国矿业大学(北京) 一种基于可见光/红外图像的煤矸识别系统及方法
CN114998336A (zh) * 2022-08-03 2022-09-02 广东安拓普聚合物科技有限公司 一种塑料废弃物的检测和处理方法及装置
CN117011302A (zh) * 2023-10-08 2023-11-07 山东济宁运河煤矿有限责任公司 一种基于煤矸识别的智能干选系统
CN117011302B (zh) * 2023-10-08 2024-01-09 山东济宁运河煤矿有限责任公司 一种基于煤矸识别的智能干选系统

Also Published As

Publication number Publication date
CN112200813B (zh) 2024-02-06

Similar Documents

Publication Publication Date Title
CN112200813A (zh) 一种考虑照度因素的煤矸识别方法和系统
CN115082683B (zh) 一种基于图像处理的注塑缺陷检测方法
CN106093066B (zh) 一种基于改进的机器视觉注意机制的磁瓦表面缺陷检测方法
CN109613002B (zh) 一种玻璃缺陷检测方法、装置和存储介质
CN110389127B (zh) 一种金属陶瓷零件识别及表面缺陷检测系统和方法
CN107025652B (zh) 一种基于运动特性和颜色时空信息的火焰检测方法
CN107328776B (zh) 一种免疫层析试纸卡的快速检测方法
CN104077594B (zh) 一种图像识别方法和装置
CN101751572A (zh) 一种图案检测方法、装置、设备及系统
CN105184787A (zh) 一种自动对人像进行抠图的证照相机及方法
CN109344864B (zh) 用于密集物体的图像处理方法及装置
CN103679146A (zh) 基于高通滤波器和Hough变换的安全带智能检测方法
CN101887518A (zh) 人体检测装置与方法
CN116309191B (zh) 基于图像增强的瓦斯巡检智能显示方法
CN113252614A (zh) 一种基于机器视觉的透明度检测方法
CN103530642A (zh) 雷管自动识别机以及雷管编码图像识别方法
CN111476804A (zh) 托辊图像高效分割方法、装置、设备及存储介质
CN107038690A (zh) 一种基于多特征融合的运动阴影去除方法
CN108563997B (zh) 一种建立人脸检测模型、人脸识别的方法和装置
CN102298780B (zh) 一种彩色图像阴影检测方法
CN110210401B (zh) 一种弱光下的目标智能检测方法
CN110930393A (zh) 一种基于机器视觉的芯片料管计数方法、装置及系统
CN107403192B (zh) 一种基于多分类器的快速目标检测方法及系统
CN112801963B (zh) 一种视频图像遮挡检测方法及系统
Zhao Intelligent sorting system of coal gangue with machine vision

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