CN112354874A - 煤和矸石的识别方法以及矸石自动分离系统 - Google Patents

煤和矸石的识别方法以及矸石自动分离系统 Download PDF

Info

Publication number
CN112354874A
CN112354874A CN202010916821.5A CN202010916821A CN112354874A CN 112354874 A CN112354874 A CN 112354874A CN 202010916821 A CN202010916821 A CN 202010916821A CN 112354874 A CN112354874 A CN 112354874A
Authority
CN
China
Prior art keywords
gangue
coal
image
deep learning
hopper
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.)
Pending
Application number
CN202010916821.5A
Other languages
English (en)
Inventor
丁梓豪
陈国栋
王子翔
樊钰琳
杨波滔
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.)
Jiangsu Kuangbo Intelligent Technology Co ltd
Original Assignee
Jiangsu Kuangbo Intelligent Technology Co ltd
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 Jiangsu Kuangbo Intelligent Technology Co ltd filed Critical Jiangsu Kuangbo Intelligent Technology Co ltd
Priority to CN202010916821.5A priority Critical patent/CN112354874A/zh
Publication of CN112354874A publication Critical patent/CN112354874A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
    • B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
    • B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
    • B07C5/02—Measures preceding sorting, e.g. arranging articles in a stream orientating
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
    • B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
    • B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
    • B07C5/34—Sorting according to other particular properties
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
    • B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
    • B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
    • B07C5/36—Sorting apparatus characterised by the means used for distribution
    • B07C5/363—Sorting apparatus characterised by the means used for distribution by means of air
    • 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
    • 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

Landscapes

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

Abstract

本公开提供一种煤和矸石的识别方法，其包括：S1、获得训练样本，所述训练样本为多张包括煤和矸石的图片；S2、构建深度学习网络，使用所述训练样本训练该深度学习网络；S3、实时采集输送带上所传输的煤和/或矸石的图像，利用训练后的深度学习网络实现煤和矸石的识别；S4、在煤和矸石的检测过程中，当完成煤或者矸石的识别后，深度学习网络检测到目标，将具有目标的图片保存；并且保存的图片的数量达到一定程度后，根据保存的图片对深度学习网络进行再次训练。本公开还提供一种矸石自动分离系统。

Description

煤和矸石的识别方法以及矸石自动分离系统
技术领域
本公开涉及一种煤和矸石的识别方法以及矸石自动分离系统，属于图像处理技术领域。
背景技术
煤炭是我国重要的基础能源，资源极为丰富，与其他能源相比，煤炭资源可占到我国资源的80％以上，在我国，煤炭能源占据着一次能源供应的主导地位。
矸石是煤炭生产过程中产生的必不可少的固体物，其含碳量低，燃烧后还会产生有害物质，严重影响煤炭的燃烧效率，需及时将矸石与煤炭分拣开。
现有技术中存在通过图像来识别煤和矸石，例如中国发明专利申请CN201811583853.7中所公开的煤矸石分拣方法、装置、设备及存储介质，其公开了一种通过对深度残差网络进行训练后，来识别煤和矸石的方法。
但是该中国专利中，并未提及如何建立样本训练库，以有效地对深度学习网络进行训练；并且在深度学习网络被训练完成后，也为提及对训练后的深度学习网络进行再更改，以提高深度学习网络识别煤和矸石的成功率。
发明内容
为了解决上述技术问题之一，本公开提供了一种煤和矸石的识别方法以及矸石自动分离系统。
根据本公开的一个方面，提供了一种煤和矸石的识别方法，其包括：
S1、获得训练样本，所述训练样本为多张包括煤和矸石的图片；
S2、构建深度学习网络，使用所述训练样本训练该深度学习网络；
S3、实时采集输送带上所传输的煤和/或矸石的图像，利用训练后的深度学习网络实现煤和矸石的识别；
S4、在煤和矸石的检测过程中，当完成煤或者矸石的识别后，深度学习网络检测到目标，将具有目标的图片保存；并且保存的图片的数量达到一定程度后，根据保存的图片对深度学习网络进行再次训练。
根据本公开的至少一个实施方式的煤和矸石的识别方法，S1具体包括：
S11、获取煤和矸石在无背景状态下和/或有背景状态下的样本图片；
S12、对样本图片制作标签；
S13、对样本图片进行几何变换，得到训练样本。
根据本公开的至少一个实施方式的煤和矸石的识别方法，S11包括：在获取样本图片的过程中，不断改变光源的亮度和背景，在不同环境下获取煤和矸石的完整图片，并且对煤和矸石不同的角度进行采集。
根据本公开的至少一个实施方式的煤和矸石的识别方法，S12包括：所述标签记录每个样本的类别和样本中包含煤和矸石的最小外接矩形。
根据本公开的至少一个实施方式的煤和矸石的识别方法，所述最小外接矩形使用包括煤和矸石的矩形的左上角坐标及右下角坐标来定义。
根据本公开的至少一个实施方式的煤和矸石的识别方法，S13中的对样本图片进行几何变换选择自镜像、平移、旋转、缩放和增加噪声中的一种或多种。
根据本公开的至少一个实施方式的煤和矸石的识别方法，所述镜像包括水平镜像和垂直镜像。
根据本公开的至少一个实施方式的煤和矸石的识别方法，所述平移包括将图像中的所有像素点向左、向右、向上或者向下平移。
根据本公开的至少一个实施方式的煤和矸石的识别方法，所述平移包括将图像中的煤和矸石的最小外接矩形内的所有像素点向左、向右、向上或者向下平移。
根据本公开的至少一个实施方式的煤和矸石的识别方法，所述旋转包括将图像中的像素点绕图片中心或者绕图像中的煤和矸石的最小外接矩形的中心旋转一定角度。
根据本公开的至少一个实施方式的煤和矸石的识别方法，所述缩放包括放大或者缩小图像中的煤和矸石的最小外接矩形。
根据本公开的至少一个实施方式的煤和矸石的识别方法，所述增加噪声包括在样本图片中增加椒盐噪声和/或高斯噪声。
根据本公开的至少一个实施方式的煤和矸石的识别方法，其中，通过几何变换后的样本图片和原样本图片一起作为训练样本。
根据本公开的至少一个实施方式的煤和矸石的识别方法，所述深度学习网络为Yolov3网络。
根据本公开的至少一个实施方式的煤和矸石的识别方法，在训练深度学习网络的过程中，对深度学习网络训练104次，初始学习率设为0.001，批处理量为10。
根据本公开的至少一个实施方式的煤和矸石的识别方法，在训练深度学习网络的过程中，将学习速率在合理的边界值之间周期变化。
根据本公开的至少一个实施方式的煤和矸石的识别方法，所述矸石识别方法利用矸石自动分离系统实现，所述矸石自动分离系统包括：
输送机构，所述输送机构输送煤和矸石的混合物；
分离模块，将所述输送机构所输送的煤和矸石的混合物分离为至少两路；
检测模块，识别煤和矸石混合物中的矸石；以及
分选模块，将煤和矸石混合物中的矸石分选至矸石漏斗；
其中，所述分选模块包括：矸石漏斗，设置于所述输送机构的右下方；煤漏斗，设置于所述矸石漏斗的左方；以及吹气机构，固定于机架，并位于所述煤漏斗的左方，用于将矸石吹至矸石漏斗。
根据本公开的另一个方面，提供一种矸石自动分离系统，用于执行上所述的煤和矸石的识别方法，其包括：
输送机构，所述输送机构输送煤和矸石的混合物；
分离模块，将所述输送机构所输送的煤和矸石的混合物分离为至少两路；
检测模块，识别煤和矸石混合物中的矸石；以及
分选模块，将煤和矸石混合物中的矸石分选至矸石漏斗；
其中，所述分选模块包括：矸石漏斗，设置于所述输送机构的右下方；煤漏斗，设置于所述矸石漏斗的左方；以及吹气机构，固定于机架，并位于所述煤漏斗的左方，用于将矸石吹至矸石漏斗；
所述吹气机构包括：气源，用于提供高压气体；喷嘴，通过管路连接于所述气源，用于喷出高压气体；以及电磁阀组，所述电磁阀组设置于所述管路中，用于控制管路的通断；
所述喷嘴的两端通过支撑机构固定于所述机架上；所述机架上设置有支撑板，所述支撑机构固定于所述支撑板上；
所述支撑机构包括：支撑杆，所述支撑杆的下端固定在所述支撑板上；以及十字连接件，所述支撑杆的上端插入于所述十字连接件的一个连接孔内，所述喷嘴的两端插入于所述十字连接件的另一个连接孔内；
所述喷嘴包括长条形的机体，在所述长条形的机体上开设有多个气孔，所述气孔沿所述机体的长度方向设置为一列。
附图说明
附图示出了本公开的示例性实施方式，并与其说明一起用于解释本公开的原理，其中包括了这些附图以提供对本公开的进一步理解，并且附图包括在本说明书中并构成本说明书的一部分。
图1为本公开的煤和矸石的识别方法的流程图；
图2为本公开的深度学习模型和自学习的结合示意图；
图3为本公开的矸石样本的标签制作样式；
图4为本公开的煤样本的矸石制作样式；
图5为本公开的矸石识别方法的流程图。
图6为本公开的矸石自动分离系统的结构示意图；
图7为本公开的分选模块的结构示意图；
图8为图7的A部放大结构示意图；
图9为本公开的检测模块的结构示意图；
图10为本公开的分离模块的结构示意图；
图11为本公开去除框架之后的分离模块的结构示意图；
1 输送带
2 分离模块
3 检测模块
4 分选模块
5 控制模块
201 框架
202 第一横杆
203 连接杆
205 左分流板
206 右分流板
207 双层分流板
208 第二横杆
301 支架
303 光源
304 相机安装架
305 红外相机
306 光源安装架
402 矸石漏斗
403 煤漏斗
404 吹气机构
405 喷嘴
406 电磁阀组
407 气孔
408 机架
409 支撑板
410 支撑杆
411 十字连接件
具体实施方式
下面结合附图和实施方式对本公开作进一步的详细说明。可以理解的是，此处所描述的具体实施方式仅用于解释相关内容，而非对本公开的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本公开相关的部分。
需要说明的是，在不冲突的情况下，本公开中的实施方式及实施方式中的特征可以相互组合。下面将参考附图并结合实施方式来详细说明本公开的技术方案。
除非另有说明，否则示出的示例性实施方式/实施例将被理解为提供可以在实践中实施本公开的技术构思的一些方式的各种细节的示例性特征。因此，除非另有说明，否则在不脱离本公开的技术构思的情况下，各种实施方式/实施例的特征可以另外地组合、分离、互换和/或重新布置。
在附图中使用交叉影线和/或阴影通常用于使相邻部件之间的边界变得清晰。如此，除非说明，否则交叉影线或阴影的存在与否均不传达或表示对部件的具体材料、材料性质、尺寸、比例、示出的部件之间的共性和/或部件的任何其它特性、属性、性质等的任何偏好或者要求。此外，在附图中，为了清楚和/或描述性的目的，可以夸大部件的尺寸和相对尺寸。当可以不同地实施示例性实施例时，可以以不同于所描述的顺序来执行具体的工艺顺序。例如，可以基本同时执行或者以与所描述的顺序相反的顺序执行两个连续描述的工艺。此外，同样的附图标记表示同样的部件。
当一个部件被称作“在”另一部件“上”或“之上”、“连接到”或“结合到”另一部件时，该部件可以直接在所述另一部件上、直接连接到或直接结合到所述另一部件，或者可以存在中间部件。然而，当部件被称作“直接在”另一部件“上”、“直接连接到”或“直接结合到”另一部件时，不存在中间部件。为此，术语“连接”可以指物理连接、电气连接等，并且具有或不具有中间部件。
为了描述性目的，本公开可使用诸如“在……之下”、“在……下方”、“在……下”、“下”、“在……上方”、“上”、“在……之上”、“较高的”和“侧(例如，如在“侧壁”中)”等的空间相对术语，从而来描述如附图中示出的一个部件与另一(其它)部件的关系。除了附图中描绘的方位之外，空间相对术语还意图包含设备在使用、操作和/或制造中的不同方位。例如，如果附图中的设备被翻转，则被描述为“在”其它部件或特征“下方”或“之下”的部件将随后被定位为“在”所述其它部件或特征“上方”。因此，示例性术语“在……下方”可以包含“上方”和“下方”两种方位。此外，设备可被另外定位(例如，旋转90度或者在其它方位处)，如此，相应地解释这里使用的空间相对描述语。
这里使用的术语是为了描述具体实施例的目的，而不意图是限制性的。如这里所使用的，除非上下文另外清楚地指出，否则单数形式“一个(种、者)”和“所述(该)”也意图包括复数形式。此外，当在本说明书中使用术语“包含”和/或“包括”以及它们的变型时，说明存在所陈述的特征、整体、步骤、操作、部件、组件和/或它们的组，但不排除存在或附加一个或更多个其它特征、整体、步骤、操作、部件、组件和/或它们的组。还要注意的是，如这里使用的，术语“基本上”、“大约”和其它类似的术语被用作近似术语而不用作程度术语，如此，它们被用来解释本领域普通技术人员将认识到的测量值、计算值和/或提供的值的固有偏差。
图1为本公开的煤和矸石的识别方法的流程图。
如图1所示的煤和矸石的识别方法，其包括：S1、获得训练样本，所述训练样本为多张包括煤和矸石的图片；S2、构建深度学习网络，使用所述训练样本训练该深度学习网络；S3、实时采集输送带上所传输的煤和/或矸石的图像，利用训练后的深度学习网络实现煤和矸石的识别；以及S4、在煤和矸石的检测过程中，当完成煤或者矸石的识别后，深度学习网络检测到目标，将具有目标的图片保存；并且保存的图片的数量达到一定程度后，根据保存的图片对深度学习网络进行再次训练。
也就是说，本公开中，在完成深度学习网络的首次训练后，还通过后期使用过程中深度学习网络所识别的图片进行再次学习，不断对深度学习网络进行完善，提高了深度学习网络识别煤和矸石的效果。
为了使得深度学习网络在首次训练后即能产生较好的效果，需要增加训练样本的数量。本公开中，通过以下特征来获取训练样本：S11、获取煤和矸石在无背景状态下和/或有背景状态下的样本图片；S12、对样本图片制作标签；S13、对样本图片进行几何变换，得到训练样本。
其中，通过几何变换后的样本图片和原样本图片一起作为训练样本，这样即有效地增加了训练样本的数量，该训练样本的数量达到了原样本图片数量的数倍。
优选地，在获取样本图片的过程中，不断改变光源的亮度和背景，在不同环境下获取煤和矸石的完整图片，并且对煤和矸石不同的角度进行采集，以此来增加样本图片的数量，并且当采用不同的背景下的煤和矸石的图片进行训练时，能提高深度学习网络的适应不同场景的能力。
而且，S12中的标签需要记录以下内容：每个样本的类别、样本中包含煤和矸石的最小外接矩形；优选地，所述最小外接矩形使用包括目标(煤和矸石)的矩形的左上角坐标及右下角坐标来定义。
优选地，S13中的对样本图片进行几何变换选择自镜像、平移、旋转、缩放和增加噪声中的一种或多种，以通过对样本图片进行几何变换来大幅度地增加样本的数量。
具体地，所述镜像包括水平镜像和垂直镜像；由于煤和矸石都不是对称物体，因此通过镜像得到的图片与原图片不同，但是包含的特征相同。由此，通过水平镜像和垂直镜像后，加上原样本图片，总训练样本量为原样本图片数量的三倍。
所述平移包括将图像中的所有像素点向左、向右、向上或者向下平移，改变目标在图片中的位置，由此，通过设置不同的平移量，可以获得多组不同样本。需要注意的是，平移时不能将目标(煤和矸石)移出图片边界。
而且，在平移时，也可以不对图像中的所有像素点进行移动，而仅仅对图像中的煤和矸石的最小外接矩形内的所有像素点向左、向右、向上或者向下平移，即实现目标的位置变更即可。
所述旋转包括将图像中的像素点绕图片中心或者绕图像中的煤和矸石的最小外接矩形的中心旋转一定角度，由此，通过设定旋转角度，可以获得多组不同样本。需要注意的是，旋转时不能将目标转出图片边界。
所述缩放包括放大或者缩小图像中的煤和矸石的最小外接矩形，或者放大或者缩小目标大小；也就是说，在保持样本图片大小不变的前提下，当对样本图片中的目标进行放大时，相应地减少背景面积；另一方面，当对样本图片中的目标进行缩小时，相应地增加背景面积。
所述增加噪声包括在样本图片中增加椒盐噪声和/或高斯噪声，由此能够让样本图片具有多样性，增加训练的鲁棒性。
本公开中，S2中的深度学习网络为Yolov3网络；当网络构建完成后，采用训练样本进行训练。
优选地，在训练深度学习网络的过程中，对深度学习网络训练104次，初始学习率设为0.001，批处理量为10，训练完成后，将训练数据保存到文件中。
本公开中，周期性地改变每次迭代的学习速率：每个迭代的次数都是固定的，此时将学习速率在合理的边界值之间周期变化；其中，所述合理的边界值可以为0.01-0.001，由此可以使得深度学习网络尽快收敛。
本公开中，通过相机实时采集输送带上所传输的煤和/或矸石的图像，利用训练后的深度学习网络实现煤和矸石的识别，网络将输出识别结果：背景、煤或者矸石。
深度学习网络往往需要大量的样本进行训练才能得到更好的识别效果，而实际训练时样本数量有限，因此本公开加入了自学习算法。
在实际煤和矸石的检测过程中，当完成煤或者矸石的识别后，深度学习网络检测到目标，即检测到相机实时采集的图像上存在煤或者矸石，则将该图片及其对应的标签保存，加入到训练样本库。
当训练样本库的新加入的训练样本的数量增加103之后，深度学习网络在之前的训练结果上再次进行训练，进一步增强识别能力。
具体地，S4包括：
S41、无标签样本聚类
本公开中，在现场进行煤和矸石的识别时，当深度学习网络检测到某一图片上存在煤或者矸石时，将该具有煤或者矸石的图片保存，得到未标记图片。
对该未标记图片进行预处理，并利用该未标记数据训练一个自编码器；该自编码器对输入数据进行降维；降维后的数据使用Kmeans聚类算法进行聚类。
具体聚类步骤为：
J1、随机地选择k个对象，每个对象初始地代表了一个簇的中心；
J2、对剩余的每个对象，根据其与各簇中心的距离，将它赋给最近的簇；
J3、重新计算每个簇的平均值，更新为新的簇中心；
J4、不断重复J2和J3，直到准则函数收敛。
S42、确定聚类类别
当聚类样本达到1000个后，提取聚类样本。聚类后样本会分为两大类，此时采用之前训练好的深度学习模型对聚类样本进行识别，识别结果中，煤多的一类即为煤样本，而另一类即为矸石样本。
S43、再训练
将两类样本及其类别输入深度学习模型中，再次进行训练，进一步丰富模型中的样本特征，提高算法的鲁棒性。将得到的模型作为新的煤矸石识别模型，用在后面的检测中。
S44、不断重复S41～S43，深度学习能力不断得到增强。
由此，本公开通过聚类方法实现自学习样本库的建立，但是本领域技术人员应当知晓，在进行再次训练时，样本的正确性是深度学习模型准确的前提，换句话说，当包括煤样本的图片被识别为目标为矸石时，并且该图片用于训练深度学习模型时，严重时会造成深度学习模型的失效。
因此，本公开中，当确认该样本是煤样本或者矸石样本时，还通过矸石分类器识别方法进行再次判别；当包括有目标的图片经过识别深度学习网络识别后，判断该目标为煤的概率大于等于90％，并且该图片经过矸石分类器识别方法识别后，判断为目标为煤时；将该包括有目标的图片分类为煤样本；相似地，当包括有目标的图片经过识别深度学习网络识别后，判断该目标为矸石的概率大于等于90％，并且该图片经过矸石分类器识别方法识别后，判断为目标为矸石时；将该包括有目标的图片分类为矸石样本；并且将其他的样本丢弃，以提高再学习样本的正确性。
如图5所示的矸石分类器识别方法，其包括：S10、获取煤和矸石识别过程中的背景图像的特征；S20、根据背景图像的特征，识别出包括有目标的图片中的混合物区域；以及S30、根据混合物区域的特征，将混合物区域中的混合物识别为煤或者矸石。
即，在输送带上输送煤和矸石时，所述输送带与煤和矸石的成分不同，即含有不同的基团，不同的基团有不同的能级，对近红外吸收波长有明显的差别。
基于此，本公开提出了背景图像的特征，并且根据背景图像的特征能够有效地识别输送带上哪些区域是背景，哪些区域是混合物，给后续的混合物识别奠定基础。
尤其是，S10具体为：在输送机构的输送带运动，并且未输送煤和矸石时，采集多张输送带的不同区域的近红外图像，所述背景图像的特征为不同区域的近红外图像的平均像素值。
也就是说，首先设置好近红外相机的拍摄区域，即检测区域。在相机检测区域范围内转动输送机构，使得输送带产生运动，并由此拍得相机检测区域范围内的输送带图像，直到输送带转弯一圈，并由此得到多张输送带的不同区域的近红外图像。
即，所述多张输送带的不同区域的近红外图像能够完整地包括输送带的全部表面；然后将多张输送带的不同区域的近红外图像的每个像素点取平均值，将该平均值作为背景图像中该像素点的灰度值。
Figure BDA0002665314860000101
其中，Bn为采集到第n张图像时建立的背景图像的特征，N为进行平均的张数，fn为采集的第N张近红外图像。
而且，在建立背景图像的特征时，近红外光源处于工作状态，光照均匀，并且在该区域内进行煤和矸石的识别。
S20具体为：将包括有目标的图像与背景图像的特征做差运算，当包括有目标的图像中的某一像素点与背景图像的特征中对应点的差值的绝对值小于某一预设阈值时，将该像素点确定为背景中的像素点；当包括有目标的图像中的某一像素点与背景图像的特征中对应点的差值的绝对值大于等于该预设阈值时，将该像素点定义为混合物区域中的像素点。
更具体地，记包括有目标的图像(当前帧图像)为fn，记背景图像的特征(背景图像)为fb，两个图像中对应像素点的灰度值分别记为fn(x,y)和fb(x,y)，再对两个图像对应像素点的灰度值进行相减，并取其绝对值，得到差分图像Pn：
Pn(x,y)＝|fn(x,y)-fb(x,y)|
设定阈值m，按照下式逐个对像素点进行二值化处理，得到二值化图像Qn。其中灰度值为255的点即为前景(煤或矸石)点，灰度值为0的点即为背景点；再对Qn进行连通性分析，最终可得到含有完整识别目标的图像Qn。
Figure BDA0002665314860000111
在二值化图像中，前景点的噪声和目标图像(煤和矸石的区域)会被认为是一个整体的连通域。因此，需要将他们打断，这样这些区域才能被认为是独立的区域，才能对各个区域进行单独的处理。
基于此，首先对该二值化图像进行打断连通域的处理，以方便煤和矸石的区域的提取。
然后对该煤或矸石的区域以及噪声点区域进行形态学处理，例如通过膨胀、腐蚀、开闭运算、填充等形态学处理方法去除噪声区域，并对煤或矸石区域(目标区域)进行填充。
再采用特征选择对小块噪声区域进行去除，特征选择较大块完整区域即为煤或矸石的区域；选定煤或矸石的区域之后，将包括有目标的图像中的该区域取出，即得到煤和矸石与背景分割后的图像，由此实现了在输送带上对煤和矸石图像进行分割的步骤。
作为一个示例，本公开的S30中，通过SVM分类识别算法来识别包括有目标的图像中的煤和矸石。
在包括有目标的图像中，煤表面发亮发黑，灰度级较高，而矸石暗淡发灰，灰度级较低，煤和矸石的灰度直方图可以直观的反映它们的灰度范围和频率分布。因此，可以根据包括有目标的图像中的灰度特征区分煤和矸石，即该灰度均值可以作为区分煤和矸石的一个特征点。
其中，S30具体为：
S301、从包括有目标的图像中的煤或矸石区域提取出灰度均值、能量、对比度、同质性和相关性。
也就是说，由煤和矸石的灰度共生矩阵，可以提取出二阶矩、对比度、相关性、熵和逆矩差等特征参数值来定量描述图像纹理特性，由此根据上述特征参数值能够提取出包括有目标的图像中煤和矸石的不同特征点，并据此识别煤和矸石。
优选地，本公开选择灰度均值、能量、对比度、同质性和相关性等特征参数值。
具体地，通过公式1计算出上述包括有目标的图像中的煤或矸石区域的灰度均值：
Figure BDA0002665314860000121
式中，μ为煤和矸石区块的灰度均值；L是图像的灰度级数，K代表某一灰度值，nk为灰度值为K时的像素点个数，N为图像总像素。
而且，通过上述包括有目标的图像中的煤或矸石区域的灰度共生矩阵，可以提取出能量、对比度、相关性、同质性等特征参数值来定量描述图像纹理特性；即，图像的灰度共生矩阵能反映出图像灰度关于方向、相邻间隔、变化幅度的综合信息，它是分析图像的局部模式和它们排列规则的基础。
对一幅图像通常计0度、45度、90度、135度四个方向上的灰度共生矩阵，对应地也可以计算出各方向的能量、对比度、相关性、同质性等特性。为消除方向的影响，将计算出的各个方向下的同一特征的平均值作为这幅图像此特性的值。
其中，能量是灰度共生矩阵元素值的平方和，反映了图像灰度分布均匀程度和纹理粗细度。
本公开中，能量
Figure BDA0002665314860000122
其中，P(i,j,d,θ)代表灰度共生矩阵，i、j分别为一个像素点对中两个像素点的像素值，d为像素点对间的距离，θ是两者与坐标横轴的夹角；
对比度反映了图像的清晰度和纹理沟纹深浅的程度：纹理沟纹越深，其对比度越大，视觉效果越清晰；反之，对比度小，则沟纹浅，效果模糊。灰度共生矩阵中远离对角线的元素值越大，对比度越大。
本实施例中，对比度
Figure BDA0002665314860000123
相关性是用来衡量灰度共生矩阵在行或列方向上的相似度，如果图像中有水平方向纹理，则水平方向矩阵的相关值大于其余矩阵的相关值。
本实施例中，相关性
Figure BDA0002665314860000131
其中，μ1为变量i均值、μ2为变量j均值，
Figure BDA0002665314860000132
为变量i的方差、
Figure BDA0002665314860000133
为变量j的方差。
其中：
Figure BDA0002665314860000134
Figure BDA0002665314860000135
Figure BDA0002665314860000136
Figure BDA0002665314860000137
Figure BDA0002665314860000138
同质性度量了图像纹理局部变化的多少。其值大则说明图像纹理的不同区域间缺少变化，局部非常均匀。若灰度共生矩阵对角元素上有较大值，同质性就会取较大的值，因此连续灰度的图像其同质性的值比较大。
本实施例中，同质性
Figure BDA0002665314860000139
S302、根据特征参数值建立与该特征参数值对应的特征分类器。
例如，当选择灰度均值、能量、对比度、同质性和相关性时，可以根据这五个特征参数值建立五个特征分类器，即灰度均值分类器、能量分类器、对比度分类器、同质性分类器和相关性分类器。
优选地，所述灰度均值分类器、能量分类器、对比度分类器、同质性分类器和相关性分类器均为SVM分类器。
S303、使用测试集测试每个特征分类器能正确分类的个数，得到在该特征分类器下能正确分类的比例。
为实现煤和矸石的准确识别，从而提高分离效果，本公开中，需要有机结合灰度均值、能量、对比度、同质性和相关性这些特征；由此，本公开首先通过测试集测试每个特征分类器能正确分类的个数，得到在该特征分类器下能正确分类的比例。
例如，针对于灰度均值分类器，其正确分类的比例为0.7，针对于能量分类器，其正确分类的比例为0.92，针对于对比度分类器，其正确分类的比例为0.79，针对于同质性分类器，其正确分类的比例为0.85，针对于相关性分类器，其正确分类的比例为0.89。
S304、根据特征分类器的正确分类的比例确定该分类器的权重。
本公开中，当某一个特征分类器的正确分类的比例较高时，说明该特征分类器效果较好，应当给于较高的权重；相应地，当某一个特征分类器的正确分类的比例较低时，说明该特征分类器的效果较差，相应地给于较低的权重。
本公开中，所述灰度均值分类器的权重为10％，所述能量分类器的权重为30％，所述对比度分类器的权重为15％，所述同质性分类器的权重为20％，所述相关性分类器的权重为25％。
S305、根据特征分类器及其权重形成新的分类器。
当训练结束后，需要将上述五个特征参数值进行融合，并且由此得到一个新的特征综合分类器。
本公开中，通过上述五种特征参数值并分配了相应权重的SVM分类器运用到实际煤矸识别检测中，可以准确的实现对煤和矸石的分类识别。
本公开的矸石分类器识别方法，采用近红外相机搭载近红外光源，对外部光照变换不敏感，实现近红外相机拍照区域内的光照不受外界光照的影响，有效的解决了因外部光照变化而带来的识别上的困难。
由此，本公开的包括有目标的图像在灰度直方图中表现出了良好的稳定性，能够有效区分煤与矸石的平均灰度，近红外相机在所需的波长上具有高灵敏度，同时可以提供高分辨率图像，能够检测到更加清晰的纹理信息，并且，近红外相机能够捕获物体表面的能量，在现场情况较差时依旧能很好的捕捉到目标物体表面的特征。
本公开中，基于输送带本身颜色纹理在某一时间段内不会发生明显变化，即基本完全一致，因此，可以通过多帧平均法建立背景模型；从而将煤和矸石与背景分割开，并且可以在输送带没有太大变化的基础上再次做个平均，减少外部的干扰。
同时本公开仅采集在相机拍摄区域范围内的输送带图像，此区域范围内打光均匀，背景图像也不受到外部光照的影响，在此基础上通过多帧平均法建立背景模型，可以有效的提取出均匀有效的适应性强的背景图像，再通过背景减除法便可以有效的分割出煤和矸石的图像，使得对煤和矸石表面纹理进行提取时不会受到背景的干扰。
但是，另一方面，考虑到输送带上所传输的物料为煤和/或矸石，因此，该输送带容易被煤灰所污染，在较长时间之后，煤灰对输送带表面的灰度值有所影响，与初始获得的背景模型会产生偏差。
因此，本公开了，所述矸石分类器识别方法还包括S4：对背景图像的特征进行更新。
具体地，当所述S20识别混合物区域后，在排除该目标区域后，即可得到实时背景区域图像；将该实时背景区域图像与背景图像的像素点位置一一对应；针对于某一位置(x，y)，当所述实时背景区域图像的灰度值与背景图像的灰度值大于某一预设阈值时，将该位置标记为异常位置；当异常位置的总量占总位置数量的比例大于5％时，即在背景区域图像中，超过5％的像素点的灰度值均与背景图像的特征偏离较大，则对背景图像进行更新。其中，该预设阈值大于设定阈值m。
当更新背景图像时，考虑到背景图像的像素灰度值在短时间内不会发生明显变化，故在一段时间内采集103张用于更新背景图像的图像；将这些用于更新背景图像的图像中的目标区域去除；针对于某一像素点P(x，y)，计算其灰度均值：
Figure BDA0002665314860000151
其中，n表示该103张用于更新背景图像的图像中，某一像素点被识别为背景的图像张数；i为1，…，n；f(x，y)为该像素点的灰度值。
也就是说，在更新背景图像的过程中，如果该像素点对应的位置为用于更新背景图像的图像中的背景点，则该用于更新背景图像的图像在更新背景图像中被使用；如果该像素点对应的位置为用于更新背景图像的图像中的目标区域，则该用于更新背景图像的图像再更新背景图像时被丢弃。
将上一次得到的背景图像的某一像素点的灰度值记为Pa，将本次用于更新背景图像的图像所得到的该像素点的灰度均值记为Pb，并且将Pa的权重设置为0.3，将Pb的权重设置为0.7，则更新后的背景图像中某一像素点的灰度值p＝0.3Pa+0.7Pb。
由此，通过对背景图像的特征进行更新，从而避免因长时间工作后输送带上沾染煤灰而导致背景图像的灰度值有所变化造成目标区域难以分割的情况。
本公开的另一方面，提供了一种用于执行上述煤和矸石的识别方法的矸石自动分离系统，如图6所示，其包括：输送机构1，所述输送机构1输送煤和矸石的混合物；分离模块2，将所述输送机构1所输送的煤和矸石的混合物分离为至少两路；检测模块3，识别煤和矸石混合物中的矸石；以及分选模块4，将煤和矸石混合物中的矸石分选至矸石漏斗。
而且，所述矸石自动分离系统还包括控制模块5，所述控制模块5连接于所述检测模块3和分选模块4，以处理所述检测模块3传输至所述控制模块5的图像，识别出煤和矸石混合物中的矸石；并且控制所述模块4动作，将煤和矸石混合物中的矸石分选至矸石漏斗。即所述控制模块5用于执行上述的煤和矸石的识别方法。
图7为本公开的分选模块的结构示意图，图8图7的A部放大结构示意图。
所述分选模块包括矸石漏斗402，设置于所述输送机构1的右下方；煤漏斗403，设置于所述矸石漏斗402的左方；以及吹气机构404，固定于机架，并位于所述煤漏斗403的左方，用于将矸石吹至矸石漏斗402。
其中，所述煤漏斗403和矸石漏斗402也均固定于所述机架，并且其位置根据输送机构1的运动速度设置。例如，所述输送机构1为输送带，当所述煤和矸石的混合物在输送带上被传送时，其速度与输送带的表面速度相同；当煤和矸石离开输送带之后，在重力作用下呈抛物线运动，所述煤漏斗403的中心位置被设置在所述抛物线上，以使得煤和矸石在具有初速度的自由落体运动时，能够被输送至煤漏斗403内，从而也就使得输送机构1所输送的煤和矸石的混合物中的煤在不被干涉的情况下，直接落入煤漏斗。
所述矸石漏斗402设置于所述煤漏斗403的右侧，也就是说，当煤和矸石中的矸石被吹气机构所喷出的高压气体作用之后，改变了运动轨迹，落入距离输送机构1比较远的矸石漏斗402内。
根据本公开的一个方面，参考图8，所述吹气机构包括气源(图中未示出)，用于提供高压气体，例如提供0.8MPa的高压气体；喷嘴405，通过管路连接于所述气源，用于喷出高压气体；以及电磁阀组406，所述电磁阀组406设置于所述管路中，用于控制管路的通断。
优选地，所述电磁阀组406为高频脉冲电磁阀组，以使得所述电磁阀组406的开关频率较高，并进一步使得输送带的传输速度过快时，所述吹气机构能够跟上输送带的节奏。
根据本公开的一个方面，所述喷嘴405包括长条形的机体，在所述长条形的机体上开设有多个气孔407，优选地，所述气孔407沿所述机体的长度方向设置为一列。
为使得所述气孔407所喷出的气体具有较好的方向性，所述气孔407的轴线与所述气孔407所位于的平面垂直设置，所述气孔407的进气口通过管路连接于所述高频脉冲电磁阀组，以通过开启所述高频脉冲电磁阀组的某一个电磁阀，使得对应的气孔407喷气，相应的，该喷气使得输送带的宽度方向处所传输的矸石被分离至矸石漏斗。
进一步地，所述气孔的轴线(例如气孔的出口段的轴线)与水平面之间的夹角为15-30°，优选为20°，以满足分离矸石的需求。
所述喷嘴405的两端通过支撑机构固定于所述机架408上，例如，所述机架上设置有支撑板409，所述支撑机构固定于所述支撑板409上，此时，所述电磁阀组也固定于所述支撑板409上。
优选地，所述支撑机构包括：支撑杆410，所述支撑杆410的下端固定在所述支撑板409上；以及十字连接件411，所述支撑杆410的上端插入于所述十字连接件411的一个连接孔内，所述喷嘴405的两端插入于所述十字连接件411的另一个连接孔内。
作为一种优选，所述十字连接件411上开设有两个连接孔，所述连接孔上形成有开口，由此使得连接孔的直径在能够在紧固件的作用下发生改变，使得支撑杆410能被固定在十字连接件411上，并且可以调整十字连接件411在所述支撑杆410上的高度；更进一步，所述喷嘴405相对于十字连接件411的位置可调，并且角度也可调。
优选地，所述喷嘴405包括长条形的机体，在所述长条形的机体上开设有多个气孔，所述气孔沿所述机体的长度方向设置为一列。
图9为本公开的检测模块的结构示意图。
如图9所示的检测模块，其包括支架301，用于输送煤和矸石混合物的输送机构1从所述支架301中穿过；光源303，固定于所述支架301上；相机安装架304，固定于所述支架301上；以及近红外相机305，安装于所述相机安装架304上，并位于所述输送机构1的上方；其中，所述光源303的数量为至少两个，并且在所述输送机构1输送方向的两侧均布置有光源303。
优选地，所述相机安装架304为平板状，所述支架301为多个梁固定形成的结构，所述相机安装架304的两端分别固定于所述支架301的梁上，并使得相机安装架304被水平设置。更进一步，所述相机安装架304平行于所述输送机构1的输送方向，更优选地，所述相机安装架304的中心线与所述输送带的中心线位于同一个竖直平面上，由此，当将近红外相机305安装在相机安装架304的不同位置时，均能够位于所述输送带的正上方，以最大程度地拍摄煤和矸石的清晰照片，提高矸石的检出效率。
更进一步，所述光源303为线光源，优选地，所述线光源包括光源架和设置于所述光源架内的发光元件(图中未示出)，而且，所述发光元件可以选择近红外LED光源，以通过所述LED光源发射所需要的近红外光，并将该近红外光照射于输送带上所传输的煤和矸石上。
作为一种实现形式，所述光源架上沿其长度方向开设有槽，所述发光元件设置于所述槽内。
而且，所述线光源的长度方向与所述输送机构1的方向一致，更具体地，所述线光源的数量为两个，并且所述光源架上的槽的开口朝向所述输送带的中心线。
所述支架301上安装有光源安装架306，所述光源303安装于光源安装架306上，以通过所述光源安装架306的设置，方便安装和拆卸所述光源303。
所述控制模块5连接于近红外相机305，所述控制模块5优选为工控机，所述工控机包括数据采集卡，用于对近红外相机305采集的图像进行接收、处理以及目标的检测，并由此识别出煤和矸石混合物中的矸石；更进一步，所述检测模块还包括光源控制器，所述光源控制器连接于所述光源，以通过所述光源控制器控制所述光源的开关和亮度；同时，所述控制模块还连接于所述光源控制器，以使得所述控制模块能够控制所述光源控制器的动作。
图10为本公开的分离模块的结构示意图，图11为本公开去除框架之后的分离模块的结构示意图。
参考图10和图11，本公开的分离模块包括：框架201，所述输送机构1从所述框架201穿过；第一分流组件，设置于所述框架201上；以及第二分流组件，设置于所述框架201上；其中，所述第一分流组件和第二分流组件用于将输送机构上所传输的煤和矸石的混合物分成至少两列。
具体地，所述第二分流组件设置为至少一个，并且沿煤和矸石的混合物的输送方向位于所述第一分流组件的下游侧，以通过第一分流组件和第二分流组件的设置，将输送机构所输送的煤和矸石的混合物分列，从而更方便检测模块3对矸石的检测。
作为一个示例，所述第一分流组件包括第一横杆202，所述第一横杆202通过连接件结构固定于所述框架，例如，所述连接结构包括：连接杆203，所述连接杆203的上端连接于所述框架201；以及十字连接件411，所述十字连接件411连接所述连接杆203和第一横杆202，以使得所述第一横杆202被固定于所述框架201。
尤其是，所述第一横杆202水平设置，并且垂直于所述输送机构1的输送方向。
为实现对输送机构上输送的煤和矸石的混合物的分流，所述第一横杆202上固定有左分流板205、右分流板206和至少一个双层分流板207，其中，所述双层分流板207位于所述左分流板205和右分流板206之间，并且所述双层分流板207的下端的横截面为等腰三角形，所述双层分流板207的顶角朝前设置。
作为一种具体结构，所述左分流板205和右分流板206的横截面均为直角三角形，所述左分流板205和右分流板206的一个直角边所对应的面竖直设置，并且平行于输送方向；另一个直角边所对应的面竖直设置，并且垂直于输送方向；所述左分流板205和右分流板206的斜边所应的面相对设置，以当输送机构上输送的煤和矸石的混合物通过所述第一分流组件时，能够通过双层分流板207实现分流，并且通过左分流板205、右分流板206和双层分流板207实现分流之后的混合物的收窄。
作为一种优选，所述第二分流组件的数量设置为2个，当然，该第二分流组件的数量可以根据煤和矸石的混合物的输送速度等参数进行调节；更进一步，所述第二分流组件包括第二横杆208，所述第二横杆208通过连接结构固定于所述框架201；所述连接结构与前述的连接结构的结构相同，在此不再一一赘述。
尤其是，所述第二横杆208水平设置，并垂直于所述输送机构1的输送方向。
为了对经过第一分流组件后的煤和矸石的混合物进行进一步收窄，在所述第二横杆208上，沿所述第二横杆208的长度方向设置有至少两对左分流板205和右分流板206；其中，所述左分流板205和右分流板206的结构与前述内容相同，在此不再一一赘述。
在所述第二横杆208上，所述左分流板205和右分流板206的一个直角边所对应的面竖直设置，并且平行于输送方向；另一个直角边所对应的面竖直设置，并且垂直于输送方向；所述左分流板205和右分流板206的斜边所应的面相对设置；并且每一对左分流板205和右分流板206均位于前一级所分隔的煤和矸石的流动区域的两侧。
本公开的矸石自动分离系统，首先通过分离模块将成堆聚集的煤和矸石分为三路较稀疏的煤与矸石，以此降低相机拍照识别的难度，并且利用近红外摄像机实现了煤和矸石的区分，然后通过分选模块将矸石分选出来。
由此，本公开解决了现有技术中的利用普通工业相机拍照识别，煤和矸石混杂且大量堆积在一起、现场情况复杂，较难识别与煤相似的黑色矸石或识别准确度不高，且分拣难度较大的问题。
在本说明书的描述中，参考术语“一个实施例/方式”、“一些实施例/方式”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例/方式或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例/方式或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例/方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例/方式或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例/方式或示例以及不同实施例/方式或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
本领域的技术人员应当理解，上述实施方式仅仅是为了清楚地说明本公开，而并非是对本公开的范围进行限定。对于所属领域的技术人员而言，在上述公开的基础上还可以做出其它变化或变型，并且这些变化或变型仍处于本公开的范围内。

Claims (7)

1.一种煤和矸石的识别方法，其特征在于，包括：
S1、获得训练样本，所述训练样本为多张包括煤和矸石的图片；
S2、构建深度学习网络，使用所述训练样本训练该深度学习网络；
S3、实时采集输送带上所传输的煤和/或矸石的图像，利用训练后的深度学习网络实现煤和矸石的识别；以及
S4、在煤和矸石的检测过程中，当完成煤或者矸石的识别后，深度学习网络检测到目标，将具有目标的图片保存；并且保存的图片的数量达到一定程度后，根据保存的图片对深度学习网络进行再次训练。
2.根据权利要求1所述的煤和矸石的识别方法，其特征在于，S1具体包括：
S11、获取煤和矸石在无背景状态下和/或有背景状态下的样本图片；
S12、对样本图片制作标签；
S13、对样本图片进行几何变换，得到训练样本。
3.根据权利要求2所述的煤和矸石的识别方法，其特征在于，S11包括：在获取样本图片的过程中，不断改变光源的亮度和背景，在不同环境下获取煤和矸石的完整图片，并且对煤和矸石不同的角度进行采集；
或者，S12包括：所述标签记录每个样本的类别和样本中包含煤和矸石的最小外接矩形；
或者，所述最小外接矩形使用包括煤和矸石的矩形的左上角坐标及右下角坐标来定义；
或者，S13中的对样本图片进行几何变换选择自镜像、平移、旋转、缩放和增加噪声中的一种或多种；
或者，所述镜像包括水平镜像和垂直镜像；
或者，所述平移包括将图像中的所有像素点向左、向右、向上或者向下平移；
或者，所述平移包括将图像中的煤和矸石的最小外接矩形内的所有像素点向左、向右、向上或者向下平移；
或者，所述旋转包括将图像中的像素点绕图片中心或者绕图像中的煤和矸石的最小外接矩形的中心旋转一定角度；
或者，所述缩放包括放大或者缩小图像中的煤和矸石的最小外接矩形；
或者，所述增加噪声包括在样本图片中增加椒盐噪声和/或高斯噪声；
或者，其中，通过几何变换后的样本图片和原样本图片一起作为训练样本；
或者，所述深度学习网络为Yolov3网络。
4.根据权利要求1所述的煤和矸石的识别方法，其特征在于，在训练深度学习网络的过程中，对深度学习网络训练104次，初始学习率设为0.001，批处理量为10。
5.根据权利要求4所述的煤和矸石的识别方法，其特征在于，在训练深度学习网络的过程中，将学习速率在合理的边界值之间周期变化。
6.根据权利要求1-5之一所述的矸石识别方法，其特征在于，所述矸石识别方法利用矸石自动分离系统实现，所述矸石自动分离系统包括：
输送机构，所述输送机构输送煤和矸石的混合物；
分离模块，将所述输送机构所输送的煤和矸石的混合物分离为至少两路；
检测模块，识别煤和矸石混合物中的矸石；以及
分选模块，将煤和矸石混合物中的矸石分选至矸石漏斗；
其中，所述分选模块包括：矸石漏斗，设置于所述输送机构的右下方；煤漏斗，设置于所述矸石漏斗的左方；以及吹气机构，固定于机架，并位于所述煤漏斗的左方，用于将矸石吹至矸石漏斗。
7.一种矸石自动分离系统，用于执行权利要求1-5所述的矸石识别方法，其特征在于，包括：
输送机构，所述输送机构输送煤和矸石的混合物；
分离模块，将所述输送机构所输送的煤和矸石的混合物分离为至少两路；
检测模块，识别煤和矸石混合物中的矸石；以及
分选模块，将煤和矸石混合物中的矸石分选至矸石漏斗；
其中，所述分选模块包括：矸石漏斗，设置于所述输送机构的右下方；煤漏斗，设置于所述矸石漏斗的左方；以及吹气机构，固定于机架，并位于所述煤漏斗的左方，用于将矸石吹至矸石漏斗；
所述吹气机构包括：气源，用于提供高压气体；喷嘴，通过管路连接于所述气源，用于喷出高压气体；以及电磁阀组，所述电磁阀组设置于所述管路中，用于控制管路的通断；
所述喷嘴的两端通过支撑机构固定于所述机架上；所述机架上设置有支撑板，所述支撑机构固定于所述支撑板上；
所述支撑机构包括：支撑杆，所述支撑杆的下端固定在所述支撑板上；以及十字连接件，所述支撑杆的上端插入于所述十字连接件的一个连接孔内，所述喷嘴的两端插入于所述十字连接件的另一个连接孔内；
所述喷嘴包括长条形的机体，在所述长条形的机体上开设有多个气孔，所述气孔沿所述机体的长度方向设置为一列。
CN202010916821.5A 2020-09-03 2020-09-03 煤和矸石的识别方法以及矸石自动分离系统 Pending CN112354874A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010916821.5A CN112354874A (zh) 2020-09-03 2020-09-03 煤和矸石的识别方法以及矸石自动分离系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010916821.5A CN112354874A (zh) 2020-09-03 2020-09-03 煤和矸石的识别方法以及矸石自动分离系统

Publications (1)

Publication Number Publication Date
CN112354874A true CN112354874A (zh) 2021-02-12

Family

ID=74516473

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010916821.5A Pending CN112354874A (zh) 2020-09-03 2020-09-03 煤和矸石的识别方法以及矸石自动分离系统

Country Status (1)

Country Link
CN (1) CN112354874A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113019955A (zh) * 2021-03-18 2021-06-25 合肥名德光电科技股份有限公司 一种基于双能x射线矿石智能分选设备和方法
CN113569795A (zh) * 2021-08-06 2021-10-29 中国矿业大学 一种基于机器视觉的煤矸石识别方法及系统
CN113814188A (zh) * 2021-09-22 2021-12-21 南京航空航天大学 一种基于多源信息融合的矸石分拣方法和系统
CN113989251A (zh) * 2021-11-02 2022-01-28 河南中平自动化股份有限公司 一种矿用煤矸分选智能控制系统及方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102489453A (zh) * 2011-11-24 2012-06-13 天津吉亚牧业集团有限公司 色选机矩阵式喷嘴执行机构
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
CN108197630A (zh) * 2018-03-19 2018-06-22 中国矿业大学(北京) 一种基于自学习的煤岩识别方法
CN110135468A (zh) * 2019-04-24 2019-08-16 中国矿业大学(北京) 一种煤矸石的识别方法
CN110756452A (zh) * 2019-10-31 2020-02-07 中煤科工集团上海有限公司 煤矸石识别及分拣系统
CN111007064A (zh) * 2019-12-13 2020-04-14 常州大学 一种基于图像识别的录井岩性智能识别方法
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
CN111346842A (zh) * 2018-12-24 2020-06-30 顺丰科技有限公司 煤矸石分拣方法、装置、设备及存储介质
CN111461120A (zh) * 2020-04-01 2020-07-28 济南浪潮高新科技投资发展有限公司 一种基于区域的卷积神经网络物体表面缺陷检测方法
CN111558541A (zh) * 2020-06-09 2020-08-21 北京博睿赢创智能科技有限公司 煤矸分选装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102489453A (zh) * 2011-11-24 2012-06-13 天津吉亚牧业集团有限公司 色选机矩阵式喷嘴执行机构
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
CN108197630A (zh) * 2018-03-19 2018-06-22 中国矿业大学(北京) 一种基于自学习的煤岩识别方法
CN111346842A (zh) * 2018-12-24 2020-06-30 顺丰科技有限公司 煤矸石分拣方法、装置、设备及存储介质
CN110135468A (zh) * 2019-04-24 2019-08-16 中国矿业大学(北京) 一种煤矸石的识别方法
CN110756452A (zh) * 2019-10-31 2020-02-07 中煤科工集团上海有限公司 煤矸石识别及分拣系统
CN111007064A (zh) * 2019-12-13 2020-04-14 常州大学 一种基于图像识别的录井岩性智能识别方法
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
CN111461120A (zh) * 2020-04-01 2020-07-28 济南浪潮高新科技投资发展有限公司 一种基于区域的卷积神经网络物体表面缺陷检测方法
CN111558541A (zh) * 2020-06-09 2020-08-21 北京博睿赢创智能科技有限公司 煤矸分选装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
何青: "一个基于聚类的神经网络样本自学习系统", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113019955A (zh) * 2021-03-18 2021-06-25 合肥名德光电科技股份有限公司 一种基于双能x射线矿石智能分选设备和方法
CN113569795A (zh) * 2021-08-06 2021-10-29 中国矿业大学 一种基于机器视觉的煤矸石识别方法及系统
CN113814188A (zh) * 2021-09-22 2021-12-21 南京航空航天大学 一种基于多源信息融合的矸石分拣方法和系统
CN113989251A (zh) * 2021-11-02 2022-01-28 河南中平自动化股份有限公司 一种矿用煤矸分选智能控制系统及方法
CN113989251B (zh) * 2021-11-02 2022-05-24 河南中平自动化股份有限公司 一种矿用煤矸分选智能控制系统及方法

Similar Documents

Publication Publication Date Title
CN112354874A (zh) 煤和矸石的识别方法以及矸石自动分离系统
CN106570511B (zh) 基于计算机视觉的键盘字符缺陷在线检测系统和方法
CN104794491B (zh) 基于预分类的模糊聚类钢板表面缺陷检测方法
Wu et al. An inspection and classification method for chip solder joints using color grads and Boolean rules
CN104990925B (zh) 一种基于梯度多阈值优化缺陷检测方法
CN107389701A (zh) 一种基于图像的pcb表观缺陷自动检测系统及方法
CN206139527U (zh) 全景视觉马铃薯分选和缺陷检测装置
CN107103317A (zh) 基于图像融合和盲反卷积的模糊车牌图像识别算法
CN104867144B (zh) 基于混合高斯模型的ic元件焊点缺陷检测方法
CN108491788A (zh) 一种用于财务报表单元格的智能提取方法及装置
CN109615609A (zh) 一种基于深度学习的焊点瑕疵检测方法
CN110991439B (zh) 一种基于像素级多特征联合分类的手写体字符的提取方法
CN105044122A (zh) 一种基于半监督学习模型的铜件表面缺陷视觉检测系统及检测方法
CN106529532A (zh) 一种基于积分特征通道与灰度投影的车牌识别系统
CN102305798A (zh) 基于机器视觉的玻璃缺陷的检测与分类方法
CN106446894A (zh) 一种基于轮廓识别球型目标物位置的方法
CN104198497A (zh) 一种基于视觉显著图和支持向量机的表面缺陷检测方法
CN112371559A (zh) 矸石识别方法和矸石自动分离系统
CN114119526A (zh) 一种基于机器视觉的钢板表面缺陷检测与识别系统及方法
CN104050684A (zh) 一种基于在线训练的视频运动目标分类方法与系统
CN106778717A (zh) 一种基于图像识别和k近邻的测评表识别方法
CN106651906A (zh) 基于改进混合高斯模型的高压断路器运动特性测试方法
CN111259893A (zh) 一种基于深度学习的智能工具管理方法
CN115131348A (zh) 一种纺织品表面缺陷的检测方法及系统
CN115728309A (zh) 一种喷墨打印线路缺陷识别方法及工艺调控方法

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210212