CN113458005B - 一种基于纯矿物模拟的煤矸x射线识别系统 - Google Patents
一种基于纯矿物模拟的煤矸x射线识别系统 Download PDFInfo
- Publication number
- CN113458005B CN113458005B CN202110652683.9A CN202110652683A CN113458005B CN 113458005 B CN113458005 B CN 113458005B CN 202110652683 A CN202110652683 A CN 202110652683A CN 113458005 B CN113458005 B CN 113458005B
- Authority
- CN
- China
- Prior art keywords
- coal
- gangue
- mineral
- gray
- area
- 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
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
- B07C5/34—Sorting according to other particular properties
- B07C5/3416—Sorting according to other particular properties according to radiation transmissivity, e.g. for light, x-rays, particle radiation
Landscapes
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Toxicology (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明属于煤和矸石智能识别技术领域,具体涉及一种基于纯矿物模拟的煤矸X射线识别系统。本发明包括以下步骤:S1,建立标准煤和矸石的性质参数;S2,建立纯矿物灰度模型;S3,煤和矸石的标准数据采集;S4,使用灰度模型进行分选;S5,结果的判断。本发明具备高识别精度的优点,能实现对煤和矸石的高效率的稳定识别需求,尤其适用于不可见光基础下的干法选煤行业所使用。
Description
技术领域
本发明属于煤和矸石智能识别技术领域,具体涉及一种基于纯矿物模拟的煤矸X射线识别系统。
背景技术
随着煤炭开采量的逐年增加,优质品位的煤炭资源几乎被开采殆尽,煤炭资源已经向“贫、细、杂”方向发展。为了提高煤炭质量,目前选煤厂实现煤炭的全粒级洗选。当前主流的煤炭洗选方法分为湿法选煤和干法选煤两种。对于湿法选煤而言,重介质选煤成为主导工艺,其精度较高,但是其缺点也尤为明显:脱介脱水工艺复杂且用水量大,需要后续的煤泥水处理工艺。对于干法选煤而言,主要是空气重介质流化床干法选煤、风选、复合式干选以及射线选煤等,由于无需用水、工艺简单,因此一度成为研究热点。但是,干法选煤分选精度较低且空气污染严重,因此使用范围较小,仅限于西北缺水地区。后来,γ射线、X射线选煤技术开始进入选煤工作者的视线,特别是部分射线选煤设备已经开始在现场进行应用,虽然取得了一定的效果,但是其弊端也尤为明显:首先是设备大都选用γ射线作为射线,虽然穿透力强,但是射源管理是个难题,残余的γ射线会给检修工人的身体带来辐射伤害。二是部分设备为了射源安全和节约成本采用了伪双能X射线,但却会带来“厚度效应”,使得设备对煤和矸石的识别精度大大降低,使得精煤中夹带矸石的比率与矸石中夹带精煤的比率均达不到选煤厂对主选设备的精度需求,很难得到广泛应用和推广。此外,近些年的研究主要集中在煤和矸石的特征选择和算法选择及优化上,其中特征选择包括灰度值、灰度共生矩阵、表面纹理特征、图像熵等,均为基于可见光的特征,而对于不可见光的研究还比较少,亟待解决。
发明内容
本发明的目的是克服上述现有技术的不足,提供一种基于纯矿物模拟的煤矸X射线识别系统,其具备高识别精度的优点,能实现对煤和矸石的高效率的稳定识别需求,尤其适用于不可见光基础下的干法选煤行业所使用。
为实现上述目的,本发明采用了以下技术方案:
一种基于纯矿物模拟的煤矸X射线识别系统,其特征在于包括以下步骤:
S1,建立标准煤和矸石的性质参数:
对矿区的原煤进行矿物组分的分析,得到包括碳在内的各矿物的含量区间;
S2,建立纯矿物灰度模型:
利用组成步骤S1所述原煤的各个矿物所对应的纯矿物进行组合,形成作为试验样品的复合矿物;改变复合矿物中不同纯矿物的含量,计算其像素体积的分子数,建立各矿物的分子数也即含量与灰度值之间的数学关系,也即灰度模型;
S3,煤和矸石的标准数据采集:
选择分选区间内每个粒度级的标准煤矸石样品,提取出每个标准厚度下的煤和矸石的灰度,找出灰度重叠的范围;
S4,使用灰度模型进行分选:
灰度重叠范围内的煤和矸石使用S2步骤所述的灰度模型进行分选,也即:将待分选的煤和矸石的灰度输入灰度模型,反推得到待分选的煤和矸石内各矿物的分子数;
S5,结果的判断:
若步骤S4的数据中的碳的分子数占全部分子数的比值数落入矿区煤的碳含量范围或大于该范围,则判断为煤,否则为矸石。
优选的,所述矿物还包括高岭土、蒙脱石和石英。
优选的,所述步骤S2包括以下子步骤:
(1)将碳粉、高岭土粉、石英粉和蒙脱石粉均压制成厚度不同,但密度和质量均相等的长方体块;
(2)改变厚度,获得不同厚度下的复合矿物;该复合矿物通过将X厚的高岭土、Y厚度的石墨、Z厚度的石英与H厚度的蒙脱石叠放在一起形成;
(3)提取所有复合矿物的灰度值;
(4)计算每种复合矿物的一个像素体积的分子数;
(5)建立分子数与灰度之间的数学模型,得到灰度模型。
优选的,所述X,Y,Z、H均属于7到11之间的正整数,厚度的变化为整数变化。
优选的,子步骤(3)中,提取所有复合矿物的灰度值之前,需对图像进行中值滤波降噪处理,再对图像进行自适应图像分割,从而得到完整的矿物区域;再提取矿物区域的平均灰度值,减去背景的灰度值后,得到每种矿物的绝对灰度值,并将此作为复合矿物的灰度值。
优选的,子步骤(4)的操作方法如下:
首先计算出复合矿物中总的分子数量,再利用成像后图像中矿物区域所占总区域像素数的比例,将样品划分为一个个的像素体积,再以下式计算出每一个像素体积中的分子数代替物质的总分子数:
其中:
Ne-p为样品的像素体积的分子数;
m为样品的质量;
NA为阿伏伽德罗常数;
M为物质的量;
S0为图像的面积;
S为矿物区域的面积;
α为图片的像素。
优选的,在得到每种复合矿物的一个像素体积的分子数后,再以分子数为自变量,灰度值为因变量,进行数据拟合,并以拟合度最高为条件得到拟合方式,获得复合矿物中不同蒙脱石厚度下的拟合方程y=f(M,G,K,Q),其中y为复合矿物的灰度值,G为复合矿物中石墨的分子数,M为复合矿物中蒙脱石的分子数,K为复合矿物中高岭土的分子数,Q为复合矿物中石英的分子数。
优选的,所述步骤S3包括:
在矿区选择标准厚度的煤和矸石样品,测得每一个粒度级标准厚度样品的灰度值用来划分灰度重叠的区域,对于区域之外的灰度值可以直接判断为煤和矸石,在区域之内的灰度值需要带入灰度模型之中,具体为:
在对标准厚度的煤和矸石进行灰度提取后,得到煤和矸石的灰度,对于煤和矸石来说,总是有灰度范围相交的区域,无法区分是煤还是矸石,而此区域称作灰度重叠区域;
提取待分选的煤和矸石的灰度并以矩阵形式处理,矩阵中最大的元素为图像中最大的灰度值,该值在灰度重叠区域外则可清楚的分辨出煤和矸石,在灰度重叠区域中则无法判断,只能得到是hx厚度的煤或者是hy厚度的矸石。
优选的,将在灰度重叠区间的矿物,统计其灰度矩阵中的众数,将众数带入所述模型Y=f(M,G,K,Q)中得到如下数据,
数据输出为矩阵,然后对矩阵作如下运算:
对矩阵中每一行做如下处理:
最终结果为:
该矩阵的行表示的是在该灰度值下,蒙脱石,石英,高岭土和碳的含量的组合为a1,b1,c1,d1,接下来根据该矿区各矿物含量中蒙脱石,高岭土和石英的含量区间和该矩阵进行对比,从全部组合中选出满足要求的矿物含量矩阵,也即要求该矩阵中a,b,c的值与测得的矿物含量相同,然后再计算所选出的矩阵的d的平均值dn,该平均值代表了在假设的蒙脱石,高岭土,石英含量一定的情况下碳的含量,如果dn在煤的标准碳含量区间内或者大于该区间则为煤,否则为矸石。
本发明的有益效果在于:
在描述效果之前,此处先说明煤夹矸难以分选的原因,在于:(1)从表面的纹理特征来看,表面可能是煤而内部是矸石;(2)煤夹矸在X射线下成像后的灰度值是与纯煤或者纯矸石的灰度值极为相近难以识别。而本发明所确保煤夹矸能选的原因在于:煤夹矸内部的矿物组分不同,可能是碳含量居多,可能是其他矿物含量居多,如果能确定夹矸煤中的碳含量占比范围即能分选。传统射线分选方法是以煤和矸石的X射线吸收系数不同或者结合可见光来提取煤和矸石的表面纹理差异来识别煤和矸石,两者对纯煤和纯矸的分选效果显著,但是对煤夹矸分选效果极差。
有鉴于此,本发明从煤和矸石的内部差异出发,即矿物组分的差异,从而抛弃了传统的基于可见光的特征算法,转而提供了一种基于不可见光的算法优化流程。也即本发明首先利用组成煤和矸石矿物组分所对应的纯矿物,形成作为试验样品的复合矿物,再改变复合矿物中不同矿物的含量,计算其像素体积的分子数,随之建立各矿物分子数与灰度值之间的数学关系,再将煤和矸石的灰度值带入模型,获得各矿物组分的分子数,作为判断是否为煤或者矸石的依据。具体而言:本发明通过对煤和矸石的矿物组分的模拟,得到煤和矸石中主要的四种矿物的分子数为自变量,灰度值为因变量的方程,通过该方程可以对无法用灰度值识别的夹矸煤进行处理,将灰度值带入方程,可以得到每个矿物成分的含量进而识别。
显然,通过上述方式,本发明具备了以下好处:
(1)本发明提供的识别方法从分子层面进行出发,使用纯矿物模拟煤和矸石中复杂的矿物组成,用试验的方法混合矿物中碳,高岭土,蒙脱石和石英四种矿物在不同含量下的灰度值模型,通过此模型可以得到煤夹矸中各矿物组分的相对分子数量,在进一步得到各矿物的相对含量,对比所选矿区标准煤样的矿物成分即可确定煤和矸石,即可确定煤和矸石。上述模拟矿物组成的方法避免了分选过程中外部因素对煤和矸石的影响,比如矸石表面的煤灰,煤和矸石在振动时的分裂而导致的厚度减小从而使煤和矸石的X射线吸收系数改变等,从而能得到精确度更高的灰度模型,能显著提高夹矸煤的识别率,解决了煤夹矸这一问题。
(2)本发明的识别方法简单,识别精确度高,在实现过程中不需要复杂的算法和庞大的煤和矸石图片的数据库,只需要普通的工业计算机即可实现,从而能够增大代码运行速度,提高分选效率。
(3)本发明原理简单,不需要复杂的辅助设备,也能有效的降低了设备和维护成本。
附图说明
图1是本发明的工作流程图;
图2是纯矿物的厚度与灰度之间的关系曲线图;
图3是纯矿物像素体积分子数与灰度之间的关系曲线图;
图4和图5为实施例1的两组灰度值图。
具体实施方式
本发明的具体结构如图1-3所示,其主要包括以下步骤:
步骤1,建立标准煤和矸石的性质参数;
对矿区进行煤质分析,得到该矿区煤和矸石的碳、高岭土、蒙脱石、石英的含量范围,记为标准煤和矸石的性质参数。
步骤2,建立纯矿物灰度模型;
其具体步骤为:
步骤201:将碳粉也即石墨粉,高岭土粉,石英粉和蒙脱石粉压制成7mm-11mm,以厚度为变化量,且密度和质量均相等的长方体块。
步骤202:将X厚的高岭土,Y厚度的石墨,Z厚度的石英与7mm-11mm的蒙脱石叠放在一起,其中X,Y,Z属于7到11之间的正整数。
步骤203:提取步所有样品的灰度值;
提取矿物灰度值之前对图像进行中值滤波降噪处理,在对图像进行自适应图像分割,得到完整的矿物区域,再提取矿物区域的平均灰度值,减去背景的灰度值后,得到每种矿物的绝对灰度值,并将此作为矿物的灰度值,样品厚度与灰度之间的关系如图2。
步骤204:计算每种样品的一个像素体积的分子数;
计算样品的像素体积的分子数,其具体方法如下:
首先计算出样品中总的分子数量,再利用成像后图像中矿物区域所占总区域像素数的比例,将样品划分为一个个像素体积,再计算出每一个像素体积中的分子数,公式如下:
其中:
Ne-p为样品的像素体积的分子数;
m为样品的质量;
NA为阿伏伽德罗常数;
M为物质的量;
S0为图像的面积;
S为矿物区域的面积;
α为图片的像素;
计算出的单矿物像素体积的分子数与灰度之间的关系如图3。
步骤205:建立灰度与分子数之间的数学模型;
得到每种样品的像素体积的分子数之后,以分子数为自变量,灰度值为因变量,进行数据拟合,并选择拟合度最高得到拟合方式,得拟合方程y=f(M,G,K,Q)。其中,y为复合矿物的灰度值,M为复合矿物中蒙脱石的分子数,G为复合矿物中石墨的分子数,K为复合矿物中高岭土的分子数,Q为复合矿物中石英的分子数。显然,理论上,实际操作时,也可以通过复合矿物中的任何非碳的矿物进行厚度变化来获得上述模型,也能进行相应计算并获得相应的煤和矸石的在线分辨效果。
步骤3,煤和矸石的标准数据采集;
在矿区选择标准粒度的煤和矸石样品,测得每一个粒度级标准样品的灰度值用来划分灰度重叠的区域,对于区域之外的灰度值可以直接判断为煤和矸石,在区域之内的灰度值需要带入模型之中。
步骤4,使用灰度模型进行分选。
对于模型的使用具体分以下步骤:
步骤401:图像灰度提取;
步骤402:对灰度值进行初步分类;
在对标准厚度的煤和矸石进行灰度提取后,得到煤和矸石的灰度方程y=f(M,G,K,Q),自变量为各矿物的分子数,对于煤和矸石来说,此方程有不同的值域,而值域重叠的部分为灰度重叠区域;
再提取待分选的煤和矸石的灰度并以矩阵形式处理,矩阵中最大的元素为图像中最大的灰度值,该值在灰度重叠区域外则可清楚的分辨出煤和矸石,在区域中则带入灰度方程,得到该灰度值下的矿物是A厚度的煤或者是B厚度的矸石。
步骤403:将分类后的灰度值带入模型,具体如下:
步骤404:对每一个灰度得到的结果进行统计,对比,分类。
实际操作时,需将在灰度重叠区间的矿物,统计其灰度矩阵中的众数,将众数带入所述模型Y=f(M,G,K,Q)中得到如下数据,
数据输出为矩阵,然后对矩阵作如下运算:
对矩阵中每一行做如下处理:
最终结果为:
该矩阵的行表示的是在该灰度值下,蒙脱石,石英,高岭土和碳的含量的组合为a1,b1,c1,d1,接下来根据该矿区各矿物含量中蒙脱石,高岭土和石英的含量区间和该矩阵进行对比,从全部组合中选出满足要求的矿物含量矩阵,也即要求该矩阵中a,b,c的值与测得的矿物含量相同,然后再计算所选出的矩阵的d的平均值dn,该平均值代表了在假设的蒙脱石,高岭土,石英含量一定的情况下碳的含量,如果dn在煤的标准碳含量区间内护着大于该区间则为煤,否则为矸石。
为进一步的描述本发明,此处结合图4-5,给出以下实施例1:
实施例1
蒙脱石,石英,高岭土和碳的厚度为7mm-11mm的5个厚度级,将四种矿物按照不同厚度的组合可得到5×5×5×5=625个灰度数据,利用多元线性回归拟合方法得到四元线性回归方程:
经过拟合优度检验,F检验和t检验后表明模型符合要求。
以淮南矿区的煤样做验证,经过对淮南矿区的矿物成分分析,得到煤中高岭土含量为12%-16%,石英含量为9%-14%,碳含量为65%-75%,蒙脱石含量为5%-10%。其10mm-50mm标准煤样的灰度范围是>50,标准矸石范围在<70,所以其灰度重合范围是[50,70]。选择10mm-50mm的200个煤和矸石,其中煤150个,矸石50个,其灰度值如图4所示。
将灰度重叠范围内的灰度值输入到灰度模型中,以灰度值62为例,提取得到结果为一个216×4的矩阵;该矩阵的第一列为蒙脱石含量5%-10%,6个量级;石英含量9%-14%,6个量级;高岭土含量5%-10%,6个量级;也即均满足前述a,b,c的选择要求。矩阵第四列d为碳含量,需判定。此时,计算216×4的矩阵中的全部第四列碳元素的平均值dn=82.36,大于标准煤的碳含量范围,所以判断为煤,与实际复合。对其他在灰度重叠区间的夹矸煤做同样处理得到结果如图5所示。
综上,该方法的灰度值取的是矿物灰度图像中矿物区域灰度矩阵中所有元素的众数,而灰度重叠区域是按照最大元素划分,操作简便快捷。
当然,对于本领域技术人员而言,本发明不限于上述示范性实施例的细节,而还包括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的相同或类似方法。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。
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。
本发明未详细描述的技术部分均为公知技术。
Claims (9)
1.一种基于纯矿物模拟的煤矸X射线识别系统,其特征在于包括以下步骤:
S1,建立标准煤和矸石的性质参数:
对矿区的原煤进行矿物组分的分析,得到包括碳在内的各矿物的含量区间;
S2,建立纯矿物灰度模型:
利用组成步骤S1所述原煤的各个矿物所对应的纯矿物进行组合,形成作为试验样品的复合矿物;改变复合矿物中不同纯矿物的含量,计算其像素体积的分子数,建立各矿物的分子数也即含量与灰度值之间的数学关系,也即灰度模型;
S3,煤和矸石的标准数据采集:
选择分选区间内每个粒度级的标准煤矸石样品,提取出每个标准厚度下的煤和矸石的灰度,找出灰度重叠的范围;
S4,使用灰度模型进行分选:
灰度重叠范围内的煤和矸石使用S2步骤所述的灰度模型进行分选,也即:将待分选的煤和矸石的灰度输入灰度模型,反推得到待分选的煤和矸石内各矿物的分子数;
S5,结果的判断:
若步骤S4的数据中的碳的分子数占全部分子数的比值数落入矿区煤的碳含量范围或大于该范围,则判断为煤,否则为矸石。
2.根据权利要求1所述的一种基于纯矿物模拟的煤矸X射线识别系统,其特征在于:所述矿物还包括高岭土、蒙脱石和石英。
3.根据权利要求2所述的一种基于纯矿物模拟的煤矸X射线识别系统,其特征在于:所述步骤S2包括以下子步骤:
(1)将碳粉、高岭土粉、石英粉和蒙脱石粉均压制成厚度不同,但密度和质量均相等的长方体块;
(2)改变厚度,获得不同厚度下的复合矿物;该复合矿物通过将X厚的高岭土、Y厚度的石墨、Z厚度的石英与H厚度的蒙脱石叠放在一起形成;
(3)提取所有复合矿物的灰度值;
(4)计算每种复合矿物的一个像素体积的分子数;
(5)建立分子数与灰度之间的数学模型,得到灰度模型。
4.根据权利要求3所述的一种基于纯矿物模拟的煤矸X射线识别系统,其特征在于:所述X,Y,Z、H均属于7到11之间的正整数,厚度的变化为整数变化。
5.根据权利要求3所述的一种基于纯矿物模拟的煤矸X射线识别系统,其特征在于:子步骤(3)中,提取所有复合矿物的灰度值之前,需对图像进行中值滤波降噪处理,再对图像进行自适应图像分割,从而得到完整的矿物区域;再提取矿物区域的平均灰度值,减去背景的灰度值后,得到每种矿物的绝对灰度值,并将此作为复合矿物的灰度值。
7.根据权利要求3或4或5或6所述的一种基于纯矿物模拟的煤矸X射线识别系统,其特征在于:在得到每种复合矿物的一个像素体积的分子数后,再以分子数为自变量,灰度值为因变量,进行数据拟合,并以拟合度最高为条件得到拟合方式,获得复合矿物中不同蒙脱石厚度下的拟合方程y=f(M,G,K,Q),其中y为复合矿物的灰度值,G为复合矿物中石墨的分子数,M为复合矿物中蒙脱石的分子数,K为复合矿物中高岭土的分子数,Q为复合矿物中石英的分子数。
8.根据权利要求7所述的一种基于纯矿物模拟的煤矸X射线识别系统,其特征在于:所述步骤S3包括:
在矿区选择标准厚度的煤和矸石样品,测得每一个粒度级标准厚度样品的灰度值用来划分灰度重叠的区域,对于区域之外的灰度值可以直接判断为煤和矸石,在区域之内的灰度值需要带入灰度模型之中,具体为:
在对标准厚度的煤和矸石进行灰度提取后,得到煤和矸石的灰度,对于煤和矸石来说,总是有灰度范围相交的区域,无法区分是煤还是矸石,而此区域称作灰度重叠区域;
提取待分选的煤和矸石的灰度并以矩阵形式处理,矩阵中最大的元素为图像中最大的灰度值,该值在灰度重叠区域外则可清楚的分辨出煤和矸石,在灰度重叠区域中则无法判断,只能得到是hx厚度的煤或者是hy厚度的矸石。
9.根据权利要求8所述的一种基于纯矿物模拟的煤矸X射线识别系统,其特征在于:将在灰度重叠区间的矿物,统计其灰度矩阵中的众数,将众数带入所述模型Y=f(M,G,K,Q)中得到如下数据,
数据输出为矩阵,然后对矩阵作如下运算:
对矩阵中每一行做如下处理:
最终结果为:
该矩阵的行表示的是在该灰度值下,蒙脱石,石英,高岭土和碳的含量的组合为a1,b1,c1,d1,接下来根据该矿区各矿物含量中蒙脱石,高岭土和石英的含量区间和该矩阵进行对比,从全部组合中选出满足要求的矿物含量矩阵,也即要求该矩阵中a,b,c的值与测得的矿物含量相同,然后再计算所选出的矩阵的d的平均值dn,该平均值代表了在假设的蒙脱石,高岭土,石英含量一定的情况下碳的含量,如果dn在煤的标准碳含量区间内或者大于该区间则为煤,否则为矸石。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110652683.9A CN113458005B (zh) | 2021-06-11 | 2021-06-11 | 一种基于纯矿物模拟的煤矸x射线识别系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110652683.9A CN113458005B (zh) | 2021-06-11 | 2021-06-11 | 一种基于纯矿物模拟的煤矸x射线识别系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113458005A CN113458005A (zh) | 2021-10-01 |
CN113458005B true CN113458005B (zh) | 2022-07-15 |
Family
ID=77869769
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110652683.9A Active CN113458005B (zh) | 2021-06-11 | 2021-06-11 | 一种基于纯矿物模拟的煤矸x射线识别系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113458005B (zh) |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008056465A1 (fr) * | 2006-11-08 | 2008-05-15 | Sumitomo Metal Mining Co., Ltd. | Dispositif de tri |
US8610019B2 (en) * | 2009-02-27 | 2013-12-17 | Mineral Separation Technologies Inc. | Methods for sorting materials |
CN102509087B (zh) * | 2011-11-24 | 2013-09-25 | 中国矿业大学(北京) | 一种基于图像灰度共生矩阵的煤岩识别方法 |
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 |
CN106269576B (zh) * | 2016-09-12 | 2018-09-14 | 中国矿业大学 | 一种煤矸石自动分选系统与方法 |
CN110119747A (zh) * | 2019-05-14 | 2019-08-13 | 安徽理工大学 | 一种基于x射线图像的煤矸识别方法 |
CN111881909A (zh) * | 2020-07-27 | 2020-11-03 | 精英数智科技股份有限公司 | 煤矸识别方法、装置、电子设备及存储介质 |
CN112881306A (zh) * | 2021-01-15 | 2021-06-01 | 吉林大学 | 一种基于高光谱图像的煤炭灰分含量快速检测方法 |
-
2021
- 2021-06-11 CN CN202110652683.9A patent/CN113458005B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113458005A (zh) | 2021-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105352873B (zh) | 页岩孔隙结构的表征方法 | |
CN106023158B (zh) | Sd-oct图像的淡水无核珍珠珍珠质层缺陷识别方法 | |
Grace et al. | The quantification of microwear polishes | |
Ehrlich et al. | Petrographic image analysis; I, Analysis of reservoir pore complexes | |
CN108346154A (zh) | 基于Mask-RCNN神经网络的肺结节分割装置的建立方法 | |
CN108416686A (zh) | 一种基于煤炭资源开发的生态地质环境类型划分方法 | |
Chalidabhongse et al. | 2D/3D vision-based mango's feature extraction and sorting | |
CN107944213A (zh) | Pmf在线源解析方法、系统、终端设备及计算机可读存储介质 | |
CN108663287B (zh) | 一种利用ct图像精确计算煤岩密度的方法 | |
Miller et al. | Three-dimensional analysis of particulates in mineral processing systems by cone beam X-ray microtomography | |
CN111881909A (zh) | 煤矸识别方法、装置、电子设备及存储介质 | |
CN114240212A (zh) | 地质参数对资源量影响权重的确定方法及设备 | |
Lin et al. | A method to select representative rock samples for digital core modeling | |
CN113458005B (zh) | 一种基于纯矿物模拟的煤矸x射线识别系统 | |
CN117237736A (zh) | 一种基于机器视觉和深度学习的大曲质量检测方法 | |
CN104778709B (zh) | 一种基于纱线序列图像的电子黑板的构建方法 | |
Schembre-McCabe et al. | A framework to validate digital rock technology | |
CN112446602A (zh) | 一种用于铀资源量估算的化学样品的质控及评价方法 | |
CN113828531B (zh) | 一种基于灰度-厚度的多通道煤矸识别方法 | |
CN117036953B (zh) | 一种多特征融合的煤矸识别方法 | |
Nakhaei et al. | Estimation of coal density using a 3D imaging system: RhoVol | |
CN112666186B (zh) | 一种双能量x射线安全检查设备的物质分类方法 | |
Voigt et al. | Novel size and shape measurements applied to jig plant performance analysis | |
Tian et al. | Accuracy of advanced and traditional three-way factor analysis models for determining source contributions to particulate matter | |
CN111766241A (zh) | 一种基于图像处理的烟丝结构检测方法 |
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 |