CN113926737A - 一种利用双能双机x射线的煤矸装置及其识别方法 - Google Patents
一种利用双能双机x射线的煤矸装置及其识别方法 Download PDFInfo
- Publication number
- CN113926737A CN113926737A CN202111129069.0A CN202111129069A CN113926737A CN 113926737 A CN113926737 A CN 113926737A CN 202111129069 A CN202111129069 A CN 202111129069A CN 113926737 A CN113926737 A CN 113926737A
- Authority
- CN
- China
- Prior art keywords
- energy
- ray
- dual
- detector
- ray source
- 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
Links
- 239000003245 coal Substances 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 24
- 239000000463 material Substances 0.000 claims abstract description 51
- 230000005540 biological transmission Effects 0.000 claims abstract description 24
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 16
- 239000000284 extract Substances 0.000 claims abstract description 3
- 239000013307 optical fiber Substances 0.000 claims description 14
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 8
- 238000000926 separation method Methods 0.000 claims description 8
- 230000002238 attenuated effect Effects 0.000 claims description 7
- 238000013135 deep learning Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 claims description 6
- 230000001681 protective effect Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 claims description 3
- 229910021417 amorphous silicon Inorganic materials 0.000 claims description 3
- 238000005253 cladding Methods 0.000 claims description 3
- 229910052802 copper Inorganic materials 0.000 claims description 3
- 239000010949 copper Substances 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims 1
- 239000000126 substance Substances 0.000 abstract description 8
- 238000003384 imaging method Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 3
- 239000000203 mixture Substances 0.000 abstract description 3
- 239000002245 particle Substances 0.000 abstract description 2
- 238000013507 mapping Methods 0.000 description 6
- 230000011218 segmentation Effects 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 238000010521 absorption reaction Methods 0.000 description 3
- 238000003708 edge detection Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000010879 coal refuse Substances 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 230000016507 interphase Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 229910001385 heavy metal Inorganic materials 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- B07C5/342—Sorting according to other particular properties according to optical properties, e.g. colour
-
- 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
- B07C5/36—Sorting apparatus characterised by the means used for distribution
- B07C5/363—Sorting apparatus characterised by the means used for distribution by means of air
- B07C5/365—Sorting apparatus characterised by the means used for distribution by means of air using a single separation means
- B07C5/366—Sorting apparatus characterised by the means used for distribution by means of air using a single separation means during free fall of the articles
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明涉及一种利用双能双机X射线的煤矸装置，包括皮带、X射线源和气阀，所述的皮带上、对应X射线源的下方设有与X射线源配合的探测器，所述的气阀设于皮带的输出端，所述的探测器通过采集卡连接至工控单元；所述的工控单元包括种类识别模块和图像处理模块，所述的图像处理模块获取物料的位置和边界信息并提取物料的高低能透射数据，所述的种类识别模块对高低能透射数据进行种类识别算法后得到物料的种类信息；本发明提供的煤矸装置及其识别方法，采用双射源双能X光成像，能精准区分物质的构成比例，对应确定物料种类，双能成像与物质的原子序列相关，与原煤粒径大小无关，具备极佳的识别效果。
Description
技术领域
本发明属于煤矸石分选技术领域，具体涉及一种利用双能双机X射线的煤矸装置及其识别方法。
背景技术
在煤炭生产过程中，从煤矿采煤区直接开采出来的未经过任何加工的煤炭称为原煤。原煤中含有诸如矸石、锚杆、铁块等杂质，其中矸石是伴随成煤过程中形成的。矸石具有密度大、发热量小的特性，并且含有大量重金属，混杂在煤中会降低燃烧效率，燃烧产物会加重环境污染。
现有技术中，基于X图像处理的煤矸石自动分选系统主要是实现对煤和矸石的实时智能分选，提高煤的质量，更有效的利用煤矸石。整体分选系统的运行过程如图1所示：待检测物料由系统左侧传送带进入分选系统，随着传送带运动。当物料到达X射线照射区域时，X射线穿透物料并入射到探测器系统的感应带，探测器将实时采集的数据传给计算机，由计算机识别分析得出结果，并控制物料自动分离装置在物料移动出输运装置时执行分离操作。
目前煤矸石识别大多采用传统的图像识别算法，通过分析煤矸石图像预处理方法，提取煤矸石图像的纹理、灰度等特征，并研究特征分类的算法。该方法对煤矸石图像预处理的要求高，人为设计的灰度、纹理等用于分类的特征信息较少，并且这些特征只是煤矸石图像的像素特征，属于低等级的特征信息，无法进行高效的煤矸石图像识别。同时，该方法还存在特征提取困难、算法设计复杂、泛化性能力弱、适应性差、没有解决煤矸石的定位等问题。
发明内容
本发明的目的是为了解决背景技术中所提出的问题，而提供一种利用双能双机X射线的煤矸装置及其识别方法，采用双射源双能X光成像，能精准区分物质的构成比例，结合深度学习和双能R值算法，信号通过数学算法处理，消除密度和厚度等参数，得到与有效原子序数相关的R值，对应确定物料种类，相比于单能成像不具备物质区分能力，双能成像与物质的原子序列相关，与原煤粒径大小无关，具备极佳的识别效果。
本发明的目的是这样实现的：
一种利用双能双机X射线的煤矸装置，包括皮带、X射线源和气阀，所述的皮带上、对应X射线源的下方设有与X射线源配合的探测器，所述的气阀设于皮带的输出端，所述的探测器通过采集卡连接至工控单元，所述X射线源和气阀均连接至工控单元，所述的探测器用于接收X射线源的衰减信号，并将衰减信号转换为电信号传动到采集卡，所述的采集卡将电信号转换为数字信号传输到工控单元；
所述的工控单元包括种类识别模块和图像处理模块，所述的X射线源经探测器中的闪烁体曝光并通过非晶硅将其转化为电信号，所述的电信号经模数转换电路转换为数字信号，获得物料的高低能透射信息，所述的工控单元将高低能透射信息分开并图像化，获得高能透射图和低能透射图，所述的图像处理模块获取物料的位置和边界信息，并利用位置和边界信息提取物料的高低能透射数据，所述的种类识别模块对高低能透射数据进行种类识别算法后得到物料的种类信息，所述的工控单元根据得到物料的种类信息进行分离决策，通过气阀对物料进行分类。
优选的，所述的皮带上方设有将X射线源和探测器包覆在内的保护壳，所述的保护壳采用铅板全密封，所述的X射线源除底部用于发射X射线外其余四周都加有防护铅板，用于屏蔽散射的X射线。
优选的，所述的X射线源和探测器组成伪双能量X射线系统，所述的探测器采用双能探测器，其中X射线源的能量设置为定值，探测器有低能和高能两层X射线探测带，相当于两个探测器上下复合而成，其中距离X射线源近的为低能探探测部分，吸收X射线中的低能成分，经铜片滤波，减少X射线的低能成分，由第二个高能探测器吸收X射线中的高能成分。
优选的，所述的皮带的上方、对应X射线源的后方还设有光纤传感器，所述的光纤传感器获取物料的厚度信息，作为图像处理模块的辅助测量，所述的光纤传感器采集的模拟信号通过光纤放大器进行信号放大后，经模数转换模块将模拟信号转化为数字信号后上传到工控单元。
优选的，所述的种类识别模块采用深度学习算法和双能R值算法结合，得到与有效原子序数相关的R值，对应确定物料种类。
一种双能双机X射线的煤矸装置的识别方法，包括如下步骤：
S1、分别启动探测器和光纤传感器进行图像数据的采集和厚度值的采集；
S2、通过对采集数据的处理分选，分别获得图像的最小灰度值f和被测物料的厚度x；
S3、根据u＝ln(f0/f)/x，计算被测物体的衰减度u，其中f0表示X射线源穿过物料前对应的灰度值，f为X射线源衰减后对应的灰度值；
S4、将u和预设的衰减度阈值T进行比较，若u＞T，则被测物料为矸石，若u＜T，则被测物料为煤；
S5、根据S4的判断结果，工控单元启动气阀进行分选。
优选的，所述的衰减度阈值T的确定方法如下：
步骤一、将图像的平均灰度设置为初始阈值T0；
步骤二、用T0分割图像，根据对图像的噪声进行中值滤波得出的表达式yi＝Med{fi-N,…,fi-1,fi+1,…,fi+N,}，将像素值按照阈值T0划分为a1和a2两组区域；
步骤三、计算a1和a2像素的平均灰度值T1和T2；
步骤四、计算一个新的阈值T＝(T1+T2)/2；
步骤五、重复步骤二和步骤四，直到相间迭代的T值差小于一个预定义参数为止。
优选的，待降噪的图像中，设像素点的序列为f1，f2，…，fn，取采样窗口的大小为n(n＝2N+1，N为自然数)，从像素点序列的中找到n个值fi-N,…,fi-1,fi+1,…,fi+N,并且按照大小排列取中间的数值，则有滤波输出yi＝Med{fi-N,…,fi-1,fi+1,…,fi+N,}。
优选的，在未开启X射线时，探测器低能端存在数据的流动，致使输出的信号存在误差而产生探测器端的噪声，所述的探测器产生的噪声的修正方法如下：
1)暗场校准：将有X射线照射时采集的需校准图像与暗场图像做差值，通过数学减法运算来去除所产生误差，解决在未开启X射线时，探测器低端存在数据的流动，致使输出的信号存在误差而产生探测器端的噪声；
2)增益矫正：先开启探测器采集一副暗场图像，在不放置任何物体的情况下对空发射X射线，对X射线计量降低到原计量的80％来采集图像，对暗场图像及降低计量图像做差，形成增益矫正后图像，解决因探测器制作工艺瑕疵所形成的接受射线信号不均的现象，导致图像出现大块明暗间隙的条纹、物体目标与背景灰度值对比度较低的问题；
3)坏点矫正：取在坏点的某一邻域内非坏点的灰度值进行平均化，对均值进行适当的扩大，对坏点中的灰度值进行替换，解决探测器中质量差的像素点；通过对探测器进行上述矫正后，探测器本身的噪声得到了修正。
优选的，所述的工控单元还连接有用于物料下落轨迹的摄像头，所述的摄像头将测量结果存储在工控单元中，对煤矸分选结果进行查询和评估。
优选的，为了避免输送带背景对识别结果的影响，采用Canny算子边缘检测的方法对多阈值Otsu分割方法进行优化，步骤如下：
(1)使用Canny算子对输入的煤矸低能图像Il(x,y)进行边缘提取，进行连通域填充后得到煤矸的二值图像h(x,y)；
(2)通过煤矸的高低能图像根据式R＝ln(Il0/Il)/ln(Ih0/Ih)计算出R值图像，并映射到[0-255]范围的灰度区间，得到R值映射图像Ry(x,y)；
(3)采用二值图像h(x,y)与R值映射图像Ry(x,y)进行掩模运算，得到模板图像RT(x,y)；
(4)对模板图像RT(x,y)进行灰度直方图统计，得到模板图像的灰度直方图HISR；
(5)计算HISR的相关特征，利用多阈值分割算法完成对模板图像RT(x,y)的分层。
优选的，R值算法是基于单能谱的衰减公式，实际应用的X射线光源为连续谱，存在射线硬化影响，质量吸收系数随射线衰减会发生变化，因此R值并不是一个常量，不能用来直接判定物质，在R值算法的基础上，将煤矸石目标识别当做一个卷积神经网络，通过卷积和池化操作获得煤矸石的特征映射图，全连接层将特征图整合成煤矸石特征向量，最后利用Softmax分类函数进行煤与矸石的分类。
与现有技术相比，本发明的有益效果在于：采用双射源双能X光成像，能精准区分物质的构成比例，结合深度学习和双能R值算法，信号通过数学算法处理，消除密度和厚度等参数，得到与有效原子序数相关的R值，对应确定物料种类，相比于单能成像不具备物质区分能力，双能成像与物质的原子序列相关，与原煤粒径大小无关，具备极佳的识别效果。
附图说明
图1是现有技术中分选系统示意图。
图2是本发明一种利用双能双机X射线的煤矸装置及其识别方法结构示意图。
图3是本发明一种利用双能双机X射线的煤矸装置及其识别方法的工控单元工作示意图。
具体实施方式
下面结合附图对本发明实施例中的技术方案进行清楚、完整的描述，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。
实施例1
结合图1，一种利用双能双机X射线的煤矸装置，包括皮带、X射线源和气阀，所述的皮带上、对应X射线源的下方设有与X射线源配合的探测器，所述的气阀设于皮带的输出端，所述的探测器通过采集卡连接至工控单元，所述X射线源和气阀均连接至工控单元，所述的探测器用于接收X射线源的衰减信号，并将衰减信号转换为电信号传动到采集卡，所述的采集卡将电信号转换为数字信号传输到工控单元。
所述的皮带上方设有将X射线源和探测器包覆在内的保护壳，所述的保护壳采用铅板全密封，所述的X射线源除底部用于发射X射线外其余四周都加有防护铅板，用于屏蔽散射的X射线。
所述的X射线源和探测器组成伪双能量X射线系统，所述的探测器采用双能探测器，其中X射线源的能量设置为定值，探测器有低能和高能两层X射线探测带，相当于两个探测器上下复合而成，其中距离X射线源近的为低能探探测部分，吸收X射线中的低能成分，经铜片滤波，减少X射线的低能成分，由第二个高能探测器吸收X射线中的高能成分。
所述的探测器采用线阵列探测器，所述的探测器内有5个数据采集模块，每个数据采集模块包括64个低能和64个高能感应闪烁晶体，并按先64高能探测数据、再64低能探测数据依次输出，每行采集640个数据，线阵列探测器是由硅光电二极管阵列组成，光电二极管涂有对X射线敏感的闪烁体材料，将探测到的极微弱的光信号转化为电流信号，连接至放大集成电路并做一定时间的积分，实现对X射线透射信号的采集。线阵列探测器空间分辨率即同一线阵列中两相邻闪烁体间的距离，直接影响物料分选的准确性和速度。分辨率尺寸越小对物料的识别越精确。
若X射线源识别出来的是矸石的话，就会给煤矸分离系统发出信号，煤矸分离系统收到信号后打开气阀上的两排高压喷嘴，用高压风击打下落的矸石，使其偏离原来的轨迹，经出矸料斗最终落至矸石皮带输送，若X射线源识别出来的是煤的话，就不会给煤矸分离系统发出信号，煤矸分离系统不会发生动作，煤由内部皮带输送至煤矸分离系统的出煤料斗，最终落至运煤皮带输送。
实施例2
在实施例1的基础上，结合图2，所述的工控单元包括种类识别模块和图像处理模块，所述的X射线源经探测器中的闪烁体曝光并通过非晶硅将其转化为电信号，所述的电信号经模数转换电路转换为数字信号，获得物料的高低能透射信息，所述的工控单元将高低能透射信息分开并图像化，获得高能透射图和低能透射图，所述的图像处理模块获取物料的位置和边界信息，并利用位置和边界信息提取物料的高低能透射数据，所述的种类识别模块对高低能透射数据进行种类识别算法后得到物料的种类信息，所述的工控单元根据得到物料的种类信息进行分离决策，通过气阀对物料进行分类。
所述的皮带的上方、对应X射线源的后方还设有光纤传感器，所述的光纤传感器获取物料的厚度信息，作为图像处理模块的辅助测量，所述的光纤传感器采集的模拟信号通过光纤放大器进行信号放大后，经模数转换模块将模拟信号转化为数字信号后上传到工控单元。
煤和矸石的矿物组成不同，它们之间的密度也各不相同，不同密度的物体对X射线在单位厚度上的衰减度也是各不相同，因此分别经煤和矸石衰减后的X射线强度也是有明显差异的，通过接收衰减后的X射线，并将衰减后的X射线强度转变为电信号，再将电信号进行量化，转化为与之成对应关系的X射线扫描图像，与此同时，通过利用光纤传感器来获得煤和矸石的一个厚度信息，作为辅助测量，工控单元通过获取煤和矸石扫描图像灰度值，某点灰度值越大则表明该处X射线衰减的越弱，扫描图像的灰度值可以用来间接反应衰减后的X射线强度，再结合它们各自分别的厚度信息，即可得出煤和矸石各自对X射线的衰减度，进一步可以确定下来分选特征值，最终可以通过辨别分选特征值来实现分选。
实施例3
一种利用双能双机X射线的煤矸装置的煤矸识别方法，包括如下步骤：
S1、分别启动探测器和光纤传感器进行图像数据的采集和厚度值的采集；
S2、通过对采集数据的处理分选，分别获得图像的最小灰度值f和被测物料的厚度x；
S3、根据u＝ln(f0/f)/x，计算被测物体的衰减度u，其中f0表示X射线源穿过物料前对应的灰度值，f为X射线源衰减后对应的灰度值；
S4、将u和预设的衰减度阈值T进行比较，若u＞T，则被测物料为矸石，若u＜T，则被测物料为煤；
S5、根据S4的判断结果，工控单元启动气阀对煤矸石进行分选。
优选的，所述的衰减度阈值T的确定方法如下：
步骤一、将图像的平均灰度设置为初始阈值T0；
步骤二、用T0分割图像，根据对图像的噪声进行中值滤波得出的表达式yi＝Med{fi-N,…,fi-1,fi+1,…,fi+N,}，将像素值按照阈值T0划分为a1和a2两组区域；
步骤三、计算a1和a2像素的平均灰度值T1和T2；
步骤四、计算一个新的阈值T＝(T1+T2)/2；
步骤五、重复步骤二和步骤四，直到相间迭代的T值差小于一个预定义参数为止。
实施例4
深度学习是机器学习最新的网络模型结构。相较于浅层学习，深度学习是一种含有多层隐藏层的神经网络，它由许多独立的神经元组合而成，每一层神经元单独学习训练，前一层训练之后的输出作为下一层训练之前的输入。深度学习对原始信号进行低层次到高层次的逐层特征提取，并将特征抽象化，变换原始数据特征的空间，自动地学习得到层次化的特征表示，从而更有利于样本的分类。深度学习的实质是建立多层隐藏层的网络结构模型，并针对海量的目标数据进行网络训练，得到大量更具有代表性的特征信息，实现样本间复杂数据关系的拟合，从而对样本进行分类和预测，提高分类预测的精度。
相同强度的X射线透射低原子序数的物质时衰减程度较大，高原子序数物质则衰减较小，于高能区和低能区的X射线照射的是同一物体的同一部位，因此其密度和厚度相同，将低能区和高能区衰减公式相比可得R值：R＝ln(Il0/Il)/ln(Ih0/Ih)，Il0、Ih0分别为入射的低、高能X射线强度，Il、Ih分别为透射后的低、高能X射线被探测器检测到的强度，可采用高、低能区的灰度峰值来计算R值，因此R值公式可以表示为：R＝Gl/Gh，Gl、Gh分别为透射后的低、高能区的灰度值,煤的平均等效原子序数为7，矸石的平均等效原子序数为12，因此煤为低原子序数的物质，矸石为高原子序数的物质，煤的衰减较明显，煤的质量吸收系数在高、低能区相差较大，而矸石的质量吸收系数在高、低能区相差较小，则有计算出煤矸的R值后，先将R值图像映射到[0-255]灰度区间内，然后采用边缘检测优化的多阈值Otsu分割法完成对R值映射图像的分割，将R值映射图像分割成背景层、烟煤层和矸石层3层，进而实现矸目标区域的识别，这是不受厚度效应影响的理想情况下的R值。
为了避免输送带背景对识别结果的影响，采用Canny算子边缘检测的方法对多阈值Otsu分割方法进行优化，步骤如下：
(1)使用Canny算子对输入的煤矸低能图像Il(x,y)进行边缘提取，进行连通域填充后得到煤矸的二值图像h(x,y)；
(2)通过煤矸的高低能图像根据式R＝ln(Il0/Il)/ln(Ih0/Ih)计算出R值图像，并映射到[0-255]范围的灰度区间，得到R值映射图像Ry(x,y)；
(3)采用二值图像h(x,y)与R值映射图像Ry(x,y)进行掩模运算，得到模板图像RT(x,y)；
(4)对模板图像RT(x,y)进行灰度直方图统计，得到模板图像的灰度直方图HISR；
(5)计算HISR的相关特征，利用多阈值分割算法完成对模板图像RT(x,y)的分层。
以上仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的保护范围内所做的任何修改，等同替换等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种利用双能双机X射线的煤矸装置，其特征在于：包括皮带、X射线源和气阀，所述的皮带上、对应X射线源的下方设有与X射线源配合的探测器，所述的气阀设于皮带的输出端，所述的探测器通过采集卡连接至工控单元，所述X射线源和气阀均连接至工控单元，所述的探测器用于接收X射线源的衰减信号，并将衰减信号转换为电信号传动到采集卡，所述的采集卡将电信号转换为数字信号传输到工控单元；
所述的工控单元包括种类识别模块和图像处理模块，所述的X射线源经探测器中的闪烁体曝光并通过非晶硅将其转化为电信号，所述的电信号经模数转换电路转换为数字信号，获得物料的高低能透射信息，所述的工控单元将高低能透射信息分开并图像化，获得高能透射图和低能透射图，所述的图像处理模块获取物料的位置和边界信息，并利用位置和边界信息提取物料的高低能透射数据，所述的种类识别模块对高低能透射数据进行种类识别算法后得到物料的种类信息，所述的工控单元根据得到物料的种类信息进行分离决策，通过气阀对物料进行分类。
2.根据权利要求1所述的一种利用双能双机X射线的煤矸装置，其特征在于：所述的皮带上方设有将X射线源和探测器包覆在内的保护壳，所述的保护壳采用铅板全密封，所述的X射线源除底部用于发射X射线外其余四周都加有防护铅板，用于屏蔽散射的X射线。
3.根据权利要求1所述的一种利用双能双机X射线的煤矸装置，其特征在于：所述的X射线源和探测器组成伪双能量X射线系统，所述的探测器采用双能探测器，其中X射线源的能量设置为定值，探测器有低能和高能两层X射线探测带，相当于两个探测器上下复合而成，其中距离X射线源近的为低能探探测部分，吸收X射线中的低能成分，经铜片滤波，减少X射线的低能成分，由第二个高能探测器吸收X射线中的高能成分。
4.根据权利要求1所述的一种利用双能双机X射线的煤矸装置，其特征在于：所述的皮带的上方、对应X射线源的后方还设有光纤传感器，所述的光纤传感器获取物料的厚度信息，作为图像处理模块的辅助测量，所述的光纤传感器采集的模拟信号通过光纤放大器进行信号放大后，经模数转换模块将模拟信号转化为数字信号后上传到工控单元。
5.根据权利要求1所述的一种利用双能双机X射线的煤矸装置，其特征在于：所述的种类识别模块采用深度学习算法和双能R值算法结合，得到与有效原子序数相关的R值，对应确定物料种类。
6.一种识别权利要求1-5所述的利用双能双机X射线的煤矸装置的煤矸识别方法，其特征在于：包括如下步骤：
S1、分别启动探测器和光纤传感器进行图像数据的采集和厚度值的采集；
S2、通过对采集数据的处理分选，分别获得图像的最小灰度值f和被测物料的厚度x；
S3、根据u＝ln(f0/f)/x，计算被测物体的衰减度u，其中f0表示X射线源穿过物料前对应的灰度值，f为X射线源衰减后对应的灰度值；
S4、将u和预设的衰减度阈值T进行比较，若u＞T，则被测物料为矸石，若u＜T，则被测物料为煤；
S5、根据S4的判断结果，工控单元启动气阀对煤矸石进行分选。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111129069.0A CN113926737A (zh) | 2021-09-26 | 2021-09-26 | 一种利用双能双机x射线的煤矸装置及其识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111129069.0A CN113926737A (zh) | 2021-09-26 | 2021-09-26 | 一种利用双能双机x射线的煤矸装置及其识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113926737A true CN113926737A (zh) | 2022-01-14 |
Family
ID=79276974
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111129069.0A Pending CN113926737A (zh) | 2021-09-26 | 2021-09-26 | 一种利用双能双机x射线的煤矸装置及其识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113926737A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114705034A (zh) * | 2022-04-14 | 2022-07-05 | 安徽道源食品有限公司 | 一种自动烘干控制管理系统 |
| CN115196250A (zh) * | 2022-09-19 | 2022-10-18 | 山西戴德测控技术有限公司 | 一种异物识别方法、装置、系统及存储介质 |
| CN115641467A (zh) * | 2022-09-30 | 2023-01-24 | 北京霍里思特科技有限公司 | 一种矿石中杂质的识别方法、装置、介质及电子设备 |
| CN116401587A (zh) * | 2023-06-08 | 2023-07-07 | 乐山师范学院 | 一种基于x射线的物品类别识别方法 |
| CN117347396A (zh) * | 2023-08-18 | 2024-01-05 | 北京声迅电子股份有限公司 | 基于XGBoost模型的物质种类识别方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101382505A (zh) * | 2008-09-25 | 2009-03-11 | 中北大学 | 一种x射线成像装置和方法 |
| AU2011203239A1 (en) * | 2010-06-21 | 2012-03-01 | Commonwealth Scientific And Industrial Research Organisation | Mineral particle material resolving X-ray imaging |
| US20120235320A1 (en) * | 2005-08-25 | 2012-09-20 | Ross Guenther | Synthesized hybrid rock composition, method, and article formed by the method |
| CN103822929A (zh) * | 2014-02-13 | 2014-05-28 | 南京邮电大学 | 基于多能谱x射线的叠加目标分离成像方法 |
| CN105806857A (zh) * | 2014-12-31 | 2016-07-27 | 同方威视技术股份有限公司 | 双能射线检查系统物质识别及其分类参数处理方法与装置 |
| CN106023134A (zh) * | 2016-04-29 | 2016-10-12 | 江苏大学 | 一种钢材晶粒的自动晶界提取方法 |
| CN208818661U (zh) * | 2018-07-06 | 2019-05-03 | 北矿机电科技有限责任公司 | 矿石双能x射线透射智能识别系统 |
| CN110381836A (zh) * | 2017-01-13 | 2019-10-25 | 瓦里安医疗系统公司 | 用于多能量x射线成像的系统、方法和设备 |
| CN112170260A (zh) * | 2020-09-21 | 2021-01-05 | 安徽理工大学 | 一种移动式煤矸光电分选机器人 |
| CN113182175A (zh) * | 2021-05-24 | 2021-07-30 | 安徽理工大学 | 一种基于双能x射线的煤矸光电分选机器人 |
-
2021
- 2021-09-26 CN CN202111129069.0A patent/CN113926737A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120235320A1 (en) * | 2005-08-25 | 2012-09-20 | Ross Guenther | Synthesized hybrid rock composition, method, and article formed by the method |
| CN101382505A (zh) * | 2008-09-25 | 2009-03-11 | 中北大学 | 一种x射线成像装置和方法 |
| AU2011203239A1 (en) * | 2010-06-21 | 2012-03-01 | Commonwealth Scientific And Industrial Research Organisation | Mineral particle material resolving X-ray imaging |
| CN103822929A (zh) * | 2014-02-13 | 2014-05-28 | 南京邮电大学 | 基于多能谱x射线的叠加目标分离成像方法 |
| CN105806857A (zh) * | 2014-12-31 | 2016-07-27 | 同方威视技术股份有限公司 | 双能射线检查系统物质识别及其分类参数处理方法与装置 |
| CN106023134A (zh) * | 2016-04-29 | 2016-10-12 | 江苏大学 | 一种钢材晶粒的自动晶界提取方法 |
| CN110381836A (zh) * | 2017-01-13 | 2019-10-25 | 瓦里安医疗系统公司 | 用于多能量x射线成像的系统、方法和设备 |
| CN208818661U (zh) * | 2018-07-06 | 2019-05-03 | 北矿机电科技有限责任公司 | 矿石双能x射线透射智能识别系统 |
| CN112170260A (zh) * | 2020-09-21 | 2021-01-05 | 安徽理工大学 | 一种移动式煤矸光电分选机器人 |
| CN113182175A (zh) * | 2021-05-24 | 2021-07-30 | 安徽理工大学 | 一种基于双能x射线的煤矸光电分选机器人 |
Non-Patent Citations (4)
| Title |
|---|
| 于中山: "基于X射线图像处理的煤矸识别技术研究", 《中国优秀硕士学位论文全文数据库 工程科技I辑》 * |
| 刘德燕: "《无损智能检测技术及应用》", 31 May 2007, 华中科技大学出版社 * |
| 张定华等: "《锥束CT技术及其应用》", 31 December 2010 * |
| 高航: "双能X射线透射选矿系统图像处理方法研究", 《双能X射线透射选矿系统图像处理方法研究》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114705034A (zh) * | 2022-04-14 | 2022-07-05 | 安徽道源食品有限公司 | 一种自动烘干控制管理系统 |
| CN115196250A (zh) * | 2022-09-19 | 2022-10-18 | 山西戴德测控技术有限公司 | 一种异物识别方法、装置、系统及存储介质 |
| CN115641467A (zh) * | 2022-09-30 | 2023-01-24 | 北京霍里思特科技有限公司 | 一种矿石中杂质的识别方法、装置、介质及电子设备 |
| CN116401587A (zh) * | 2023-06-08 | 2023-07-07 | 乐山师范学院 | 一种基于x射线的物品类别识别方法 |
| CN116401587B (zh) * | 2023-06-08 | 2023-08-18 | 乐山师范学院 | 一种基于x射线的物品类别识别方法 |
| CN117347396A (zh) * | 2023-08-18 | 2024-01-05 | 北京声迅电子股份有限公司 | 基于XGBoost模型的物质种类识别方法 |
| CN117347396B (zh) * | 2023-08-18 | 2024-05-03 | 北京声迅电子股份有限公司 | 基于XGBoost模型的物质种类识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113926737A (zh) | 一种利用双能双机x射线的煤矸装置及其识别方法 | |
| CN109782274B (zh) | 一种基于探地雷达信号时频统计特征的水损害识别方法 | |
| CN109598715B (zh) | 基于机器视觉的物料粒度在线检测方法 | |
| CN111299187B (zh) | 建筑垃圾识别方法及建筑垃圾分选设备 | |
| US20090245588A1 (en) | Method And Apparatus For Determining Particle Parameter And Processor Performance In A Coal And Mineral Processing System | |
| CN111359898A (zh) | 一种矿石在线分拣设备及分拣方法 | |
| EP3505910A1 (en) | Powder ratio measuring device and powder ratio measuring system | |
| CN113984736B (zh) | 一种基于空间偏移拉曼光谱的带包装食品信号分离方法 | |
| CN111968173B (zh) | 一种混合料粒度分析方法及系统 | |
| CN108254394B (zh) | X射线双能检测方法及系统 | |
| EP1554060B1 (en) | A system and a method of automatically sorting objects | |
| CN111539251B (zh) | 一种基于深度学习的安检物品识别方法和系统 | |
| CN107300562B (zh) | 一种测量继电器成品触点间距的x射线无损检测方法 | |
| CN113019955A (zh) | 一种基于双能x射线矿石智能分选设备和方法 | |
| CN218743310U (zh) | 一种多视觉融合的智能分选设备 | |
| CN114689621A (zh) | 一种用于获取矿石品位的系统及多源数据采集装置 | |
| CN108535287B (zh) | 基于X-Ray成像技术异物检测系统、方法以及装置 | |
| Wang et al. | Dual-energy X-ray transmission identification method of multi-thickness coal and gangue based on SVM distance transformation | |
| ZA200508217B (en) | Method and apparatus for determining particle parameter and processor performance in a coal and mineral processing system | |
| CN113409239B (zh) | 一种基于辐射成像的集装箱空箱检测方法 | |
| CN112024451B (zh) | 一种基于受试者操作特征曲线分析的矿石拣选决策方法 | |
| CN107192723B (zh) | 使用x射线的被检查对象物的判定装置以及判定方法 | |
| CN111476769A (zh) | 物件识别方法、装置及煤矸石分选设备 | |
| Garavelli et al. | XSpectra®: The most advanced real time food contaminants detector | |
| CN113828531B (zh) | 一种基于灰度-厚度的多通道煤矸识别方法 |
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 |