CN116159773A - 一种基于可见光和x射线串联的煤矸分离方法及其装置 - Google Patents
一种基于可见光和x射线串联的煤矸分离方法及其装置 Download PDFInfo
- Publication number
- CN116159773A CN116159773A CN202310196429.1A CN202310196429A CN116159773A CN 116159773 A CN116159773 A CN 116159773A CN 202310196429 A CN202310196429 A CN 202310196429A CN 116159773 A CN116159773 A CN 116159773A
- Authority
- CN
- China
- Prior art keywords
- gangue
- coal
- gray
- visible light
- rays
- 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 110
- 238000000926 separation method Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 claims abstract description 26
- 239000002245 particle Substances 0.000 claims abstract description 18
- 238000013507 mapping Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 8
- 230000007704 transition Effects 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000007599 discharging Methods 0.000 claims description 11
- 238000005065 mining Methods 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000010521 absorption reaction Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 6
- 238000003384 imaging method Methods 0.000 claims description 5
- 238000002955 isolation Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 239000011521 glass Substances 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000007664 blowing Methods 0.000 claims description 2
- 230000003247 decreasing effect Effects 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 239000000428 dust Substances 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 239000000463 material Substances 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 239000003077 lignite Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 238000012360 testing method 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
- B07C5/3416—Sorting according to other particular properties according to radiation transmissivity, e.g. for light, x-rays, particle radiation
-
- 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
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分离技术领域，具体涉及一种基于可见光和X射线串联的煤矸分离方法及其装置。本发明的煤矸分离方法包括以下步骤：S1、第一次识别；S2、图像处理；S3、获取目标区域；S4、目标识别；S5、第二次识别；S6、灰度特征提取；S7、获得映射集；S8、依序执行步骤S1‑S4，从而剔除其中的大块矸石；随后进行步骤S5‑S6，获得后续煤矸石的灰度值，并将该灰度值导入步骤S7的映射集，实现后续煤和矸石的分离操作。本发明可以解决大小粒径同时分选困难这一问题，使之既能覆盖全部粒径的煤和矸石，又能确保各粒径的煤和矸石的准确分选功能，最终为实现从给料到煤矸石输出的分选一体化流程提供基础保证。
Description
技术领域
本发明属于煤和矸石分离技术领域，具体涉及一种基于可见光和X射线串联的煤矸分离方法及其装置。
背景技术
矸石作为煤炭开采过程中无法避免的伴生产物，会对煤的品质产生极大的影响，主要体现在煤的燃烧和后续煤的处理等方面。随着时代的发展，煤的清洁高效利用越来越受到重视；所以，从源头上高效的分离矸石是必不可少的一个环节。
以往煤矸分离的技术主要包括人工分离、湿法分离和传统干法分离三种。人工分离需要耗费大量劳动力，工作环境灰尘较大，严重损害工人健康，并且风选效率低，分离精度差，目前已经逐渐减少使用。湿法分选是利用煤和矸石的密度差异进行分选，但是分选需要耗费大量的水资源，这对严重缺水的地区是一个极大的难题；此外，湿选不能用于分选褐煤，因为褐煤易泥化，会影响分选过程，加大分选难度提高分选成本，制约条件较多。传统干法分选利用的是风力，分选精度和效率较低，对配套设施要求较高。如今，由于信息时代的到来，光电分选技术逐渐兴起，开始逐渐出现了可见光分选和X射线分选的煤矸分离技术。但是，即使是最新的可见光分选和X射线分选技术，其仍然也存在以下问题：其一，可见光分选会受到煤矸石表面灰尘和水分的影响，对于粒度较小的矸石识别较为困难。其二，利用不可见光分选即X射线分选会受到煤矸石自身粒度的影响，对于大粒径煤和矸石X射线穿透后衰减程度并不明显，对大粒径的矸石识别较为困难。是否能研发出一种基于可见光和X射线的煤矸分离方法，使之既能覆盖全部粒径的煤和矸石，又能确保各粒径的煤和矸石的准确分选功能，为本领域近年来所持续解决的技术难题。
发明内容
本发明的目的是克服上述现有技术的不足，提供基于可见光和X射线串联的煤矸分离方法，其可以解决大小粒径同时分选困难这一问题，使之既能覆盖全部粒径的煤和矸石，又能确保各粒径的煤和矸石的准确分选功能，最终为实现从给料到煤矸石输出的分选一体化流程提供基础保证。
为实现上述目的，本发明采用了以下技术方案：
一种基于可见光和X射线串联的煤矸分离方法，其特征在于包括以下步骤：
S1、第一次识别：
煤矸石经过工业可见光相机拍摄图像；
S2、图像处理：
图像经过后端PC机处理，提取多尺度煤矸石图像特征合集；
S3、获取目标区域：
通过中心区域建议网络框选目标区域；
S4、目标识别：
利用卷积神经网络模型识别煤矸石，并剔除其中的大块矸石；
S5、第二次识别：
剔除大块矸石后的煤矸石再次经过X射线源进行成像；
S6、灰度特征提取：
利用PC机提取高能和低能两幅成像图象，并计算获得对应的灰度值；
S7、获得映射集：
针对当前矿区的煤质进行取样，获得不同粒度级的煤和矸石的样品；通过步骤S5-S6获得各个煤和矸石的样品的图像的灰度值，并建立数据库，统计得到当前矿区的各粒度级的煤和矸石的分离阈值；根据该分离阈值，匹配各个煤和矸石的样品的图像的灰度值，形成映射集；
S8、依序执行步骤S1-S4，从而剔除其中的大块矸石；随后进行步骤S5-S6，获得后续煤矸石的灰度值，并将该灰度值导入步骤S7的映射集，实现后续煤和矸石的分离操作。
优选的，所述步骤S2包括以下子步骤：
图像进入PC机后首先进行多层级处理，具体通过以下公式进行：
其中：
Kl(*)表示第l级图像；Kl+1(*)为递增一级；
p(m，n)表示具有低通滤波特性的5×5像素窗函数，此处作为高斯卷积核；
m表示高斯卷积核窗口中x轴方向上的函数值，n表示高斯卷积核窗口中y轴方向上的函数值，i和j表示图像x和y轴上的像素值。
优选的，所述步骤S3包括以下子步骤：
1)、将每个图像分割成连续的M×N个小区域，共M行N列，每个小区域为50像素×50像素，无重叠和空白，并对每个小区域执行步骤2)-4)；
2)、计算30×30像素的中心区域的总灰度，表示为Csum_gray；得到中心区的平均灰度，表示为Caverage_gray；
计算公式如下：
其中：
I(*)表示50像素×50像素区域的像素矩阵；
3)、通过下式获取环城区域E(如图2)总灰度值Esum_gray和平均灰度值Eaverage_gray：
4)、通过下式获取第m行第n列的小面积：
其中：
E-C(m，n)是Encircle-City(m，n)的缩写，表示的是第m行和n列围成区域的灰度均值，E表示环城区域，C表示中心区域；
5)、在步骤1)中将每个图像分割成连续的M×N个小区域，步骤4)计算了每个小区域的平均灰度，随后计算整个图像的平均灰度，如下公式所示：
其中：
Encircle–City表示环城区域和中心区域所围成的区域；
Average_gray表示整体区域矩阵Encircle-City的灰度平均值；
Encircle-city(m，n)表示第m行和n列围成区域的灰度均值；
Length表示整体区域矩阵Encircle-City中大于Average_gray的元素个数，由函数find-length得到；
Encircle–Cityeigenvalue表示Encircle–City整体的特征值。
优选的，所述步骤S4的子步骤包括：
将步骤S2中获得的多层级处理后的多层级图像输出到神经网路模型中进行分类：
首先建立CNN模型的卷积层，公式如下：
其中：
Oj为j维卷积核；
g(*)为卷积函数；
Mi为输入矩阵；
kmij为i×j阶核矩阵；
Bj为偏置值；
再通过下式建立平铺层：
其中：
Q为一维特征向量；
γ和β是可学习变量；
x为特征；
σ是标准差；
U是均值；
再通过下式获得激活层的激活函数ReLU(x)为：
其中：
max(x，0)是取大值函数，将输入量x的负值全部变为正值；
最后建立分类层，分类层选择Sigmoid概率函数，该函数的输出范围是0到1。
优选的，所述步骤S6中，灰度值R的计算公式如下：
其中：
Iol为低能区X射线透射物体之前的强度；
Ioh为高能区X射线透射物体之前的强度；
Il为低能区X射线透射物体之后的强度；
Ih为高能区X射线透射物体之后的强度。
优选的，所述步骤S7包括以下子步骤：
a、选择粒度级在10mm-30mm粒度且变化梯度为2mm的各粒度级煤和矸石各十个，作为煤和矸石的样品；
b、计算各个煤和矸石的样品的图像的灰度值，并建立数据库，统计得到当前矿区的各粒度级的煤和矸石的分离阈值；
c、在分选过程中，选出的煤和矸石的灰度值会实时反馈到步骤b的数据库中，从而不断更新该数据库，前Z个小时的数据则会删除。
优选的，Z＝10。
优选的，一种应用所述的基于可见光和X射线串联的煤矸分离方法的装置，其特征在于：包括隔离铅板，隔离铅板的中空内腔中沿煤矸石的行进方向依序布置给料输送带、过渡输送带以及煤出料输送带，三者高度依次递减且彼此首尾衔接从而形成串联式输料路径；所述给料输送带正上方布置工业可见光相机，且工业可见光相机的镜头指向所述给料输送带的给料面；所述X射线源为布置在过渡输送带处的X射线探测器，且X射线探测器的发射端由上而下的垂直指向过渡输送带的给料面，接收端位于过渡输送带的给料面的正下方；工业可见光相机和X射线探测器的信号输出端连接PC机，且给料输送带和过渡输送带的出料端均布置有用于相应吹除矸石的空气喷嘴；所述空气喷嘴的气流喷出路径与相应输送带的抛料路径存有交集，从而将矸石喷出至位于串联式输料路径正下方的矸石出料输送带上。
优选的，所述工业可见光相机的镜头处设置防尘玻璃板。
优选的，所述给料输送带、过渡输送带、煤出料输送带以及矸石出料输送带的输送面下方均布置有起到托撑功能的辅助托辊。
本发明的有益效果在于：
本发明利用可见光识别与X射线识别依序串联分离煤矸石，结合识别算法，可解决可见光在井下对表面被灰尘覆盖的小中块煤和矸石识别精度不高且X射线对大块煤矸石识别精度不高的问题。具体工作时，大块矸石，也即大于50mm的矸石的表面积大，表面积附着灰尘的概率较少，先利用可见光将大块矸石选出；后续再利用X射线识别方式将剩下的中小块矸石选出，从而实现了从给料到煤矸石输出的井下分选一体化流程；其整体流程紧凑，布局合理，尤其能完美适应井下巷道结构。
至此，本发明可以解决大小粒径同时分选困难这一问题，使之既能覆盖全部粒径的煤和矸石，又能确保各粒径的煤和矸石的准确分选功能，最终为实现从给料到煤矸石输出的分选一体化流程提供基础保证。
附图说明
图1为本发明的装置结构简图；
图2为实施例1的目标区域划分图；
图3为实施例1的煤和矸石的灰度值分布图；
图4为实施例1的煤矸石的时间和检测准确度的线性表达图。
本发明各标号与部件名称的实际对应关系如下：
10-工业可见光相机；20-隔离铅板；30-给料输送带；
40-过渡输送带；50-煤出料输送带；60-X射线探测器；
70-空气喷嘴；80-矸石出料输送带；90-辅助托辊。
具体实施方式
为便于理解，此处结合图1-4，对本发明的具体结构及工作方式作以下进一步描述：
本发明的具体结构如图1所示，其主要结构包括隔离铅板20、工业可见光相机10、各个输送带、空气喷嘴70、构成X射线源的X射线探测器60及相应的支撑底座和支架等。
装配时，输送带包括给料输送带30、过渡输送带40、矸石出料输送带80和煤出料输送带50。其中，过渡输送带40和煤出料输送带50在矸石出料输送带80上方。同时，全部输送带乃至附属配件均被隔离铅板20包围，隔离铅板20由内侧固定架固定，要求其其边界剂量率在标准范围内。
同时，给料输送带30架于支撑底座上，支撑底座的四个支点位于给料输送带30两端的滚筒支架上；滚筒支架内装有输送带滚筒。给料输送带30下方，紧贴皮带装有五个辅助托辊90，起到定位皮带和稳定物料的作用。
给料输送带30上方设有支架，支架为立方体结构，支架顶端装有工业可见光相机10。支架连接在隔离铅板20的内侧固定架上。工业可见光相机10下方有防尘玻璃板，防止相机10镜头受到灰尘污染。给料输送带30的出料端装有空气喷嘴70。当该处的空气喷嘴70在接收到矸石的信号后，在煤和矸石的混合物料做平抛运动时，空气喷嘴70发射出空气流，作用在矸石表面；矸石在空中收到向下的推力，落入下方的矸石出料输送带80上。
过渡输送带40同样固定在支撑底座上，且给料面上方设有X射线探测器60的发射端，给料面下方设置X射线探测器60的接收端。物料经过工业可见光相机10的一次扫描和矸石的一次分离后，剩余的煤矸石混合物料落在过渡输送带40上，经过X射线探测器60进行第二次分选。第二次分选后，矸石经过过渡输送带40的出料端的空气喷嘴70，使得矸石被吹出并落在下方的矸石出料输送带80上，煤落在煤出料输送带50上，最终完成指定粒度级煤和矸石的分离流程。
实施例1：
本实施例提供了一种用于分离煤和矸石的方法，其可以利用上述用于分离煤和矸石的装置来实现，并包括以下步骤：
S1、第一次识别：煤矸石经过工业可见光相机拍摄图像；
煤矸石混合物中有大、中、小三种矸石块，一起经过给料输送带经过工业可见光相机连续拍摄，将图像保存并传入PC机中进行处理。可见光对于中小块煤和矸石识别精度较差，原因是中小块矸石表面积较小，加上表面灰尘影响，难以识别。相对来说大块矸石识别较为容易。
S2、图像处理：图像经过后端PC机处理，提取多尺度煤矸石图像特征合集；
图像进入PC机后首先进行多层级处理，该步骤利用高斯金字塔原理，计算方法如下：
Kl(*)表示第l级图像；Kl+1(*)为递增一级；
p(m,n)表示具有低通滤波特性的5×5像素窗函数，此处作为高斯卷积核；
m表示高斯卷积核窗口中x轴方向上的函数值，n表示高斯卷积核窗口中y轴方向上的函数值，i和j表示图像x和y轴上的像素值。
S3、获取目标区域：然后经过中心区域建议网络(C-RPN)框选目标区域。
将图像分割成几个连续的50像素×50像素的小区域，没有重叠和空白，在这些小区域中需要进行以下操作。区域划分如图2所示。此时50像素×50像素区域为E，具体实现步骤如下:
1)、将每个图像分割成连续的M×N个小区域，共M行N列，每个小区域为50像素×50像素，无重叠和空白，并对每个小区域执行步骤2)-4)；
2)、计算30×30像素的中心区域的总灰度，表示为Csum_gray；得到中心区的平均灰度，表示为Caverage_gray；
计算公式如下：
其中：
I(*)表示50像素×50像素区域的像素矩阵；
3)、通过下式获取图2所示围城区域E的总灰度值Esum_gray和平均灰度值Eaverage_gray：
4)、通过下式获取第m行第n列的小面积：
其中：
E-C(m，n)是Encircle-City(m,n)的缩写，表示的是第m行和n列围成区域的灰度均值，E表示环城区域，C表示中心区域。
5)、在步骤1)中将每个图像分割成连续的M×N个小区域，步骤4)计算了每个小区域的平均灰度，随后计算整个图像的平均灰度，如下公式所示：
其中：
Encircle–City表示环城区域和中心区域所围成的区域：
Average_gray表示整体区域矩阵Encircle-City的灰度平均值；
Encircle-city(m，n)表示第m行和n列围成区域的灰度均值：
Length表示整体区域矩阵Encircle-City中大于Average_gray的元素个数，由函数find-length得到：
Encircle–City eigenvalue表示Encircle–City整体的特征值：
S4、目标识别：利用卷积神经网络模型(CNN)识别大块煤和矸石。
将步骤S2中获得的多层级处理后的多层级图像输出到神经网路模型中进行分类：
首先建立CNN模型的卷积层，公式如下：
其中：
Oj为j维卷积核：
g(*)为卷积函数；
Mi为输入矩阵；
kmij为i×j阶核矩阵；
Bj为偏置值；
再通过下式建立平铺层：
其中：
Q为一维特征向量；
γ和β是可学习变量；
x为特征；
σ是标准差；
U是均值；
再通过下式获得激活层的激活函数ReLU(x)为：
其中：
max(x，0)是取大值函数，将输入量x的负值全部变为正值；
最后建立分类层，分类层选择Sigmoid函数，该函数的输出范围是0到1，表示概率。
S5、第二次识别：煤矸石经过X射线源进行成像；
煤矸石经过可见光分选后，矸石被空气喷嘴70吹到矸石出料输送带80上，剩余的煤和矸石平抛运动到过渡输送带40，经过X射线探测器60再一次被分选。X射线探测器60的发射端发出X射线，穿透煤和矸石，射线自身衰减，下方的X射线探测器60的接收端可探测到X射线并将其转换成数字信号，最终传输到PC机。
S6、灰度特征提取：利用PC机提取成像图象的灰度值。
煤矸石经过X射线成像后得到高能和低能两幅图像，分别提取灰度值。
灰度值R的计算公式如下：
其中：
Iol为低能区X射线透射物体之前的强度；
Ioh为高能区X射线透射物体之前的强度；
Il为低能区X射线透射物体之后的强度；
Ih为高能区X射线透射物体之后的强度。
在实际分选之前，针对不同矿区的煤质建立不同的阈值；具体方式如下：
a、选择粒度级在10mm-30mm粒度且变化梯度为2mm的各粒度级煤和矸石各十个，作为煤和矸石的样品；
b、计算各个煤和矸石的样品的图像的灰度值，并建立数据库，具体参照图3所示，图3中的块煤即指代煤；以该数据库统计得到当前矿区的各粒度级的煤和矸石的分离阈值；
c、在分选过程中，选出的煤和矸石的灰度值会实时反馈到步骤b的数据库中，从而不断更新该数据库，前10个小时的数据则会删除。
获得试验过程中煤矸石的在线检测率如图4所示。从图4中可看出，利用本发明的识别算法，其对煤和矸石的检测和分离的准确率能维持在98％以上，成效显著。
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结构。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。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
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、形状、构造部分均为公知技术。
Claims (10)
1.一种基于可见光和X射线串联的煤矸分离方法，其特征在于包括以下步骤：
S1、第一次识别：
煤矸石经过工业可见光相机拍摄图像；
S2、图像处理：
图像经过后端PC机处理，提取多尺度煤矸石图像特征合集；
S3、获取目标区域：
通过中心区域建议网络框选目标区域；
S4、目标识别：
利用卷积神经网络模型识别煤矸石，并剔除其中的大块矸石；
S5、第二次识别：
剔除大块矸石后的煤矸石再次经过X射线源进行成像；
S6、灰度特征提取：
利用PC机提取高能和低能两幅成像图象，并计算获得对应的灰度值；
S7、获得映射集：
针对当前矿区的煤质进行取样，获得不同粒度级的煤和矸石的样品；通过步骤S5-S6获得各个煤和矸石的样品的图像的灰度值，并建立数据库，统计得到当前矿区的各粒度级的煤和矸石的分离阈值；根据该分离阈值，匹配各个煤和矸石的样品的图像的灰度值，形成映射集；
S8、依序执行步骤S1-S4，从而剔除其中的大块矸石；随后进行步骤S5-S6，获得后续煤矸石的灰度值，并将该灰度值导入步骤S7的映射集，实现后续煤和矸石的分离操作。
2.根据权利要求1所述的一种基于可见光和X射线串联的煤矸分离方法，其特征在于：所述步骤S2包括以下子步骤：
图像进入PC机后首先进行多层级处理，具体通过以下公式进行：
其中：
Kl(*)表示第l级图像；Kl+1(*)为递增一级；
p(m,n)表示具有低通滤波特性的5×5像素窗函数，此处作为高斯卷积核；
m表示高斯卷积核窗口中x轴方向上的函数值，n表示高斯卷积核窗口中y轴方向上的函数值，i和j表示图像x和y轴上的像素值。
3.根据权利要求2所述的一种基于可见光和X射线串联的煤矸分离方法，其特征在于：所述步骤S3包括以下子步骤：
1)、将每个图像分割成连续的M×N个小区域，共M行N列，每个小区域为50像素×50像素，无重叠和空白，并对每个小区域执行步骤2)-4)；
2)、计算30×30像素的中心区域的总灰度(如图2)，表示为Csum_gray；得到中心区的平均灰度，表示为Caverage_gray；
计算公式如下：
其中：
I(*)表示50像素×50像素区域的像素矩阵；
3)、通过下式获取环城区域E的总灰度值Esum_gray和平均灰度值Eaverage_gray：
4)、通过下式获取第m行第n列的小面积：
其中：
E-C(m，n)是Encircle-City(m,n)的缩写，表示的是第m行和n列围成区域的灰度均值，E表示环城区域，C表示中心区域；
5)、随后计算整个图像的平均灰度，如下公式所示：
其中：
Encircle–City表示环城区域和中心区域所围成的区域；
Average_gray表示整体区域矩阵Encircle-City的灰度平均值；
Encircle-city(m，n)表示第m行和n列围成区域的灰度均值；
Length表示整体区域矩阵Encircle-City中大于Average_gray的元素个数，由函数find-length得到；
Encircle–City eigenvalue表示Encircle–City整体的特征值。
4.根据权利要求3所述的一种基于可见光和X射线串联的煤矸分离方法，其特征在于：所述步骤S4的子步骤包括：
将步骤S2中获得的多层级处理后的多层级图像输出到神经网路模型中进行分类：
首先建立CNN模型的卷积层，公式如下：
其中：
Oj为j维的卷积核；
g(*)为卷积函数；
Mi为输入矩阵；
kmij为i×j核矩阵；
Bj为偏置值；
再通过下式建立平铺层：
其中：
Q为一维特征向量；
γ和β是可学习变量；
x为特征；
σ是标准差；
U是均值；
再通过下式获得激活层的激活函数ReLU(x)为：
其中：
max(x，0)是取大值函数，将输入量x的负值全部变为正值；
最后建立分类层，分类层选择Sigmoid概率函数，该函数的输出范围是0到1。
5.根据权利要求4所述的一种基于可见光和X射线串联的煤矸分离方法，其特征在于：所述步骤S6中，灰度值R的计算公式如下：
其中：
Iol为低能区X射线透射物体之前的强度；
Ioh为高能区X射线透射物体之前的强度；
Il为低能区X射线透射物体之后的强度；
Ih为高能区X射线透射物体之后的强度。
6.根据权利要求1或2或3或4或5所述的一种基于可见光和X射线串联的煤矸分离方法，其特征在于：所述步骤S7包括以下子步骤：
a、选择粒度级在10mm-30mm粒度且变化梯度为2mm的各粒度级煤和矸石各十个，作为煤和矸石的样品；
b、计算各个煤和矸石的样品的图像的灰度值，并建立数据库，统计得到当前矿区的各粒度级的煤和矸石的分离阈值；
c、在分选过程中，选出的煤和矸石的灰度值会实时反馈到步骤b的数据库中，从而不断更新该数据库，前Z个小时的数据则会删除。
7.根据权利要求6所述的一种基于可见光和X射线串联的煤矸分离方法，其特征在于：Z＝10。
8.一种应用如权利要求1或2或3或4或5所述的基于可见光和X射线串联的煤矸分离方法的装置，其特征在于：包括隔离铅板(20)，隔离铅板(20)的中空内腔中沿煤矸石的行进方向依序布置给料输送带(30)、过渡输送带(40)以及煤出料输送带(50)，三者高度依次递减且彼此首尾衔接从而形成串联式输料路径；所述给料输送带(30)正上方布置工业可见光相机(10)，且工业可见光相机(10)的镜头指向所述给料输送带(30)的给料面；所述X射线源为布置在过渡输送带(40)处的X射线探测器(60)，且X射线探测器(60)的发射端由上而下的垂直指向过渡输送带(40)的给料面，接收端位于过渡输送带(40)的给料面的正下方；工业可见光相机(10)和X射线探测器(60)的信号输出端连接PC机，且给料输送带(30)和过渡输送带(40)的出料端均布置有用于相应吹除矸石的空气喷嘴(70)；所述空气喷嘴(70)的气流喷出路径与相应输送带的抛料路径存有交集，从而将矸石喷出至位于串联式输料路径正下方的矸石出料输送带(80)上。
9.根据权利要求8所述的基于可见光和X射线串联的煤矸分离方法的装置，其特征在于：所述工业可见光相机(10)的镜头处设置防尘玻璃板。
10.根据权利要求8所述的基于可见光和X射线串联的煤矸分离方法的装置，其特征在于：所述给料输送带(30)、过渡输送带(40)、煤出料输送带(50)以及矸石出料输送带(80)的输送面下方均布置有起到托撑功能的辅助托辊(90)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310196429.1A CN116159773A (zh) | 2023-02-28 | 2023-02-28 | 一种基于可见光和x射线串联的煤矸分离方法及其装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310196429.1A CN116159773A (zh) | 2023-02-28 | 2023-02-28 | 一种基于可见光和x射线串联的煤矸分离方法及其装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116159773A true CN116159773A (zh) | 2023-05-26 |
Family
ID=86413185
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310196429.1A Pending CN116159773A (zh) | 2023-02-28 | 2023-02-28 | 一种基于可见光和x射线串联的煤矸分离方法及其装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116159773A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116757557A (zh) * | 2023-08-15 | 2023-09-15 | 山东新巨龙能源有限责任公司 | 一种基于数据分析的原矸充填开采质量评估方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120165973A1 (en) * | 2010-12-22 | 2012-06-28 | Titanium Metals Corporation | System and method for inspecting and sorting particles and process for qualifying the same with seed particles |
| CN105944976A (zh) * | 2016-05-16 | 2016-09-21 | 陕西科技大学 | 一种利用数字图像处理技术分拣大块煤矸石的方法及装置 |
| CN108564108A (zh) * | 2018-03-21 | 2018-09-21 | 天津市协力自动化工程有限公司 | 煤炭的识别方法及装置 |
| CN209968945U (zh) * | 2019-05-05 | 2020-01-21 | 无锡沃德科自控技术有限公司 | 一种煤炭自动识别分选顶料装置 |
| US20200384506A1 (en) * | 2019-06-05 | 2020-12-10 | X Development Llc | Determining ore characteristics |
| CN114101081A (zh) * | 2021-11-11 | 2022-03-01 | 中煤科工集团南京设计研究院有限公司 | 一种煤炭在输送过程中杂物识别和分拣的装置和方法 |
| CN114515705A (zh) * | 2021-12-14 | 2022-05-20 | 中煤科工集团信息技术有限公司 | 基于多模态成像分析的煤矸石分选系统 |
| CN114519377A (zh) * | 2021-12-14 | 2022-05-20 | 中煤科工集团信息技术有限公司 | 跨模态煤矸石分选方法及装置 |
| CN114689621A (zh) * | 2020-12-29 | 2022-07-01 | 中冶长天国际工程有限责任公司 | 一种用于获取矿石品位的系统及多源数据采集装置 |
| CN114972922A (zh) * | 2022-05-31 | 2022-08-30 | 东北大学 | 基于机器学习的煤矸分选识别方法、装置及设备 |
| US20220390390A1 (en) * | 2020-08-14 | 2022-12-08 | COMEX POLSKA Sp. z.o.o. | Material analysis and separation system for the determination of their chemical composition and material analysis and separation method for the determination of their chemical composition |
-
2023
- 2023-02-28 CN CN202310196429.1A patent/CN116159773A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120165973A1 (en) * | 2010-12-22 | 2012-06-28 | Titanium Metals Corporation | System and method for inspecting and sorting particles and process for qualifying the same with seed particles |
| CN105944976A (zh) * | 2016-05-16 | 2016-09-21 | 陕西科技大学 | 一种利用数字图像处理技术分拣大块煤矸石的方法及装置 |
| CN108564108A (zh) * | 2018-03-21 | 2018-09-21 | 天津市协力自动化工程有限公司 | 煤炭的识别方法及装置 |
| CN209968945U (zh) * | 2019-05-05 | 2020-01-21 | 无锡沃德科自控技术有限公司 | 一种煤炭自动识别分选顶料装置 |
| US20200384506A1 (en) * | 2019-06-05 | 2020-12-10 | X Development Llc | Determining ore characteristics |
| US20220390390A1 (en) * | 2020-08-14 | 2022-12-08 | COMEX POLSKA Sp. z.o.o. | Material analysis and separation system for the determination of their chemical composition and material analysis and separation method for the determination of their chemical composition |
| CN114689621A (zh) * | 2020-12-29 | 2022-07-01 | 中冶长天国际工程有限责任公司 | 一种用于获取矿石品位的系统及多源数据采集装置 |
| CN114101081A (zh) * | 2021-11-11 | 2022-03-01 | 中煤科工集团南京设计研究院有限公司 | 一种煤炭在输送过程中杂物识别和分拣的装置和方法 |
| CN114515705A (zh) * | 2021-12-14 | 2022-05-20 | 中煤科工集团信息技术有限公司 | 基于多模态成像分析的煤矸石分选系统 |
| CN114519377A (zh) * | 2021-12-14 | 2022-05-20 | 中煤科工集团信息技术有限公司 | 跨模态煤矸石分选方法及装置 |
| CN114972922A (zh) * | 2022-05-31 | 2022-08-30 | 东北大学 | 基于机器学习的煤矸分选识别方法、装置及设备 |
Non-Patent Citations (1)
| Title |
|---|
| 杨慧刚: "基于x射线和机器视觉的煤矸石分选系统研究", CNKI优秀硕士学位论文全文库 工程科技Ⅰ辑, no. 2018, 16 November 2018 (2018-11-16) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116757557A (zh) * | 2023-08-15 | 2023-09-15 | 山东新巨龙能源有限责任公司 | 一种基于数据分析的原矸充填开采质量评估方法 |
| CN116757557B (zh) * | 2023-08-15 | 2023-11-07 | 山东新巨龙能源有限责任公司 | 一种基于数据分析的原矸充填开采质量评估方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN206139527U (zh) | 全景视觉马铃薯分选和缺陷检测装置 | |
| CN106238342B (zh) | 全景视觉马铃薯分选和缺陷检测装置及其分选检测方法 | |
| CN116159773A (zh) | 一种基于可见光和x射线串联的煤矸分离方法及其装置 | |
| JP6037125B2 (ja) | 光学式粒状物選別機 | |
| CN109598715B (zh) | 基于机器视觉的物料粒度在线检测方法 | |
| CN109509187A (zh) | 一种针对大分辨率布匹图像中的小瑕疵的高效检验算法 | |
| CN104070016B (zh) | 一种小颗粒农业物料质量实时检测与分级装置及方法 | |
| CN113941515B (zh) | 一种矿用煤矸智能分选装置及其识别方法 | |
| CN1485616A (zh) | 禽蛋品质无损自动检测分级设备及方法 | |
| CN1288156A (zh) | 用至少两个不同的门限等级分拣颗粒状物体的方法和装置 | |
| CN105944976A (zh) | 一种利用数字图像处理技术分拣大块煤矸石的方法及装置 | |
| Gyawali et al. | Comparative analysis of multiple deep CNN models for waste classification | |
| CN105121039A (zh) | 用于分拣种子的系统和方法 | |
| CN112588609B (zh) | 煤矸分选方法、装置及电子设备 | |
| CN112827846B (zh) | 一种垃圾自动分类的装置及方法 | |
| RU2005141128A (ru) | Способ и устройство для определения параметров частиц и рабочих характеристик процессора в системе обработки каменного угля и минералов | |
| CN108171175A (zh) | 一种深度学习样本增强系统及其运行方法 | |
| CN113182175A (zh) | 一种基于双能x射线的煤矸光电分选机器人 | |
| CN106607344A (zh) | 定向播种用的玉米种粒动态图像精选装置及方法 | |
| CN113926737A (zh) | 一种利用双能双机x射线的煤矸装置及其识别方法 | |
| CN114472207B (zh) | 一种用于矿物的分选系统及矿物分选方法 | |
| CN113245222B (zh) | 一种三七异物视觉实时检测分拣系统及分拣方法 | |
| 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 | |
| CN112264330A (zh) | 一种移动端煤矸光电分选系统 | |
| CN206139529U (zh) | 透明滚轴机构 |
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 |