基于机器视觉的煤炭自动识别分拣系统研究

黄洪涛，关建军

（河南能源化工集团焦煤公司赵固二矿 河南 焦作454150）

基于机器视觉的煤炭自动识别分拣系统研究

黄洪涛，关建军

（河南能源化工集团焦煤公司赵固二矿 河南 焦作454150）

为了解决煤炭人工识别分拣劳动强度大，效率和精度低的问题。基于机器视觉技术，设计了一套由硬件系统和软件系统组成的煤炭自动识别分拣系统。为实现煤炭和矸石的自动识别，提出了基于灰度共生矩阵的纹理分析识别算法，并通过支持向量机（SVM）对煤炭图像和矸石图像样本进行训练和分类从而实现自动识别功能，并完成图像处理算法与系统界面软件编程。实验结果表明，该系统硬件选型合理，算法稳定性高，效率高，提高了煤炭识别分拣的效率与精度，具有很高的实际意义和经济价值。同时，该系统也可推广到其他物料的自动识别分拣中。

机器视觉；煤炭；灰度共生矩阵；纹理；支持向量机

我国的煤炭资源非常丰富，煤炭在工业和生活的应用有很多，是我国主要消耗能源之一。但是，煤炭的开采结果中会混合大量矸石，矸石的燃烧利用率低，如果工业用煤中混合矸石，将严重影响工业生产，甚至污染环境，因此煤炭的识别分拣是煤炭生产中必需的环节。传统的煤炭识别分拣主要采用人工方法。人工方法的效率低、成本高、劳动强度大，制约了煤炭行业企业的发展壮大。因此亟需研发煤炭自动识别分拣系统，提高煤炭识别分拣的效率，并降低识别分拣成本。

近年来，随着机器视觉技术的蓬勃发展，其与PLC技术的结合使用，在工业检测中的应用越来越普遍，如各种机械零部件检测等。煤炭自动识别分拣系统主要是采用机器视觉算法完成煤炭和矸石的自动识别功能，并结合PLC技术和整个运动控制机构完成煤炭和矸石的自动分拣功能。

1 系统总体方案

机器视觉是利用相机、镜头、光源和数字图像处理算法等代替人来进行判断分析检测。一个机器视觉检测系统主要包括硬件结构和软件系统。硬件结构的设计包括光源、镜头、相机及照明方式的选型以及运动控制机构的设计，软件系统的设计包括图像处理算法的研究编写及系统软件界面的设计编写。基于机器视觉的煤炭自动识别分拣系统的工作过程如图1所示：首先接通电源给整个系统供电，当PLC控制系统在通电之后，PLC会推动传送带传送煤炭，当煤炭被传送到工作台时，光电传感器会检测到煤炭并产生模拟触发信号，信号经过模数转换后，发送给计算机，计算机发送相应的控制指令给PLC，PLC接收指令并转换后会控制传送带停止运动，同时上述的信号会触发相机抓拍煤炭图像，并通过USB口将抓拍到的图像输入到计算机内部，然后通过图像处理算法和图像识别算法对采集到的图像进行预处理、识别，若识别结果为煤炭，则计算机反馈信号给PLC，PLC控制气动阀A动作选出煤炭，若识别结果为矸石，则计算机反馈信号给PLC，PLC控制气动阀B动作选出矸石。

图1 系统总体方案示意图

2 系统硬件设计

在煤炭自动识别分拣系统的硬件设计中，相机，镜头，光源以及照明方案的选择直接关系到所采集到图像的质量，对煤炭识别结果至关重要，因此本系统对以上硬件做了如下选型。

2.1 光源的选择

在机器视觉系统中，光源的作用是增加采集目标和背景的对比度，增加图像的质量。常用的光源有荧光灯，卤素灯和LED光源等，对比各种光源的价格、亮度、稳定性、控制装置、寿命、光线均匀度和复杂设计等各项，其中LED光源的稳定性高，寿命高，且有控制装置，可以控制光源明暗，因此本系统选择LED光源。

基于机器视觉的煤炭自动识别分拣系统的照明方案主要分为两种，分别为正面光源照射和背面光源照射。采用正面光源照射的方法，可以将采集物体的细节明显的显示出来，采用背面光源照射的方法，是一种透光的方法，可以将采集物体和背景准确并且明显的显示出来。结合检测对象煤炭的特点，需要得到煤炭表面的详细信息，因此本系统照明方案选择正面光源照射。光源选用同轴光源，既可得到较高的对比度，也能够得到煤炭表面的信息。

2.2 工业摄像机的选择

按照像素排列方式划分，工业摄像机可以分为面阵摄像机和线阵摄像机，线阵摄像机的检测精度高，检测范围大，价格高。结合本系统所要检测的煤炭对象的特点，选用面阵摄像机。相机的芯片类型又可分为CCD和CMOS，CCD和CMOS的工作原理大致一致，两者的结构和性能有所区别，性能对系统的影响较大，因此只关注性能上的区别，区别是CCD传感器的价格较高，功耗较高，图像质量较好。因此，经过以上比较，系统选用大恒水星系列MER—310—12UC(-L)摄像机型号，此款相机为CCD行曝光的USB接口相机，分辨率高达3 664×2 748。

2.3 镜头的选择

选择镜头时，首先要确定几个重要的参数，分别是视场，工作距离和景深。视场是指观测物体的可视范围。工作距离是指从镜头前部到受检验物体的距离。景深是指相机可以清楚获得图像的前后浮动距离。待检测煤块的测量范围是110 mm×70 mm，所以视场为110 mm×70 mm。根据高斯成像公式：

其中，f为焦距，u为物距，v为像距。根据公式计算得焦距为17.63 mm，图像传感器尺寸为6.17 mm×4.55 mm，工作距离为300 mm，因此本系统选择KAWA千万像素镜头LM16JC10M。

3 系统软件设计

系统软件设计主要包括研究并编写图像处理与识别算法，设计并编写系统界面软件，图像处理和图像识别算法是本系统的核心内容，对采集到的图像进行图像预处理、图像识别等操作，利用煤炭图像和矸石图像基于灰度共生矩阵的各种纹理特征数据，结合SVM来实现煤炭图像和矸石图像的识别。

3.1 图像采集

本系统设计的图像采集流程如图2所示，首先对相机初始化，配置相应的相机参数和采集参数，之后调用采集函数采集图像，在图像采集完成后，释放相机资源。

图2 摄像机图像采集流程图

3.2 煤炭图像预处理

为了消除图像中的噪声，必须对采集到的图像进行预处理操作，常用的图像预处理操作主要包括图像增强与图像滤波。

图像增强是为了能够对图像中的有价值内容进行突出，同时削弱图像中无价值信息的影响。系统使用常用的直方图均衡化方法对煤炭图像进行图像增强操作，增强以后的图像如图3所示，从图中可见，增强后的图像整体变亮，灰度值变高，特征更加明显，但是增强后的图像和原图像相比有一定的模糊和失真。

图3 图像增强

采用图像增强的方法对煤炭图像预处理，造成了煤炭图像发生一定程度的模糊和失真，因此决定通过图像滤波获得更好的处理效果。图像滤波方法比较多，根据具体算法执行步骤的不同，可以分为均值滤波、中值滤波和高斯滤波等。由于中值滤波和均值滤波的计算量比较小，算法效率高。因此，系统分别采用均值滤波和中值滤波方法对图像进行平滑，平滑效果如图4所示，图4（a）和（b）分别是均值滤波和中值滤波的结果。从图中可见，均值滤波使图像变模糊，特征不再清晰，而中值滤波很好地保留了边缘信息，又能够有效降低噪声，因此本系统选用中值滤波的图像预处理方法。

图4 图像滤波算法比较

3.3 图像灰度分析

灰度直方图是图像的灰度统计，可以从灰度直方图中得到各灰度值及其对应的像素在图像中的个数，是图像的重要特征之一。在所采集到的图像中，煤炭看起来比较黑，灰度值比较低，而矸石看起来比较亮，灰度值较高。因此煤炭和矸石的灰度直方图可以直观的反映它们的灰度值、灰度分布及灰度频率。

3.4 图像纹理分析

纹理是一种描述一个区域中像素灰度级空间分布的属性。分析过程主要采用由Haralick定义的灰度共生矩阵，它是描述纹理的一种常用的统计方法[11-12]。灰度共生矩阵 P（i，j，δ，θ）包含了图像的方向、相邻间隔、变化幅度等信息。通过煤炭和矸石的灰度共生矩阵，可以提取出二阶矩、对比度、相关、熵、逆矩差等特征参数值来定量描述煤炭图像和矸石图像的纹理特性[13]。其中二阶矩表明了图像灰度分布均匀程度和纹理粗细程度，对比度描述了图像的清晰度，相关是用来衡量灰度共生矩阵在行或列方向上的相似度，而熵则表明了图像中纹理的复杂程度和非均匀度。其计算公式如下：

对煤炭图像和矸石图像进行灰度共生矩阵分析，求出图像在 0°、45°、90°、135°4 个方向上的灰度共生矩阵，并根据求得的灰度共生矩阵，分别求出4个方向的二阶矩、对比度等特性，并取4个方向上各特征的平均值作为图像所对应特性的值。

3.5 系统界面设计

结合前面的研究，设计了基于机器视觉的煤炭自动识别分拣系统系统软件。软件平台采用Windows操作系统，编程环境采用Microsoft Visual Studio 2010，编程语言采用Visual C++。

本软件主要包括参数设置模块和检测模块，参数设置包括设置相机参数、采集参数、预处理参数及图像识别参数，检测模块主要实现检测功能，有手动检测和自动检测，检测界面实时显示工作台上对象的图像，检测内容是实现矸石和煤炭的识别。

4 实验结果与分析

图5中(a)是矸石图像，(b)和(c)分别是煤炭和矸石的灰度直方图。从图中可以看出煤炭的灰度大部分集中0-100低灰度区间，而矸石集中在50-200灰度区间，并在灰度为175时达到高峰。由此，可知仅用灰度特征无法完全的将煤炭和矸石分开来。

表1和表2分别是煤炭图像和矸石图像灰度共生矩阵特征能量、熵、惯性矩、相关性和逆矩差的数据。从表中可以看出，煤炭的逆矩差值近似0.09，而矸石的逆矩差值近似0.02，

图5 灰度直方图

煤炭的能量近似0.1，而矸石的能量近似0.02，煤炭的熵近似3.4，而矸石的熵近似4.33，煤炭的惯性矩近似1.99，而矸石的惯性矩近似3.72，煤炭的相关性近似0.12，而矸石的相关性近似0.09。可知煤炭和矸石的相关性数据较接近，差距范围不大，不能反映煤炭和矸石的不同点，而能量、熵、惯性矩和逆矩差的范围差距较大，考虑利用这些特征值之间的明显差异来识别煤炭和矸石。对于煤炭和矸石而言，有多个显著特征，因此选用LIB-SVM软件包对这些数据特征进行训练。

表1 煤炭图像的纹理特征参数

支持向量机（SVM）于1995年被提出，是在统计学习理论的VC维理论和结构风险最小原理基础上创建的，依据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折中，以期获得最好的推广能力。本文选用支持向量机来完成图像分类，从而实现煤炭和矸石的自动识别。

选用能量、熵、惯性矩和逆矩差等参数作为训练的参数，并且将这些值都映射到0-1范围内。将煤炭和矸石的标号设定为[0，1]，选用RBF核样本数据映射到高维空间。实验中选用煤炭和矸石共56张图像作为样本来训练SVM，用50张图像作为测试样本，训练结果显示支持向量机能正确识别48张图片，识别正确率为96%。可知，选用本文的方法能够较好地完成煤炭图像和矸石图像的自动识别。

表2 矸石图像的纹理特征参数

5 结束语

文中从硬件系统和软件系统两方面介绍了一种基于机器视觉算法的煤炭自动识别分拣系统，并通过实际实验结果加以分析说明。在图像处理算法上，选用中值滤波的预处理方法，很好地保留了边缘信息。在图像识别算法上，利用图像的基于灰度共生矩阵的各种纹理特征数据，结合SVM实现了煤炭图像和矸石图像的快速准确识别。该系统硬件稳定，算法稳定性好，与以往的人工识别煤炭和矸石相比，该自动识别方法效率明显提高，检测精度较好，具有很高的实际意义。

[1]周少雷，单忠健，邓晓阳．中国选煤业现状与发展趋势[J]．中国煤炭，2006，32（11）：11-14.

[2]闰俊旭，李晔．图像处理在煤矸石识别系统中的应用[J]．兵工学报，2009，30（11）：16-20.

[3]孙铁波，李宏．基于机器视觉的带线缝合针尾孔钻头检测研究[J]．现代制造工程，2013（11）：3，118-121．

[4]刘砚秋．机器视觉技术的发展动态[J]．电子元件与材料，2014（5）：93-94．

[5]朱虎成，孙大为，陆文渊，等．采用机器视觉的汽车活塞最终质量自动检测系统 [J]．现代制造工程，2012（5）：105-108．

[6]李博，李仕奇，谭振豪．基于机器视觉的封印产品字符编码检测系统 [J]．现代制造工程，2013（6）：88-91．

[7]沈伟，庞全，范影乐，等．基于机器视觉的全自动汽车零件筛选系统[J]．仪表技术与传感器，2009（9）：97-100．

[8]STEGER C,ULRICH M,WIEDEMANN C．机器视觉算法与应用[M]．杨少荣，吴迪靖，段德山，译．北京：清华大学出版社，2008．

[9]Rafael C.Gonzalez,Richard E.Wood.数字图像处理[M].阮秋琦，阮宇智，译.3版 北京：电子工业出版社，2011.

[10]张艳玲，刘桂雄 ，曹东，等．数学形态学的基本算法及在图像预处理中应用[J]．科学技术与工程，2007，7（3）：356-359．

[11]白雪冰，王克奇，王辉．基于灰度共生矩阵的木材纹理分类方法的研究[J]．工业大学学报，2005，37（12）：1667-1670.

[12]David M Hobson，Robert M Carter，Yong Yanl，et al.Differentiation between coal and stone through image analysis of texture features [C]//IEEE International Workshop on Imaging Systems and Techniques，2007:1-4.

[13]何敏，王培培，蒋慧慧．基于SVM和纹理的煤和煤矸石自动识别 [J]．计算机工程与设计，2012，33（3）：1117-1121.

[14]Monica Marcuzzo，Pedro Quelhas，Ana Campilho.Automated arabidopsis plant root cell segmentation based on SVM classification and region merging[J].Computers In Biology and Medicine，2009，39（9）：785-793.

[15]蒋媛．基于Contourlet变换和SVM的SAR图像目标识别[J].信息技术，2010，34（11）：105-110.

Research on automatic coal recognition and sorting system based on machine vision

HUANG Hong-tao，GUAN Jian-jun
（Henan Energy&Chemical Jiao Zuo Coal Company，Jiaozuo 454150，China）

In order to solve the problems of labor-intensive，low efficiency and accuracy in recognition and sorting of coal，designed an automatic coal recognition and sorting system based on machine vision which consisted of hardware and software.In order to achieve the automatic identification of coal and gangue，a new method based on gray-level co-occurrence and texture analysis was proposed，realized the automatic recognition through training and classifying the images of coal and gangue with SVM，programmed the image processing software and system interface software.The test results show that the system hardware selection is rational，and the system software is highly stable and efficient which improved the efficiency and accuracy in recognition and sorting of coal with practical significance and high economic value.Meanwhile，the system can also be extended to sorting of other materials.

machine vision； coal； gray-level co-occurrence matrix； grain； SVM

TN99

：A

：1674－6236（2017）14-0162-05

2016-06-28稿件编号：201606220

黄洪涛（1978—），男，河南焦作人，工程师。研究方向：采矿工程与生产设计。