基于X射线和结构光相机的煤矸石分拣方法研究

王 锐，桂志国，刘 祎，张鹏程

(中北大学 山西省生物医学成像与影像大数据重点实验室，山西 太原 030051)

0 引 言

煤炭在我国能源体系中占主导地位，然而，煤炭在开采过程中会产生大量固体污染物，以矸石为主，其混在煤中不仅会降低煤炭燃烧质量，还会加重污染物的排放，因此，煤矸石分选技术是选煤技术中的重要环节.

煤矸石分选方法主要分为人工排矸法、密度识别法、图像识别法、射线识别法[1].其中，人工排矸法无法保证煤矸石分选的质量，效率低下且工作环境恶劣，这种方式已逐渐被淘汰.密度识别法主要用于重介质流化床选煤[2]和跳汰选煤[3]，其设备体型庞大、对介质要求高，且水或空气污染严重.图像识别法结合自动化设备和图像识别技术获取灰度、纹理等信息，进而实现煤矸石识别.袁华昕[4]通过图像分割和直方图分析得到煤矸石的像素峰值灰度级，并通过边缘检测和阈值分割方法计算得到煤和矸石的高度，由灰度级和高度关系确定识别条件.吴开兴等[5]利用灰度共生矩阵提取煤与矸石的纹理特征，采用支持向量机进行自动识别.Li等[6]选用灰度直方图、分形维数和小波变换能量作为识别特征，建立4层BP神经网络实现多特征融合.射线识别法主要基于γ射线或X射线，其中具有代表性的是双能X射线透射技术，该技术通过分析物料对不同能量X射线透射的衰减程度差异来识别物料种类，与其他技术相比操作简单、成本低、无资源浪费、识别准确率高.

国内外学者针对双能 X 射线透射分选技术已经投入了大量的研究.Mesina[7]和 Dalmijn[8]等联合使用双能X射线探测器、光学相机和电磁传感器进行了多特征分析，实现了对物料的有效分选.Bonnin等[9]深入研究了质量密度和原子序数对物质衰减系数的影响，引入了有效质量密度.王艳翔[10]通过提取双能R值并将其映射成物质分类模板图像，然后对该模板图像进行多阈值分割以实现物质分类.毛冬辉等[11]在分析R值算法的基础上，提出了一种R值曲线拟合识别算法，并对算法有效性进行了验证.杨斌[12]研究了利用R值曲线法和Bayes决策函数判定物料种类的方法.王祺奥[13]提出了基于复化求积的R值曲线拟合算法，减弱了厚度因素对种类识别的影响.黄河等[14]提出了一种基于低能透射信号值和双能R值双参数联合的识别算法，提高了算法的适用厚度范围.但在物料厚度浮动大的情况下，R值算法识别物料种类的准确性还有待验证.

因此，本文研究了双能X射线透射技术，以R值算法为基础，对300 mm粒度以下的煤矸石进行取样分析(受射线设备限制，最大只能允许 300 mm 的煤矸石通过，且300 mm粒度可以满足大多数分选需求)，得出R值曲线拟合算法分选的适用范围，并通过结构光相机获取物料厚度信息，联合R值算法和厚度信息实现煤矸石的有效识别.

1 双能R值算法

1.1 R值分析

双能X射线检测技术可以探究物质的有效原子系数Zeff，Zeff是物质的本质[15]，可由R值计算得到.

利用高、低能透射信号可以计算出R值，

(1)

式中：IH0和IL0为无物料时的高能透射值和低能透射值；IH和IL为有物料时的高能透射值和低能透射值；μmH和μmL为高、低能X射线条件下物料的质量吸收系数.

式(1)成立的前提是X射线为单色光谱，不受物质物理化学状态和厚度的影响，可以根据R值来区分物质的种类.但在实际工业中，大多数X射线是连续谱，波长连续变化，衰减吸收系数不是常数，会随着能量的变化而变化.

为了保证实验的普适性和可靠性，本文采集了100块不同厚度的煤矸石的高低能透射数据进行分析.实验中选取X射线源管电压为200 kV，管电流为2 mA.低能透射信号值IL的有效取值为 0～50 000，灰度范围较大，为了重点分析低灰度部分，对其进行非线性log变换.煤和矸石的lnIL-R散点分布图如图1 所示.

分析图1 可知，煤矸石的R值已经趋于稳定，低能透射信号lnIL<4.4时，只有矸石的R值存在，因此，可以用阈值4.4来区分厚矸石和厚煤；当lnIL值在4.4～7范围时，煤和矸石的R值大部分重叠在一起，仅通过高低能透射信号值以及R值的关系无法有效区分出煤和矸石；当lnIL>7时，R值区分明显，可以通过R值曲线拟合方法进行区分.

图1 lnIL-R散点图

1.2 R值曲线拟合

常用的曲线拟合方法有线性拟合、多项式拟合、指数拟合和高斯拟合等.本文采用CurveExpert软件对数据边界进行曲线拟合，以找到最佳曲线模型.经实验证明，采用多项式拟合曲线模型的相关系数最大、标准偏差最小，拟合效果最优，因此，选用多项式模型进行曲线边界拟合，公式如下

C=-0.000 328 3x4+0008 233x3-

0.068 5x2+0.220 9x+0.985 2.

(2)

实时采集煤和矸石图像，计算低能透射信号值lnIL和R值，当lnIL>7时，以C为分界，R值落在C上方的判定为矸石，R值落在C下方的判定为煤，此情况下的识别准确率在92%以上.

2 R值重叠分析

在固定电压电流时，X射线的能量是固定的，透射能力也相对有限.而物料越厚，X射线透射值越小，由于矸石的X射线衰减系数大于煤的，所以，存在特厚的煤与较薄的矸石的X射线透射值相当，导致求出的R值会发生重叠，又称厚度效应[16].为了探究R值曲线边界判别的极限厚度以及厚度是否可以作为区分厚煤和薄矸石的条件，对不同厚度的煤和矸石使用R值曲线判别并通过迭代阈值分割方法[17]标记出煤和矸石，结果如图2 和图3 所示，图中浅灰部分被识别为煤，黑色部分被识别为矸石.

图2 R值曲线对煤的测试

图3 R值曲线对矸石的测试

在图2 中，(e)的误识别部分相对于(a)～(d)有所增加，但整体上并不影响识别结果；而(f)～(h)的误识别区域明显多于(a)～(e)，且随着煤厚度的增长，误识别区域逐渐增加，计算得出黑色部分占比分别为31%，34%和45%，严重影响物料识别.由图3(b)～(d)可知，矸石厚度范围在110 mm～180 mm的误识别区域也逐渐增大并向中心聚拢.矸石误识别区域在矸石厚度为 180 mm 时达到峰值，而矸石厚度大于 210 mm 时，误识别区域变小且集中在边缘部分.由于矸石厚度不均，中间厚边缘薄，在图3(e)～(h)中存在边缘误识别的现象，经过测量发现，矸石边缘厚度都小于180 mm.因此，R值曲线可以有效识别厚度在 210 mm 以下的煤和110 mm以下的矸石，且取厚度阈值H为210 mm时，可以区分重叠部分的煤和矸石.

3 相机测厚

目前，主流的深度相机测量原理有TOF、双目立体视觉和结构光.TOF基本原理是向被观测物体上连续发射光脉冲，然后接收从物体反射回的光脉冲，通过探测光脉冲的往返时间来计算被测物体离相机的距离.TOF深度相机对时间测量的精度要求较高，在近距离高精度领域应用困难.双目立体视觉基于视差原理并利用成像设备从不同的位置获取被测物体的两幅图像，通过计算图像对应点间的位置偏差，间接获取到被测物体的距离.但是，双目立体视觉受光照和物体纹理影响较大，夜晚无法使用.结构光是指具有特殊结构的光，如离散光斑、条纹光、编码结构光等.结构光测厚是指利用近红外激光器将具有一定结构特征的光线投射到被拍摄物体上，再由专门的红外摄像头进行采集，这种具备一定结构的光线会因被摄物体的不同深度区域而采集到不同的图像相位信息，然后通过运算单元将这种结构的变化换算成深度信息.考虑到近距离测量、实时性以及成本等方面，本文采用结构光相机获取物料的厚度信息.

为获取R值对应的厚度，需要建立X射线图像与相机厚度图像的映射关系.首先确定探测器与深度相机的相对位置，因为射线探测器工作模式是线扫描，只有当物体完全通过，探测器才能获取到完整的X射线图像，故将相机安装在探测器的后面.当探测器采集完一张图像后，通知相机抓取这帧图像.相机距离线阵需要满足关系

d=t*rows*v/2.

(3)

本文线阵积分时间t=1 500 μs，图像行数rows=180，传送带速度v=1.6 m/s，根据上式计算得出d=216 mm，此时相机图像中的目标物体与X射线图像中的物体位置相对应.在X射线图像中选取数个像素点，并将相机图像中相对应的点的坐标记下，通过绘制两者的散点图并进行拟合，得到X射线图像与相机图像像素点满足线性对应关系，如图4 所示.图中，x,y分别为X射线图像中物体像素的横坐标和纵坐标；fx,fy分别为相应的相机图像中物体像素的横坐标和纵坐标.

(a)横坐标

如图5 所示，R值曲线拟合和相机测厚联合方法流程为：

图5 算法流程图

1)实时采集被测物体的双能X射线图像和厚度图像，计算R值和低能透射值lnIL；

2)若lnIL<4.4，直接判断为矸石，转到5)；

3)若lnIL>7，使用多项式曲线拟合边界对R值进行分类识别，转到5)；

4)根据射线图像和相机图像映射关系，计算R值对应的厚度，通过厚度阈值H判断；

5)根据以上识别方法进行迭代阈值分割标出煤和矸石部分，获得初次识别结果；

6)计算物料识煤率，再根据识煤率大小最终判别物质种类.

4 实验验证与分析

选取厚度为80 mm，110 mm，150 mm，180 mm，210 mm，240 mm，270 mm，300 mm的煤和矸石进行测试，设置测试条件为双能X射线管电压 200 kV，管电流为2 mA.

为了验证本文所提方法的有效性，采集了不同厚度的煤和矸石的图像，如图6 和图7 所示，其中浅灰部分是被识别为煤，黑色部分是被识别为矸石，将其与R值曲线拟合算法进行对比，本文从主观视觉效果及客观评价效果分析算法的优劣.

图6 本文方法对煤的测试

图7 本文方法对矸石的测试

由图2 与图6 中(f)～(h)对比可知，对于厚度大于210 mm的煤，本文方法处理后的图像中黑色区域(误识别为矸石的部分)明显少于原始方法；图3 与图7 对比可知，对于厚度范围在110 mm～300 mm的矸石，本文方法处理后的图像中浅灰色区域(误识别为煤的部分)相对于原始方法减少很多.

为了从客观角度进行评价，计算不同厚度煤和矸石的识煤率，即浅灰色区域所占物体的比例.对于煤来说，识煤率越高就越有利于判断为煤；同理，对于矸石，识煤率越低对于矸石的识别越精确.

由表1 数据明显可知，R值方法对厚度大于210 mm的煤的识煤率逐渐下降，对厚度为300 mm的煤的识煤率下降到60%以下，与厚度为180 mm的矸石识煤率相近，无法可靠地判断该物质的种类；R值方法对厚度在110 mm～210 mm范围内的矸石的识煤率较高，说明对矸石的误判可能性大.与之相比，使用本文方法后，各种厚度煤的识煤率都有了较大提升，尤其对300 mm样本的识煤率提升了30%以上，而且矸石的识煤率都有所下降，误判率大大减少.

表1 两种方法识煤率对比

5 结 语

本文研究了双能X射线透射技术识别煤矸石的方法，在传统方法上增加了结构光相机，提出了一种R值曲线拟合和被测物体深度信息融合的方法，利用R值曲线拟合算法来初步识别煤矸石，再根据由结构光相机采集到的深度信息提升识别效果.实验结果证明，本文所提方法能够较好地识别出50 mm～300 mm范围内的煤矸石，但是对于煤矸石成分复杂、形状特殊的情况，还需进一步研究.