基于图像处理的煤矸识别技术研究进展及方向*

2021-12-17李小萌赵巧蓉

现代矿业 2021年11期

李小萌赵巧蓉

（河北工程大学矿业与测绘工程学院）

我国“十三五”规划将“加快推进煤炭无人开采技术的研发和应用”列入能源领域的重点工程［1］，这意味着煤炭资源开采逐渐向无人化、智能化方向发展，煤矸自动化识别是实现煤炭智能化开采的关键技术。传统的人工分选劳动量大、效率低、粉尘多、对人体危害大；同时，煤炭采出后的湿法选煤对水资源消耗量及环境污染大，而干法选煤粉尘大、严重危害工人身体健康［2-4］。发展煤矸智能自动化识别技术有利于提高工作面煤炭回采率和煤炭分选效率，降低自动化放煤的含矸率、避免煤炭洗选造成的环境污染问题，是实现煤炭安全高效、无人化、智能化开采的关键。

目前，常用的煤矸识别方法主要包括基于自然射线的煤矸识别法、基于声波信号的煤矸混合度识别技术、基于振动信号的煤矸识别法、红外探测技术以及基于图像处理技术的煤矸识别方法等。

基于自然射线的煤矸识别技术，抗干扰能力差；声波信号的煤矸混合度识别技术受工作面噪声影响较大，且声信号不易分析，识别率较低；振动信号的煤矸识别技术易受外界环境干扰；红外探测技术易受采煤机温度等的影响；图像处理的煤矸识别技术，通过灰度、纹理特征差异对煤和矸石进行区分，具有较高的识别率，不仅有利于实现放顶煤的自动化控制，还能应用于选煤厂的煤矸分选，因此得到诸多学者的青睐。

1 煤矸图像识别技术的发展现状

1.1 煤矸图像识别原理及流程

基于图像处理的煤矸识别是近几年发展起来的一种新型煤矸识别方法，该方法通过煤与矸石的颜色、光泽和纹理等信息差异，利用数字图像处理技术提取煤岩样品的表征参数，进而识别煤与矸石。

利用图像处理进行煤矸识别的主要流程如图1所示。首先对煤和矸石的待训练图像进行预处理，以降低因环境等因素造成的影响，然后对定位的煤矸图像进行特征提取，将所提取的煤矸特征参数存入数据库。利用安装在带式输送机上的工业相机拍摄运动中的煤和矸石图像，然后为降低图像体积、缩短图像处理和识别时间，利用高斯滤波等方法对图像进行灰度化等预处理，最后，基于数据库中提取的煤矸特征参数，利用分类器进行分类训练与测试，最终实现煤矸的分类识别。

1.2 图像预处理

受采集设备和环境因素的影响，图像中存在噪点会对识别结果产生影响，因此需要进行图像预处理以保证分类的准确性［5］。图像预处理通过灰度化、去噪等处理使其满足实际需要，并节省空间占有量，增快传输和处理速度，能够有效突出不同特征的差异。数字图像处理方法主要分为空间域处理和频域处理，空间域处理操作直观，而频域处理不仅具有较高的运算速度而且方便信息提取［6］。其中，最大类间方差法通过自动获取图像的阈值，实现图像分割和二值化处理［7］；中值滤波和图像指数增强处理的共同利用，减少了预处理过程中的运算量，从而处理得快速高效［8］。

虽然图像预处理能在一定程度上解决环境和设备对图样的干扰，但井下环境复杂，容易造成采样图像中的噪点和光影增加，增大处理难度，降低识别精度。

1.3 特征参数提取及选择

1.3.1参数提取方法

煤矸识别结果主要依赖于所提取参数的准确度和真实性，因此，煤矸石参数提取和选择是识别的关键。在煤矸图像中，纹理和灰度参数区分度较大，因此，多选用纹理和灰度参数进行识别。

其中，通过灰度直方图法实现灰度特征参数的提取，该方法所提取的特征参数能直观地反映图像中灰度出现的频率，具有运算简单且实用性和识别准确性较高的特点［8］。而纹理特征提取方法常用的是纹理灰度差分法［9-10］和纹理共生矩阵法［11］，其特点如表1所示。纹理共生矩阵法所得出的纹理对比度和熵的煤矸区分度大于纹理灰度差分法所得出的区分度［9］，反映了不同方法所提取的相同特征参数对煤矸特征值的衡量和区分度存在差异，特征提取方法对煤矸参数存在识别影响。

1.3.2参数选择

部分学者将几何特征参数引入煤矸识别中，研究基于不同煤质的纹理和灰度特征的煤矸区分度，如图2所示［6］。图2中显示了3种神经网络模型在不同参数情况下的识别率，可以看出，在单一参数的情况下，3种神经网络模型的识别率较低，将灰度和纹理2种参数结合时识别率有所提高，但不明显，当3种参数相结合时识别率最高。可见，特征参数的选取和组合对煤矸识别率有着较大的影响。

在特征参数的选取中，由于煤岩组分结构复杂，单一的特征量不足以区分煤矸，但过多的特征参数存在较高的特征空间维数，导致信息的冗余，致使识别精度降低［12］。其中，仅有少数学者引入颜色参数，通过Relief算法对所提取特征进行权重分析，利用SVM—RFE方法剔除冗余特征并且获取最佳分类参数［13］。

综上所述，参数选取方面主要存在以下问题：①煤质极大影响煤矸图像的灰度和纹理特征，目前煤矸图像样本的选择随意性较大；②对特征参数的相关性及组合研究较少，参数的选取依赖于传统的实验分析，理论研究不足。

1.4 图像识别算法研究

基于图像处理的煤矸识别技术中，识别算法的选择直接影响煤矸识别的准确性，目前，最常用的是支持向量机和神经网络算法。

支持向量机以结构化风险最小为原则，即兼顾训练误差最小化和测试误差最小化，具有较好的学习能力和泛化能力［14］。但是，需要较大的存储空间，因此，难以实现大规模的训练。其中，支持向量机对核函数及其参数具有敏感性，但核函数和参数的选择都是人为根据经验进行选取，因此，在不同实验中识别精度会出现不同程度的波动。

然而，神经网络具有较强的容错能力［15］，能够减小环境影响所带来的误差。通过对比不同网络模型的训练时间和识别效果，分析发现，适当构建卷积神经网络模型可以缩短训练时间并提高识别率［16-17］。

2 煤矸图像识别技术的发展趋势

2.1 环境噪声降低

煤矸图像识别技术需要获取高质量的数字图像，但煤和矸石感光度不同，在井下光照不均的环境中，可能会出现过暗甚至煤矸阴影的情况，同时井下粉尘浓度高、湿度大等会造成图像中噪点增多。且实际采样过程中，煤矸和采样器之间的相对运动状态、设备成像和采样精度［18］等都会引起采样图像的非线性模糊，可从图像预处理和提高图像采集设备及传输设备质量入手，来降低环境噪声。

2.2 深度学习理论引入

深度学习由G E Hinton和R R Salakhutdinov为解决数据降维问题提出［19］，目前已在图像处理、语音识别等领域得到较好的应用。深度学习相较于传统的机器学习理论，明显具有更优的性能、更快的速度和更好的分类决策效果［20］，其中，卷积神经网络在针对海量数据集进行特征提取和处理速度上都具有较好的效果。

由于煤矸识别过程具有较高的实时性，因此需要识别算法具有较高的处理速度，普通算法在较大的数据集处理中不具备该优势，但深度学习通过对训练速度和测试速度的调节，能够达到快速的处理数据并作出决策。深度学习理论在学习过程中，样本数据集越大，得到的模型误差越小，使决策结果更接近真实值，具有更强的泛化能力。其中，卷积神经网络模型不需要对图像进行预处理，能够自适应提取煤矸特征，降低人为因素的同时提高识别精度，同时，算法的泛化性在进行分类时，能够减小环境变化带来影响。

综上，在面对大数据集的煤矸图像的实时性、复杂性和多样性等特点时，深度学习将传统的经验与未知的参数关系紧密结合在一起，以达到较好的处理效果，具有较强的特征提取能力，可以降低图像预处理及人为因素对识别精度的影响。因此，将深度学习理论应用于煤矸图像识别，将极大提高识别精度，应用前景广阔。

2.3 智能分选系统研发

目前，智能分选系统和传统的人工分选成为了主要的分选方式，但随着科技的发展，智能分选系统逐渐取代人工分选。例如，我国引进了基于γ射线传感器的GDRT煤矸智能分选系统，填补了我国该领域的空白，极大地提升了分选的效率［21-22］；其次，开滦集团将机器学习与图像处理技术相结合，研发出人工智能煤矸分选机器人，具有较高的煤矸识别率，为企业带来了可观的经济效益。然而，目前煤矸数据集仍然不够完善，煤和矸石数据集的建立将会提高分选系统的识别率，可为煤矸分选系统的研究提供依据。