煤矸分选机器人图像识别方法和系统.pdf

第4 5 卷第1 0 期 2 0 2 0 年1 0 月 煤炭 学 报 J O U R N A LO FC H I N AC O A LS O C I E T Y V 0 1 ．4 5 0 c t _ N o ．1 0 2 0 2 0 移动阅读 李曼，段雍，曹现刚，等．煤矸分选机器人图像识别方法和系统[ J ] ．煤炭学报，2 0 2 0 ，4 5 1 0 3 6 3 6 3 6 4 4 ． L IM a n ，D U A NY o n g ，C A OX i a n g a n g ，e ta 1 ．I m a g ei d e n t i f i c a t i o nm e t h o da n ds y s t e mf o rc o a la n dg a n g u es o r t i n gr o b o t [ J ] ．J o u r n a lo fC h i n aC o a lS o c i e t y ，2 0 2 0 ，4 5 1 0 3 6 3 6 - 3 6 4 4 ． 煤矸分选机器人图像识别方法和系统 李曼1 ，段雍1 ，曹现刚1 ，刘长岳2 ，孙凯凯1 ，刘浩1 1 ．西安科技大学机械工程学院，陕西西安7 1 0 0 5 4 ；2 ．陕西煤化韩城矿业有限公司，陕西韩城7 1 5 4 0 0 摘要现有煤矸分选主要有人工分选和机械分选，这些方式存在劳动强度大、能耗高、易造成环境 污染等问题。对煤矸分选机器人而言，煤矸的准确识别是一个关键且具有较大难度的问题。研究 了基于图像的煤矸识别方法，并在此基础上开发了识别系统。介绍了煤矸分选机器人中图像识别 系统的硬件组成，研究了实际工况条件下各部件的选择和安装方式；在实验室搭建图像采集系统， 选取韩城矿区的煤和矸石为样本，由所搭建的系统获取样本图像，建立了样本图像库；对样本图像 采用3 种不同的滤波器进行降噪处理，对比分析得出非线性低通滤波处理效果最佳；基于煤和矸石 表面物理特性在灰度和纹理两方面有一定的区别，分别对煤和矸石样本图像的4 个灰度参数和5 个纹理参数进行分析对比，得出在灰度方面灰度均值和最大频数对应的灰度值2 个参数区分度更 高，在纹理方面纹理对比度和熵2 个参数区分度更高；选用最小二乘支持向量机 L S - S V M 为煤和 矸石图像识别分类器，以灰度均值和最大频数对应的灰度值组成的灰度特征、纹理对比度和熵组成 的纹理特征、最大频数对应的灰度值和纹理对比度组成的联合特征作为分类器的输入向量分别对 分类器进行训练和对比验证，得到以联合特征进行训练的分类器识别效果更好；以L A B V I E W 为平 台开发了包括图像采集、图像滤波、联合特征向量的提取、样本分类等程序。在煤矸分选机器人实 验平台上搭建了识别系统，随机选取实际工况下的煤和矸石样本，对识别系统分类性能进行测试， 系统图像降噪采用非线性低通滤波器，分类采用联合特征训练的分类器。测试结果显示煤和矸石 分类准确率分别为9 0 ．3 ％和8 3 ．0 ％，平均识别时间为0 ．1 5 3S 。 关键词煤矸识别；灰度；纹理；最小二乘支持向量机；L A B V I E W 中图分类号T D 9 4文献标志码A文章编号0 2 5 3 9 9 9 3 2 0 2 0 1 0 3 6 3 6 - 0 9 I m a g ei d e n t i f i c a t i o nm e t h o da n ds y s t e mf o rc o a la n dg a n g u es o r t i n gr o b o t L IM a n l ，D U A NY o n 9 1 ，C A OX i a n g a n 9 1 ，L I UC h a n g y u e 2 ，S U NK a i k a i l ，L I UH a 0 1 1 ．S c h o o lo fM e c h a n i c a lE n g i n e e r i n g ，X i ’f 2 nU n i v e r s i t yo fS c i e n c ea n dT e c h n o l o g y ，X i ’a n 710 0 5 4 ，C h i n a ；2 ．H a n c h e n gM i n i n gC o ．，L t d ．，H a n c h e n g 7 1 5 4 0 0 ，C h i n a A b s t r a c t C u r r e n t l y ，t h es o r t i n go fc o a la n dg a n g u em a i n l yr e l i e so nm a n u a ls o r t i n ga n dm e c h a n i c a ls o r t i n g ．T h e s et w o m e t h o d sa r el a b o ri n t e n s i v e ，c o n s u m eal a r g ea m o u n to fe n e r g y ，a n dc a u s ee n v i r o n m e n t a lp o l l u t i o n ．O n eo ft h ek e y f u n c t i o n so ft h es o r t i n gr o b o ti si d e n t i f y i n gc o a la n dg a n g u e ，h o w e v e r ，w h i c hs t i l lr e m a i n sac r u c i a la n dd i f f i c u l tp r o b - l e mt ob es o l v e d ．T h i sp a p e rp r o p o s ea ni m a g ep r o c e s s i n gb a s e dm e t h o df o rt h ep r o b l e ma n df u r t h e rd e v e l o p sa ni d e n t i f i c a t i o ns y s t e m ．T h eh a r d w a r ec o m p o s i t i o no ft h es y s t e mi nt h ec o a la n dg a n g u es o r t i n gr o b o ti si n t r o d u c e d ，e s p e c i a l l y ， 收稿日期2 0 1 9 0 6 0 6修回日期2 0 1 9 0 7 1 9责任编辑郭晓炜D O I 1 0 ．1 3 2 2 5 ／j ．c n k i ．j C C S ．2 0 1 9 ．0 7 5 9 基金项目国家自然科学基金重点资助项目 5 1 8 3 4 0 0 6 ；陕西省重点研发计划资助项目 2 0 1 8 G Y - 0 3 9 ；陕西省教育厅科学研究计划资助项 目 1 8 J C 0 2 2 作者简介李曼 1 9 6 4 一 ，女，陕西西安人，教授。T e l 0 2 9 8 5 5 8 3 1 5 9 ，E m a i l l i m a n l 0 s i n a ．c o r n 通讯作者段雍 1 9 9 5 一 ，男，四川广元人，硕士研究生。T e l 0 2 9 8 5 5 8 3 1 5 9 ，E - m a i l 8 2 0 5 2 9 4 6 7 q q ．c o n 万方数据 第1 0 期李曼等煤矸分选机器人图像识别方法和系统 t h es e l e c t i o na n di n s t a l l a t i o nm e t h o d so ft h ec o m p o n e n t so fi m a g ei d e n t i f i c a t i o ns y s t e mu n d e rt h er e a l w o r l dc o n d i t i o n a r es t u d i e d ．F i r s t l yac o a la n dg a n g u ei m a g er e p o s i t o r yi sc o n s t r u c t e db yb u i l d i n gi m a g ec o l l e c t i o ns y s t e ma n dc o l l e c t i n gt h ei m a g e so fc o a l sa n dg a n g u e sf r o mH a n c h e n gm i n i n ga r e a ．T h e n ，a ne x p e r i m e n ti sc o n d u c t e dt oc o m p a r et h r e e k i n d so ff i l t e r sf o rn o i s er e d u c t i o no ft h ei m a g e s ，w h i c hi n d i c a t e st h a tt h en o n l i n e a rl o wp a s sf i l t e r i n ga c h i e v e st h eb e s t p e r f o r m a n c e ．C o n s i d e r i n gt h a tt h es u r f a c e so fc o a la n dg a n g u ed i f f e r e n t i a t ei ng r a y s c a l ea n dt e x t u r e ，t h e ya r ec o m p a r e d i nt e r m so ff o u rp a r a m e t e r so fg r a y s c a l ea n df i v ep a r a m e t e r so ft e x t u r e ，i ti sf o u n dt h a tt h ec o a la n dg a n g u ea r em o r e d i s t i n c ti nt h et w og r a y s c a l ep a r a m e t e r si n c l u d i n gg r a ya v e r a g ea n dt h eg r a y s c a l ev a l u ec o r r e s p o n d i n gt ot h em a x i m u m f r e q u e n c y ，a n do t h e rt w ot e x t u r ep a r a m e t e r si n c l u d i n gc o n t r a s ta n de n t r o p yt h a no t h e rp a r a m e t e r s ．F u r t h e r m o r e ，L S S V Mi sc h o s e na st h ei m a g ec l a s s i f i e r ．W i t ht h et r a i n i n go ft h ec l a s s i f i e rb yi n p u t t i n gt h et w og r a y s c a l ef e a t u r e s ，t h et w o t e x t u r ef e a t u r e sa n dt h ec o m b i n e df e a t u r e so fg r a y s c a l ea n dt e x t u r er e s p e c t i v e l y ，i ti sf o u n dt h a tt h ec l a s s i f i e ru s i n gt h e c o m b i n e df e a t u r e sh a st h eb e s tp e r f o r m a n c e ．T h ep r o g r a m sh a v eb e e nd e v e l o p e df o rt h ei m a g ec o l l e c t i o n ，i m a g ef i l t e r i n g ，c o m b i n e df e a t u r ev e c t o re x t r a c t i o n ，a n ds a m p l ec l a s s i f i c a t i o nu s i n gL A B V I E W ．T h ei d e n t i f i c a t i o ns y s t e mi sb u i l t o nt h es o r t i n gr o b o te x p e r i m e n t a lp l a t f o r m ．T oe v a l u a t et h ep e r f o r m a n c eo ft h es y s t e m ，t h ei m a g e so fc o a l sa n dg a n g u e s a r ec h o s e n ，w h i c ha r er a n d o m l yp i c k e df r o mp r o d u c t i o ne n v i r o n m e n t ．F u r t h e r m o r e ，t h en o n l i n e a rl o wp a s sf i l t e ri su s e d f o rn o i s er e d u c t i o na n dt h ec o m b i n e df e a t u r e sa r eu s e dt ot r a i nt h ec l a s s i f i e r ．T h er e s u l t ss h o wt h a tt h em o d e la c h i e v e s a na c c u r a c yo f9 0 ．3 ％i ni d e n t i f y i n gc o a l sa n d8 3 ％i ni d e n t i f y i n g g a n g u e s ．t h ea v e r a g e d i d e n t i f i c a t i o nt i m ei s 0 ．1 5 3S ． K e yw o r d s i d e n t i f i c a t i o no fc o a la n dg a n g u e ；g r a y s c a l e ；t e x t u r e ；L S S V M ；L A B V I E W 煤矸分选是煤炭生产的重要工作之一，传统的人 工分选具有劳动量大、效率低、粉尘多、对人体危害等 问题。随着选煤技术的不断进步，人工操作已逐渐被 自动分选设备替代‘1 。4J 。目前国内外应用较为成熟 的煤矸自动分选设备主要采用y 和x 射线检测法。7 射线检测法根据7 射线穿过煤和矸石时衰减量的不 同来识别煤和矸石∞J ，x 射线法是根据煤和矸石对射 线吸收量的不同来进行识别的，用高压气阀喷嘴作为 执行机构，通过高压气流将矸石分离。6o 。该类分选 设备，由于煤和矸石下落时间快，对系统执行速度提 出了较高的要求，并且射线法易受煤矸含水量的影 响，同时还存在射线探测部分环保要求较高，执行部 件准确率不高，容易故障等缺点。 近年来，煤矸分选机器人的研究已成为选煤自动 化生产的重要课题，其中煤矸的准确识别是实现机器 人分选的首要任务。针对这一问题，国内外不少研究 人员从图像分析或视觉计算的角度对煤矸识别进行 了研究，文献[ 7 - 9 ] 通过对煤和矸石的灰度和纹理信 息进行分析，得到了较为准确的分类结果，但是这些 识别方法的特征提取相对单一，在实际生产环境中准 确度易受影响。文献[ 1 0 一1 4 ] 对煤矸识别提出了一 些新的方法，能得到较好的煤矸识别率，但是都存在 识别过程中耗时长、算法复杂、对硬件要求较高等问 题。文献[ 1 5 ] 将原煤的表面分为4 种类型，通过特 征递归剔除方法找出了图像的最优特征子集，得到了 一种效果波动小，准确率较高的煤矸识别方法，但在 矸石中煤含量过高时，此方法有失效的可能性。文 献[ 1 6 ] 提出了一种将P C A 算法用于识别传送带上油 石的算法，实现了对油石区域的检测，但是当油石的 密度过大时，油石的定位准确度变差，使识别受到影 响。目前，基于虚拟仪器技术的机器视觉因其开发周 期短、兼容性广、图形化编程、系统可视化等优点已经 应用于各行各业7 | 。该技术在煤炭生产中，如采煤 机自动调高，矿井提升机系统的监测及煤泥浮选等方 面均有研究8 。加1 ，但在煤矸分选机器人中此技术的 应用并不多见。 笔者以陕西韩城矿区的煤和矸石为分类对象，确 定了适于该类样本图像的降噪处理方法，得到了其灰 度和纹理特征中区分度较高、利于识别的相关参数。 以L S S V M 为分类器，通过对不同输入向量的训练 和对比分析，得到了以灰度特征参数中最大频数对应 的灰度值和纹理特征参数中的对比度为联合输入向 量，该分类器识别效果更好。随机样本图像识别验证 结果表明本系统对实际工况下的煤和矸石基本可实 现快速、准确的识别。 1 图像获取及处理 1 ．1 图像采集系统硬件平台 煤矸分选机器人作为一种新的选煤设备，主要由 图像识别系统、控制系统、分拣系统等组成，其主要组 成如图1 所示。 图像识别系统作为煤矸分选机器人的首要环节， 万方数据 3 6 3 8 煤炭 学报 2 0 2 0 年第4 5 卷 r 胶带 图像识圳系统J f } | 机、L E D 光源 图I煤矸分选机器人模型 F i g ．1 M o d e lo f ” a 】a n dg a n g u es o l ’l i n gr o b o 直接影响煤矸分选效果。图像识别系统的硬件主要 由相机、光源、工控机等构成。相机是图像采集中的 一个关键部件，相机的选择决定了所采集图像的分辨 率、图像质量等，关系到整个系统的识别效果。煤矸 分选机器人的图像采集相机选择需考虑物料运输带 式输送机运行速度、胶带宽度，煤和矸石的粒度大小 等因素。镜头采用具有自动对焦功能的高清摄像头， 安装时相机与带式输送机分离，这样可以在一定程度 上避免胶带振动对图像采集的影响。选择满足采集 视场范围的相机，调整相机与胶带的安装距离，以获 得较全面的拍摄覆盖角度。图像的灰度和纹理信息 是区分煤和矸石的主要特征量。在不同光照强度下， 煤和矸石的灰度特征和纹理特征会随之改变，这就导 致了特征向量的提取具有不确定性，但在相同照度 下，煤和矸石的灰度和纹理特征具有较为稳定的差 异I i l l 。选煤厂安全规程规定地表水平面手动选矸 地点光照强度不小于3 0l u x ，根据光照强度的要求以 及结合实际煤矸分选环境，图像识别系统光照采用自 然光加L E D 补偿光源，以保证获得较好的光照条件。 1 ．2 图像获取 在实验室搭建图像采集系统，获取训练样本图 像，系统实物如图2 所示。上位机为研华6 1 0 1 ．工控 机，相机选用罗技C 9 2 0 ，其分辨率为l9 2 0 10 8 0 ，每 秒采集帧数为3 0f p s ，工控机与相机采用U S B 总线方 式连接．光照采用自然光加L E D 补偿光源，光照强度 在7 0 ～1 2 0l u x 。 笔者以韩城矿区桑树坪2 号矿井的煤和矸石为 分类对象，该矿区煤和矸石主要为瘦煤和页岩。选取 3 0 0 个煤矸样本进行图像采集，得到煤炭样本图片 1 5 0 张，矸石样本图片1 5 0 张。为了节省存储空间以 及提高样本训练及识别的效率，对每张图片提取具有 代表的区域并进行编辑，处理后的图像大小为2 0 0 2 0 0 ，部分样本图片如图3 所示。 1 ．3 煤矸图像处理 煤矸分选作业工况条件比较恶劣，采集的图像会 图2 图像采集系统 F i g ．2h n a g ea 【‘q u M t i o ns y s t e m 显示界面 控机 煤5 “ l什2”3“ 4{ r r 5 图3 样本图像 F i g ．3I n l a g e so fC O i l ] a 1 1 Ig a n g u es a m ] l P s 受到灰尘、光线、设备振动等因素的影响。为了保证 图像一定的清晰度，需要对原始图像进行处理。选取 3 x 3 ，5 5 ，7 7 三种窗口尺寸，采用高斯、低通和中值 3 种滤波器对图像进行降噪处理，处理前后图像对比 如图4 所示。 原图像3 x 3 滤波 5 x 5 滤波 a 1 高斯滤波 泉图像3 3 滤波 5 x 5 滤波 b 非线性低通滤波 原图像3 x 3 滤波5 x 5 滤波7 7 滤波 C 中值滤波 图43 种滤波方式处理结果 F i g ．4 T l u P Pf i l t e r i n gm e t h o d s0 ．1 Pu s e dI ’I u l o c e s s [ h er e s u l l s 由图4 可看出，滤波时窗口尺寸越大，图像越模 糊，滤波窗口尺寸为3 3 时，图像最为清晰，去噪效 果最好，因此确定3 3 为最佳滤波窗口尺寸。采用 最小化平方误差 M S E 和峰值信噪比 P S N R 对降 噪效果进行评价。最小化平方误差反映了图像处理 万方数据 第1 0 期李曼等煤研分选机器人图像识别方法和系统 3 6 3 9 前后的变化程度，其表达式为 1 1 “、 M S E i 1i 1 ∑∑[ P i ，， 一B i ，J ] 1 M ，v 台台。一“ ⋯～、。 式中，样本图像的大小为M x N ；P i ，．j 为原图像在 i √ 位置的像素值；B i ，， 为滤波降噪后图像在 i ，J 位置的像素值。 峰值信噪比反映了图像信噪比变化的统计平均， 是一种衡量图像主观质量的方法，值越大代表图像失 真越小，其表达式为 ，， 气气2 、 P S N R 。1 0 1 叫蒜 2 以3 3 为窗f 1 尺寸对3 种滤波器滤波效果进行 对比，由表l ，图5 可知，相比较于高斯滤波器和中值 滤波器，非线性低通滤波器的最小化平方误差更低， 而峰值信噪比更高，对于样本图像的滤波效果最好， 图像更为清晰，平滑度更好。因此j 作线性低通滤波更 适合瘦煤、页岩样本图像的处理。 表13 种滤波器结果 T a b l elR e s u l t so ft h et h r e ef i l t e r s 计石腺图像向断滤波低通滤波中值滤波 图5 煤和矸1 ；r i3 种滤波比较 F i g ．5C o m p a l ’i s o no tt h t P Pf i h e r sf m ’c o a la 1 1 1g a n g u e 2 煤矸识别特征选取 2 ．1 灰度特征选取 灰度特征描述图像或图像区域所对应的表面性 质，灰度分析可以得到灰度图像的直方图及基本的灰 度衡量特征值。图像灰度特征基本衡量参数有灰度 均值、灰度方差和最大频数所对应的灰度值。 分别对7 5 张煤和7 5 张矸石样本图像进行灰度 分析，得到煤和矸石的灰度统计直方图和各参数值， 各参数值的分布范围见表2 。 表2 煤矸样本灰度特征参数分布范围 T a b l e2D i s t r i b u t i o nr a n g eo fg r a ys c a l ec h a r a c t e r i s t i c p a r a m e t e r so fc o a la n dg a n g u es a m p l e s t 本 笺篙霎套篙龛关嫠湛 偏度 煤7 37 一l2 2 ．I 1 43 ～3 7 ．26 50 ～l1 6 ．0 5 ．7 ～3 5 ．1 矸石1 0 4 ．1 ～1 6 4 ．78 ．2 ～2 341 0 8 ．0 ～1 6 6015 ～2 2 ．4 从表2 中可看出煤和矸石的各衡量参数都有各 自的分布范围，其中煤和矸石的灰度均值和最大频数 所对应的灰度值存在较大的差异，区分度较高，其分 布曲线如图6 所示。因此，选取这2 个参数作为煤矸 灰度识别的特征向逞。 型 斟 联 g 毯 。禽 鼎 囊 妖 谣 样本 b 最大频数对应的灰艘值 图6 煤苻t 灰度具有较大差肄衡} j 圭值的分布曲线 F i g ．6 D i s t r i l m t i o nC U I ’V e So t ’c a la l l Ig a n g u eg r a yv a l u e s w i t hg l ’e a td i f f e l e n 【‘r 2 ．2 纹理特征选取 纹理是物体表面同有的特征之一，其中灰度共生 矩阵法是进行图像纹理研究最常用的一种方法，灰度 共生矩阵是对空间中相距一定距离的两像素点之问 的像素差值进行统计研究后得出的，其反映的是图像 灰度关于方向、相邻间隔、变化幅度的综合信息，是一 种经典的纹理特征提取方法旧二。 基于灰度共生矩阵，H a l ’a l i c k 导出了1 4 个能反 映纹理特征的二次统计参数，称为H a r a l i c k 特征，其 中常用的特征参数有能量、对比度、熵、同质性和相关 性。对与灰度分析相同的7 5 张煤样本图像和7 5 张 矸石样本图像进行纹理分析，得到各参数值的分布范 围见表3 。 万方数据 3 6 4 煤炭学报 2 0 2 0 年第4 5 卷 表3 煤矸样本纹理特征参数分布范围 T a b l e3D i s t r i b u t i o nr a n g eo ft e x t u r ec h a r a c t e r i s t i c p a r a m e t e r so fc o a la n dg a n g u es a m p l e s 从表3 中可以看出煤和矸石的各衡量参数都有 各自的分布范围，其中煤和矸石的纹理对比度、熵存 在的差异较大，具有较高的区分度，其分布曲线如图 7 所示。因此，选取纹理对比度和熵作为煤矸纹理识 别的特征向量。 样本 b 对比度分布 图7 煤i t 纹理』} 有较大差异衡与Ⅲ{ 的分布f l l I 线 F i g , ．7 D i s t r i b u t i o n 【‘L 、i P Ho fc o a la l l dg a n g u et e x t m ‘P sv , r i t h g l ’P a td i f f e l ’ - 、l l l P i nI l l P L | 1 ．1 1 ’e dv a l u e s 3 最d x - 乘支持向量机煤矸图像识别 3 ．1 煤矸识别模型的确定 支持向量机是一种有监督的学习方法，其基本思 想是通过内积核函数将输入空问转换到高维特征窄 间，在新空间中寻找一个最优识别面孙t 4J 。对于未 知样本，支持向量机将其映射到同一特征向量空间， 并基于它们落在分割面的哪一侧来预测其所属类别。 该方法在解决小样本、非线性以及高维识别问题中表 现出许多特有的优势婪1 。 在煤矸分选中，煤和矸石混杂在一起，致使部分 煤和矸孑i 的灰度、纹理特征参数变得线性不可分，凶 此，以非线性分类器来进行煤和矸石的辨识能够获得 更高的识别率。最小二乘支持向量机是专门处理样 本线性不可分问题的机器学习算法”，其将支持向 量机的不等式约束变为等式约束，降低了求解超平面 的难度，极大的提高了算法的求解效率。最小二乘支 持向量机算法为设样本集V { 一。，，， } ，i l ，2 ， ⋯，，t ；x ，为输入样本数据；y ，为输出标示；n 为样本数 量，引入非线性变换核函数K 戈，戈。 妒 戈 妒 一， ， 最小二乘支持向量机的原始空间可以表示为 1 ，』 。黜6 n 。、J w ，6 ，f 2 圳w 旷 1 2C ；孝； 3 J ，[ w 。妒 x ， b ] l 一亭，，i 1 ，2 ，⋯，，z 4 其中，，为目标函数；f 为松弛变量；“为拉格朗日乘 子；妒 工， 为非线性变换核函数K x ，工， P 戈 妒 ．1 2 ， 设的函数；C 为惩罚因子。构造的L a - g r a n g e 函数为 L w ，b ，亭，d t ， W ，b ，f 一∑O L 。{ Y i [ W T 妒 x ， 6 ] 一I f } 5 分别对w ，b ，亭，，O l 求偏导数，可得 坠O w 卯㈠ - 0 慧 毫d ∥， 。 差2 毫旷。 6 。 羔 争，[ w 。出， 6 ] 一l 孝 。 式中，W 为特征空问中的高维向量；f ，为松弛因子；b 为分类阈值。 由K K T 最优化条件得到线性方程组 [ ；妇‰㈨ 【o ] ㈩ 【l ，妇 c 叫州【“J 【J J 、7 式中，门，O l ，Y ，J 分别为 Q 。， 一“ 妒 x ， 1 妒 ” Y i 乃K 戈，戈， d2l0 2 I ，“ ，⋯，O l r] 1 1 Y [ ， ，⋯，Lj J [ ，．，， ，⋯，，，，J 求解原始空间上的线性分类方程组可以得到决 策函数为 ’ 戈 s g n [ ∑0 1 ，J ’。K x ，戈i 6 】 8 利用支持向量机对煤、矸进行分类时，选择不同 类型的核函数，得到的分类效果不同。径向基核函数 R B F 对焦煤、瘦煤、页岩和砂岩的识别率较好【”’。径 向基核函数表达式为 人T 戈，戈， e x p [ 一盯I 戈一x ，I 二] 9 用L i l s w n 平台对选取的决策函数参数进行反复 万方数据 第1 0 期李曼等煤研分选机器人图像识别力一法和系统 交差验证得到，当参数惩罚因子C 1 2 8 ，径向基核函 数宽度参数为1 6 时，煤矸识别准确度较好。 3 ．2 分类器训练 以灰度特征，纹理特征，联合特征 灰度一纹理 3 组参数作为分类器的输人向量分别对7 5 张煤和矸石 样本图像进行训练，得到分类视图如图8 所示。其中 灰度特征参数选H J 灰度均值和最大频数对应的灰度 值，纹理特征参数选用对比度和熵，联合特征参数选 用最大频数对应的灰度值和对比度。 最大频数对应的灰度值 a 灰度特征分类视图 熵 b 纹理特征分类视图 最大频数对应的灰度值 c 联合特征分类视图 图8 分类视劁 F i g ．8 C l a s s i f i c a t i o no tv i e w 通过分类视图和分类器验证得出煤和矸石样本 图像在训练时错分样本数，统计结果见表4 。 由表4 可以看出，以3 种特征得到的分类器对于 煤和矸石都能进行很好的区分，其中联合特征得到的 分类器具有更高的训练准确度。 3 ．3 分类器对比验证 分别以灰度，纹理，联合特征作为最小二乘阳量 机的特征向量对样本库剩余的7 5 张煤和7 5 张矸石 样本图像进行分类器对比验证，分类结果见表5 。 表4 分类器训练结果 T a b l e4C l a s s i f i e rt r a i n i n gr e s u l t 表5 样本图像分类准确度 T a b l e5S a m p l ei m a g ec l a s s i f i c a t i o na c c u r a c y 由表5 可以看j | 5 ．以3 种特征向超进行煤矸识别 均能达到较好的识别准确度，以联合特征进行分类具 有更高的识别准确度。 4 煤矸识别程序设计 煤矸识别程序主要由图像采集、图像滤波、联合 特征向量的提取、样本分类几部分组成，程序的编写 主要在L A B V I E W 2 0 1 7 平台上完成。、其编程流程图 如图9 所示。 图9 煤矸识别程序流程 F i g ．9 F l o wL ’h a r lo fL ‘t l a la 1 1 ．dg a n g u ei d e n t i t i c a t i o n1 n o g r a m 4 ．1 图像采集程序 图像采集由软件实现控制。采集程序通过调用 N IV i s i o n 下的N I I M A Q I x 模块的I M A Q d xO p e n C a m e l ’aV I ，I M A Q d xG I ’a bV I ，I M A Q d xC l o s eC a m e r aV I 来完成相机的打开、采集图像、关闭和释放内存等。 图像采集显示界面和部分程序代码如图1 0 ，11 所示。 4 ．2 图像滤波程序 图像处理程序主要由图片读取、I 笃像滤波和图像 万方数据 3 6 4 2 煤炭学报 2 0 2 0 年第4 5 卷 田片名称 W h H t 弑 c o a l ⋯腋r 一 图l o 图像采集显示界面 F i g ．10I m a g ea 1 u i s i t i o na n dd i s p l a yi n t e r f h e e 图1 I图像米集科 序 F i g ．I1I m a g ea 1 q u i s i t i o np r o g i l a l l l 存储等部分组成。N IV i s i o n 中的F i l l e r s 模块提供了 I M A QL o w P a s s 子函数来进行非线性低通滤波器的程 序编写。用I M A QR e a r lF i l e 读取已处理样本，格式为 8 位灰度，调用I M A QI , o w P a s s 函数时，将函数尺寸输 入窗口设置为3 3 ，并将处理后的图像通过 I M A QW r i t eF i l e 函数以J P j 的形式进行存储。 4 ．3 特征提取程序 特征向量提取程序主要由图像读取、灰度分析子 函数、纹理分析子函数、数据存储等部分组成。L A B V I E W 中的N IV i s i o n 模块提供了I M A QH i s t o g r a p h 和 I M A QH i s t o g r a m 两种灰度分析子函数。纹理分析则 使用位于I m a g eP r o c e s s i n g 函数模块下的T e x t u r e 模 块中的I M A QC o o c c u r l ’e n eM a t i ‘i x 可直接得出H a r a l i ‘1 J 特征。用I M A QR e a dF i l e 读取已处理样本，格式 为8 位灰度，在调用灰度分析函数时，将函数的灰度 设置为0 ～2 5 5 。将得到的特征参数采用‘F D M S 数据 流格式存储。特征提向量提取程序界面如图1 2 所 示。 4 ．4 识别程序 煤、矸分类程序主要由样本采集、图像滤波、特征 向量的提取、L S