郭永存何 磊劉普壯王 希

(1.安徽理工大學 深部煤礦采動響應與災害防控國家重點實驗室,安徽 淮南 232001; 2.安徽理工大學 礦山智能裝備與技術(shù)安徽省重點實驗室,安徽 淮南 232001; 3.礦山智能技術(shù)與裝備省部共建協(xié)同創(chuàng)新中心,安徽 淮南 232001; 4.安徽理工大學 機械工程學院,安徽 淮南232001)

傳統(tǒng)的機械化選煤方式如跳汰法、浮選法和重介淺槽法等,均會造成不可逆轉(zhuǎn)的空氣污染、水質(zhì)污染和地質(zhì)污染?，F(xiàn)存的人工選矸方式,成本高,工人工作環(huán)境差,分揀效率低[1-2]。隨著計算機計算能力和高速電路的發(fā)展,基于傳感器的煤矸光電分選技術(shù)廣受關(guān)注。光電分選技術(shù)不僅不消耗水資源和化學試劑,而且能耗低、效益大,在工業(yè)生產(chǎn)中逐漸應用[3-4]。目前,光電分選主要有2 種技術(shù)手段:①基于可見光成像的圖像識別技術(shù),即采用線陣相機對輸送帶上原煤流進行成像;②基于透射成像的圖像識別技術(shù),即采用高能射線(如γ射線、X 射線)對輸送帶上原煤流進行透射成像[5-6]。

基于可見光成像的圖像識別技術(shù),DOU Dongyang等通過建立Relief-SVM 分類器,分析了煤和矸石表面干、濕2 種情況的識別效果[7]。王家臣等討論了不同光照強度下煤和矸石的分類識別[8]。SUN Zhiyuan 等提出一種紋理融合超像素算法,以解決煤和矸石成像背景與前景難以分割問題[9]。LI Man 等以LS-SVM為分類器,發(fā)現(xiàn)聯(lián)合煤和矸石圖像偏斜度、對比度特征識別效果較好[10]。徐志強等通過對比多種深度卷積神經(jīng)網(wǎng)絡框架下模型對煤和矸石識別情況,發(fā)現(xiàn)SqueezeNet 網(wǎng)絡綜合能力最優(yōu)[11]。上述采用可見光成像的識別方法,易受光源、粉塵、成像背景和物料表面等不確定因素影響,在面向不同場景時,往往需要建立復雜的識別模型,導致決策能力受限。

最初采用的煤矸γ射線的透射識別技術(shù),因輻射難以控制問題,未被推廣使用。相較于γ射線,X 射線輻射可控性較高,且基于X 射線透射成像的圖像識別技術(shù)對環(huán)境敏感性較弱,目前被工業(yè)界普遍接受[12]。針對X 射線透射識別技術(shù),筆者通過建立NP-FSVM 分類器,融合單能X 射線圖像灰度、紋理特征對煤矸進行識別,獲得較高識別率[13]。但采用單能X 射線,完全忽視了厚度效應影響,易將較厚的煤識別為矸石、 較薄的矸石識別為煤。VON Ketelhodt L 等采用雙能X 射線獲取煤和矸石的等效原子序數(shù),依據(jù)等效原子序數(shù)差異來設定閾值分離煤和矸石[14]。KUERTEN Ariane Salvador 采用等效原子序數(shù)分割圖像,計算了煤和矸石圖像中矸石像素面積占比,以此對煤和矸石進行分類[15]。由于射源放射的X 射線為連續(xù)能譜,而簡化計算中將連續(xù)能譜等效為單一能譜,所以余暉效應、厚度效應和射束硬化效應仍然存在,導致煤和矸石的等效原子序數(shù)特征存在波動和交叉重疊。為了增強特征可分性,李振華等通過聯(lián)合礦石高能圖像灰度均值I,將礦石一維物質(zhì)屬性R值特征,擴展至二維R-I平面對厚度進行矯正[16]。徐明剛等提出采用二維隸屬度分割方法用于安檢系統(tǒng)物質(zhì)鑒別,矯正厚度影響,可基本區(qū)分開不同物質(zhì)R值重疊區(qū)域[17]。由此可見,對煤和矸石X射線圖像識別,消除厚度效應的同時,還應考慮融入高、低能圖像特征,并引入通過閾值分割后計算得到的矸石面積占比特征,進行多維度分析。

筆者通過研究雙能X 射線圖像目標區(qū)域R值均值與密度和灰分的關(guān)系,以此確定物質(zhì)屬性R值閾值。采用R值閾值和灰度均值對R值圖像和高、低能圖像進行分割,進而計算出不同物質(zhì)在單個目標中的面積比例,即矸石含量特征。進一步地,度量R值均值、矸石含量特征、高低能級圖像灰度特征、紋理特征的重要性,建立多維度分析識別模型,設計分類試驗,并通過試驗驗證不同煤種:肥煤、焦煤和氣煤分別混合矸石的識別情況。最終得到多維度特征中的最優(yōu)特征組合,同時實現(xiàn)一個模型識別多個環(huán)境場景下的差異煤質(zhì)。

1 圖像獲取與缺陷分析

1.1 圖像獲取

本文研究所用的煤和矸石分別取自于臨渙選煤廠變質(zhì)程度較高的焦煤、許疃煤礦變質(zhì)程度中等的肥煤以及來自顧橋煤礦變質(zhì)程度較低、揮發(fā)程度較高的氣煤。所選用的煤和矸石粒徑分布在30～100 mm,厚度分布在5～45 mm,密度分布在1.3～(+)1.8 kg/L((+)表征密度大于1.8 kg/L)。依據(jù)煤炭與矸石分類標準,將其中密度大于1.8 kg/L 的樣本歸為矸石[18-20]。

獲取煤和矸石X 射線透射圖像的試驗平臺隸屬于安徽中科光電色選機械有限公司與安徽理工大學產(chǎn)學研合作項目。核心部件包括:偉杰科技有限公司型號CISSY16 的雙能X 射線源和DT 北京有限公司型號CISTCQ16 的探測器。其中,X 射線源與安檢機同規(guī)格,電壓160 kV,電流2 mA,探測器的分辨率為1.5 mm。試驗平臺外殼內(nèi)部貼附鉛板層,厚度5 mm,用于阻隔X 射線輻射。在距離平臺外殼2～200 cm 測定輻射劑量,檢測值均小于1 μSv,遠低于國家射線輻射劑量標準要求[21]。圖像獲取過程,如圖1所示。

射源正下方排列有16 個探測卡,每個探測模塊可以采集64 個數(shù)據(jù),一次可采集2 048 個數(shù)據(jù)。所采數(shù)據(jù)中有1 024 個數(shù)據(jù)為低能X 射線圖像數(shù)據(jù),余下為高能X 射線圖像數(shù)據(jù)。每采集1 000 組射線強度信號,便在上位機中形成一張圖像,圖像像素為1 000×1 024。

1.2 圖像缺陷分析

1.2.1 厚度效應及射束硬化效應

由Lambert-Beer 定律可知[13],單一能量的高、低能X 射線穿透煤和矸石時:

式中,I為透射后X 射線探測器檢測到的信號強度;I0為入射的高、低能X 射線強度;μ為高、低能X 射線下同一個物質(zhì)的衰減系數(shù);h為被檢測物料厚度;ρ為被檢測物質(zhì)的密度。

將式(1)變換:

式(2)表明物質(zhì)衰減系數(shù)μ與物質(zhì)密度ρ以及物質(zhì)厚度h三個因素相互關(guān)聯(lián)。其中物質(zhì)衰減系數(shù)μ與物質(zhì)密度ρ為相關(guān)參數(shù),而物質(zhì)厚度h則為自由參數(shù)。

目前,雙能X 射線透射技術(shù)常通過提取物質(zhì)屬性R值來識別物質(zhì),即首先獲取高、低2 種不同能量的信號,然后采用比值法消除厚度和密度的影響。具體原理如下,假設低能區(qū)X 射線未透射煤和矸石前強度為Il0,透射后強度Il。高能區(qū)X 射線未透射煤和矸石前強度為Ih0,透射后強度Ih,代入Lambert-Beer 公式:

由式(3),(4)可得

式中,μl為低能區(qū)的物質(zhì)衰減系數(shù);μh為高能區(qū)的物質(zhì)衰減系數(shù)。

物質(zhì)屬性R值[20]表示為

然而,X 射線源產(chǎn)生的是連續(xù)能譜的X 射線,此時物質(zhì)衰減系數(shù)μ不是一個固定的參數(shù),而是與X射線能量相關(guān)的函數(shù)μ(E)。那么,對任意能量為E的X 射線[22],有

式中,I0(E)為入射前的高、低能X 射線強度;I(E)為入射后的高、低能X 射線強度。

此外,X 射線探測器對不同能量的X 射線探測效率不同,且不具有能量分辨能力。因而最終探測器獲取的數(shù)據(jù)信號是關(guān)于X 射線的能量進行積分后得到的結(jié)果[22]:

式中,Tj為探測器接收到的信號;I(E)為能量為E時的X 射線強度;Em為X 射線的能量譜上限;Pd(E)為探測器對能量為E的X 射線探測效率。

由式(8)可知,物質(zhì)厚度信息以指數(shù)形式包含在積分項內(nèi),無法通過比值法消除,進而引發(fā)了厚度效應。而不同能量的X 射線在同樣物質(zhì)中的衰減系數(shù)也不相同,由此引發(fā)了射束硬化作用[22]。厚度效應與射束硬化效應產(chǎn)生的直接影響是通過計算獲取的不同物質(zhì)的物質(zhì)屬性R值存在波動,甚至交叉,如圖2(a)所示。

1.2.2 余暉效應

當煤或矸石隨膠帶運送至X 射線透射區(qū)域時,采集到的透射信號強度并不會突然衰減,而是在緩慢的減小,隨后趨于穩(wěn)定,這種衰減延遲現(xiàn)象稱為X 射線探測器的余暉效應。如圖2(b)所示,余暉效應主要體現(xiàn)在煤和矸石低能X 射線圖像單列像素灰度值變化。余暉效應一方面會導致圖像灰度信息偏差,致使分割時無法精確提取物體邊緣信息,另一方面導致計算的物質(zhì)屬性R值出現(xiàn)偏差。

上述3 種缺陷,可通過一定方法進行矯正,但不能完全消除,而且矯正算法較為復雜。鑒于此,筆者將選擇保留缺陷影響,采用多個維度的特征來對煤和矸石進行識別,以求降低缺陷對識別率的影響。

2 特征提取方法

2.1 R 值均值

將連續(xù)能譜X 射線等效為單一能譜X 射線,因為X 射線透射前后信號強度可由圖像灰度值近似表達[23],所以計算物質(zhì)屬性R值前首先需要獲得空膠帶運轉(zhuǎn)下的X 射線高、低能透射圖像,作為入射前射線強度信號。由式(5),(6)可知R值圖像的計算表達又可表示為

式中,fl0(x,y)為空膠帶高能X 射線灰度值低能區(qū)圖像;fl(x,y)為物料在膠帶上高能X 射線灰度值低能區(qū)圖像;fh0(x,y)為空膠帶低能X 射線灰度值高能區(qū)圖像;fh(x,y)為物料在膠帶上低能X 射線灰度值高能區(qū)圖像;R(x,y)為計算得到的R值圖像。

定義Rk(x,y)為R(x,y)被分割后單個目標區(qū)域子圖像。那么,R值均值Ra特征計算式為

式中,Ra為Rk(x,y)圖像矩陣元素均值;T為Rk(x,y)圖像矩陣元素不為0 的個數(shù);a(i,j)為Rk(x,y)圖像矩陣元素值;p,q分別為Rk(x,y)圖像長度和寬度。

2.2 基于R 值的矸石含量特征

雙能X 射線透射煤矸時,物質(zhì)屬性R值僅與物質(zhì)密度與厚度有關(guān),利用雙能X 射線可以減小厚度效應影響,因此在一定粒級范圍內(nèi)可通過物質(zhì)密度來確定R值閾值。通過對不同密度級下的肥煤、焦煤和氣煤進行分析,提取其R值均值,得到R值均值與密度關(guān)系,如圖3(a)所示。同理,對不同密度級的肥煤、焦煤和氣煤進行灰分檢測,得到3 種煤不同密度級下對應灰分含量,如圖3(b)所示。

由圖3(a)可知,密度與R值均值呈正相關(guān);由圖3(b)可知,密度與灰分含量也呈正相關(guān)。原煤灰分含量越高,其發(fā)熱量越低,并且燃燒時產(chǎn)生污染物越多。中國國標規(guī)定:煤炭洗選利用中,灰分小于5%,稱為特低灰煤;灰分介于5.01%～10%稱為低灰煤;灰分介于10.01%～20% 稱為低中灰煤;灰分介于20.01%～30% 稱為中灰煤;灰分介于30.01%～40%稱為中高灰煤;灰分介于40.01%～50%稱為高灰煤。并且冶煉用煉焦精煤灰分一般小于12%,其他煉焦精煤灰分一般介于12.5%～16.0%[24]。從圖3(b)中可知,當3 種煤灰分約為16%時,平均密度約為1.48 kg/L,其對應R值均值約為1.3;當3 種煤灰分約為50%時,平均密度約為1.74 kg/L,其對應R值均值約為1.42。

選擇肥煤、焦煤和氣煤100 塊,并選擇矸石100塊,提取其R值均值,R值分割閾值選取如圖4所示。利用R值均值閾值對R值圖像進行劃分,并進行偽色彩處理。結(jié)果如圖5所示,綠色表示煤,紅色表示矸石。

圖3 密度與R 值和灰分之間關(guān)系Fig.3 Relationship between density and R-value and ash

圖4 R 值分割閾值選取Fig.4 R-value segmentation threshold selection

由圖5可知,針對R值圖像5(a),當劃定R值閾值為1.3 時,有較多的煤被判定為矸石,如圖5(b)所示(右2 列為煤);而劃定R值閾值為1.42 時,只有少量煤被判定為矸石,如圖5(c)所示。表現(xiàn)在圖像像素上,即圖5(c)綠色面積域相對圖5(b)明顯增加。增加的部分R值分布在1.30～1.42,表示密度分布在1.48～1.74 kg/L 的高灰分煤或由厚度效應和射束硬化效應影響產(chǎn)生的錯誤信息,如圖5(d)藍色區(qū)域所示。

圖5 R 值閾值圖像分割結(jié)果Fig.5 R-value image threshold segmentation results

為了更大程度的提取原煤中的煤塊,避免資源浪費,必須要求R值閾值盡可能的大,以至于將高灰分煤圖像像素面積域劃分為低灰煤的面積域。因此筆者將選取1.42 為閾值對R值圖像進行分割。

圖像分割后經(jīng)偽色彩處理,進行連通域檢測和連通域分離;將分離連通域后的圖像與偽色彩處理前圖像掩膜處理,得到單個目標區(qū)域子圖像。統(tǒng)計提取各目標矸石像素占比Rc,表達式為

式中,r為單個目標區(qū)域圖像中紅色像素個數(shù);v為綠色像素個數(shù)。

2.3 高低能圖像灰度、紋理特征

煤和矸石X 射線透射成像時,2 者灰度均值區(qū)分度最大[13],即灰度均值作為輸入特征分類表現(xiàn)較好。對消除背景后的灰度圖像進行連通域檢測與連通域分離,得到每張僅含有一個目標區(qū)域的子圖像?；叶染涤嬎愎綖?/p>

式中,G為灰度均值;T為子圖像像素灰度值不為0的個數(shù);b(i,j)為子圖像像素灰度值。

2.4 基于高、低能圖像灰度的矸石含量特征

選取肥煤、焦煤和氣煤100 塊,矸石100 塊,提取其高、低能圖像灰度均值,并以3 種煤和矸石均值之和的1/2 作為灰度分割閾值。對于高能圖像,其分割閾值為66.438, 對于低能圖像, 其分割閾值為48.728?；叶染捣植寂c劃分閾值如圖6所示。

圖7為高低能圖像灰度閾值分割結(jié)果。同理,求取偽色彩處理后單個目標圖像紅素面積占據(jù)整個目標的比例。記高、低能圖像矸石含量特征為Glc,Ghc。

綜上,對煤和矸石的圖像共提取8 組特征,此多維度特征組合形成一種強特征向量。一方面等效消除、矯正了煤和矸石的厚度效應;另一方面結(jié)合了不同能級下的圖像特征,進而弱化了余暉效應和射束硬化效應的影響。

3 Relief 特征選擇和分類模型

3.1 Relief 特征選擇

由于圖像特征提取過程消耗大量時間,而且并不是每一個特征都對分類起到關(guān)鍵作用,因此所提取特征中勢必存在冗余或?qū)Ψ诸惤Y(jié)果影響不明顯的特征?；赗elief 的過濾式特征選擇方法,根據(jù)各特征和類別的相關(guān)統(tǒng)計量賦予特征不同的權(quán)重,能夠很好的去除冗余[7]。給定訓練集{(x1,y1),(x2,y2),…,(xi,yi)},Relief 首先隨機選擇D個樣本,然后對樣本內(nèi)每個xi,先在其同類樣本尋找一個最近鄰xi,nh,稱為猜中近鄰(Near-Hit);從xi異類樣本中尋找一個最近鄰樣本xi,nm,稱為猜錯近鄰(Near-Miss)。相關(guān)統(tǒng)計量對應屬性j上的分量[25]為

其中,δj為相關(guān)統(tǒng)計量對應屬性j上的分量;xji為屬性j上的樣本;xji,nh為屬性j同類樣本尋找的1 個最近鄰樣本;xji,nm為異類樣本尋找的一個最近鄰樣本;diff 為一種函數(shù)運算表示,煤矸數(shù)據(jù)集屬性j為數(shù)值變量,則,表征曼哈頓距離,即取差的絕對值,xj a,xjb歸一化在[0,1]內(nèi),為樣本xa在屬性j上的取值,取決于屬性j的類型。

圖6 高、低能圖像灰度閾值選取Fig.6 High and low energy image gray value threshold selection

圖7 高、低能圖像灰度閾值分割結(jié)果Fig.7 High and low energy image gray threshold segmentation results

根據(jù)下述規(guī)則更新特征的權(quán)重。若xi和Near-Hit(xi,nh)在屬性j上的距離小于xi和Near-Miss(xi,nm)上的距離,則該屬性j對區(qū)分同類和異類樣本是有益的,即增加該屬性j對應統(tǒng)計分量的權(quán)重;反之亦然。重復以上過程L次,最后得到每個特征的平均權(quán)重。特征的權(quán)重越大,表示該特征的可分性越強。Relief 算法的運行時間隨樣本抽樣次數(shù)M和原始特征數(shù)的增加線性增加,運行效率非常高[25]。

3.2 分類模型

3.2.1 SVM(Support Vector Machines)

3.評估關(guān)系，權(quán)衡規(guī)避成本和展望未來。由于蘇南道達爾區(qū)塊綜合完井服務總包的重要性，因此我公司格外重視和甲方的合作關(guān)系。按照《哈佛管理導師》課程所講，遇到溝通難題時，評估關(guān)系非常必要。因為和甲方有著如此重要的長期合作關(guān)系，所以沖突必須要解決，如果解決不好，必定影響未來的合作和發(fā)展。

支持向量機是一種以監(jiān)督學習方式對數(shù)據(jù)進行二元分類的廣義線性分類器,其依據(jù)樣本學習建立最大邊距超平面決策邊界。SVM 分類方法能很好地解決煤和矸石這種非線性、小樣本分類問題。本文建立的支持向量機分類超平面判別函數(shù)與核函數(shù)[26-28]分別表示為

式中,sgn 為符號函數(shù);K為高斯徑向基核函數(shù);SV 為支持向量,為1 個集合;g為高斯徑向基核函數(shù)寬度。

3.2.2 PSO(Particle Swarm Optimization)

支持向量機分類模型建立過程中,超參數(shù)懲罰因子c和高斯徑向基核函數(shù)寬度g的選取直接影響到模型分類準確率和模型泛化能力。對參數(shù)c,g常見的選擇方法有試湊法、網(wǎng)格搜索法和交叉法等,這些方法均存在運算復雜、結(jié)果收斂性差等問題。而粒子群算法基于進化計算,通過群體中個體之間的協(xié)作與信息共享尋優(yōu),在參數(shù)選取、收斂速度具有很大優(yōu)勢[13]。

因此本文使用粒子群算法尋找超參數(shù)c,g的組合。PSO-SVM 模型優(yōu)化過程中,PSO 參數(shù)初始設置見表1。

4 討論與結(jié)果

4.1 模型分類結(jié)果分析

獲取密度分布在1.3～1.8 kg/L 的肥煤、焦煤和氣煤的單個目標圖像270 張,同時獲取矸石單個目標圖像270 張,密度大于1.8 kg/L。提取圖像8 組特征,給定煤的標簽為1,矸石標簽為2,組成數(shù)據(jù)集為540×9 的特征矩陣。部分特征提取結(jié)果見表2。

基于Relief 算法,對8 組特征賦予不同權(quán)重,設定抽樣次數(shù)為M=80,取L=20 次重復運行,計算權(quán)重平均值并繪制各特征權(quán)重曲線,如圖8所示。

表2 部分目標特征提取結(jié)果Table 2 Partial target feature extraction results

圖8 Relief 特征選擇結(jié)果Fig.8 Relief feature selection result

由圖8可知,權(quán)重的大小排列順序為:Rc>Glc>Gl>Ra>Ghc>Gh>Tl>Th。矸石含量Rc,Glc,Ghc作為煤和矸石分選時的統(tǒng)計特征,權(quán)重系數(shù)較高,也即對煤和矸石的區(qū)分程度最好。R值圖像特征與高、低能圖像特征Rc,Glc,Gl,Ra,Ghc在總體特征上權(quán)重較高,而高、低能圖像特征Gh,Tl,Th在總體特征上權(quán)重系數(shù)較小?？梢?對煤和矸石采用雙能X 射線識別,應重點關(guān)注R值圖像特征與高能圖像特征。

將數(shù)據(jù)集進行隨機排序,為驗證數(shù)據(jù)集的穩(wěn)定性,將其分為10 組,采用10 折交叉驗證方法,對數(shù)據(jù)集訓練并測試。以10 次試驗測試集分類準確率均值作為最終測試結(jié)果。每次試驗剔除一個權(quán)重較低的特征量。以多組機器學習中常用分類器模型,如邏輯回歸(LRC)、判別分析法(DAC)、 集成學習法(ELRF)、K 最近鄰(KNN)、決策樹(TREES)、BP 神經(jīng)網(wǎng)絡(BP)為參照,對比分析剔除權(quán)重較低特征后分類模型分類準確率變化趨勢。

試驗過程中,記錄每組分類器訓練時間,將統(tǒng)計結(jié)果繪制為折線圖用于趨勢分析,如圖9所示。

圖9表明,隨著每次剔除一個權(quán)重系數(shù)較低的特征,不同的分類器識別率均先增加,后趨于穩(wěn)定。輸入特征較多時,在高維空間中,一些權(quán)重較低的特征存在交叉,可分性弱,因此識別率較低。伴隨權(quán)重較低的特征被剔除,高維空間統(tǒng)計特征交叉減輕,可分性增強,因此識別率增加。但隨著特征數(shù)量進一步減少,受余暉效應、厚度效應以及射束硬化效應影響,煤和矸石的統(tǒng)計特征在低維空間再次出現(xiàn)交叉,因此分類器識別率又大幅降低。

輸入特征的減少與分類器消耗時間總體呈負相關(guān)。其中PSO-SVM,LRC,KNN,BP 分類器對肥煤、焦煤和氣煤混合矸石識別效果較好。本文建立的PSO- SVM 分類模型識別準確率最高,可達到99.4%,同時耗時最短。其中最優(yōu)特征組合為[Rc,Glc,Gl,Ra],分類模型的最佳超參數(shù)組合為:c=99.063 6,g=0.01。

圖9 分類測試結(jié)果Fig.9 Classification test results

4.2 不同方法對比分析

將本文提出多維度分析方法與其他4 種方法進行比較,例如:采用單能X 射線圖像特征中灰度特征(灰度均值、灰度方差)聯(lián)合紋理特征(對比度、相關(guān)性、能量、熵)的識別方法[13];基于等效原子序數(shù)的煤和矸石識別方法[14];基于等效原子序數(shù)分割圖像,提取目標區(qū)矸石像素面積占比的方法[15];基于物質(zhì)屬性R值聯(lián)合高能圖像灰度均值特征I的識別方法[16-17],結(jié)果見表3。

表3 不同方法對比Table 3 Comparison of different methods

由表3可知,本文提出方法對煤和矸石的識別率高于上述4 種方法,且具有以下優(yōu)勢:①采用雙能X射線消除、矯正了厚度效應影響;②通過多維度分析判斷,降低了余暉效應和射束硬化效應影響;③建立了基于機器學習算法的分類識別模型,提高了識別效率。

5 試驗驗證

在中國境內(nèi),不同礦區(qū)煤變質(zhì)程度不一,因此其品質(zhì)均存在差異。例如:在中國河北開灤庒煤礦、山東棗莊山家林煤礦和山西古交鎮(zhèn)城底煤礦等多產(chǎn)肥煤;河北峰峰二礦、安徽淮北張莊礦和四川攀枝花的大寶頂煤礦等多產(chǎn)焦煤;而淮南望峰崗等礦區(qū)多產(chǎn)出氣煤。在第4.1 節(jié)試驗中,以3 種不同品質(zhì)的煤和矸石訓練模型分類器,然后對3 種煤混合矸石進行識別,取得較好效果。若對某一處產(chǎn)煤品質(zhì)較為單一的礦區(qū),例如某礦區(qū)煤的品質(zhì)趨于肥煤、焦煤或氣煤中的一種,那么還要測試模型對單一品質(zhì)煤矸混合識別效果。

基于PSO-SVM 模型分類器,采用最優(yōu)特征組合[Rc,Glc,Gl,Ra]對單一品質(zhì)的煤和矸石進行分類識別。試驗分別獲取肥煤、焦煤和氣煤子圖像各90 張,矸石圖像各90 張。以第4 章節(jié)試驗中訓練好的PSO-SVM 模型對驗證數(shù)據(jù)進行分類,每組驗證數(shù)據(jù)包含90 組煤和90 組矸石特征信息,結(jié)果見表4。

表4 單一品質(zhì)煤混合矸石識別結(jié)果Table 4 Single-quality coal mixed gangue identification results

驗證結(jié)果顯示,分類模型對肥煤混合矸石識別率為98.89%,焦煤混合矸石的識別率為100%,氣煤混合矸石的識別率為99.44%。實際工程應用中,依據(jù)文中方法預調(diào)整參數(shù)后,可基本保持參數(shù)統(tǒng)一不變。

6 結(jié) 論

(1)聯(lián)合R值圖像特征與高、低能圖像特征對煤和矸石進行多維度分析,降低了圖像識別過程余暉效應、厚度效應和射束硬化效應帶來的誤判影響。PSO-SVM 分類模型聯(lián)合最優(yōu)特征組合[Rc,Glc,Gl,Ra],應對單一品質(zhì)煤塊混合矸石分類準確率均在98%以上;應對多種煤質(zhì)混合并混合矸石的識別率可達99.4%。

(2)R值圖像與高能圖像特征,在煤和矸石之間的可區(qū)分性較強,尤其涉及基于R值圖像與高能圖像提取的矸石含量特征。

(3)雙能X 射線物質(zhì)識別技術(shù),對不同產(chǎn)地、不同種類的煤敏感性低,結(jié)合多維度分析方法,減少了工程應用中根據(jù)礦區(qū)煤質(zhì)差異進行參數(shù)調(diào)整的頻次。