龐尚鐘，李 博，王學(xué)文，王璐瑤，高新宇，宋 旸，丁恩發(fā)

(1.太原理工大學(xué) 機(jī)械與運(yùn)載工程學(xué)院，山西 太原 030024；2.煤礦綜采裝備山西省重點(diǎn)實(shí)驗(yàn)室，山西 太原 030024；3.山西焦煤汾西礦業(yè) 正文煤業(yè)，山西 孝義 032300；4.大同煤礦集團(tuán)機(jī)電裝備約翰芬雷洗選技術(shù)設(shè)備有限公司，山西 大同 037300)

作為全球最大的煤炭生產(chǎn)與消費(fèi)國(guó)，煤炭占據(jù)我國(guó)一次能源的60%左右，對(duì)于中國(guó)能源體系具有不可替代的作用。在現(xiàn)代機(jī)械化開(kāi)采過(guò)程中，經(jīng)常出現(xiàn)的煤巖斷層等各種環(huán)境現(xiàn)象均會(huì)導(dǎo)致原煤中含矸率的上升，影響原煤質(zhì)量。因此，選煤是實(shí)現(xiàn)煤炭高效、潔凈利用的有效方案[1，2]。目前，我國(guó)主要通過(guò)人工揀選和機(jī)械濕選法進(jìn)行原煤洗選，基于X、γ射線的自動(dòng)化選煤技術(shù)也在逐步應(yīng)用與推廣[3]。人工揀選無(wú)法保證分選質(zhì)量，且工作環(huán)境惡劣、危害工人身體健康，而濕選法成本高、水資源耗費(fèi)大，還會(huì)造成環(huán)境次生污染，射線選煤技術(shù)則易受水分影響，且具有輻射危害作用，難以用于井下排矸[4，5]。

機(jī)器視覺(jué)檢測(cè)技術(shù)作為一種無(wú)接觸、高智能化、安全可靠的先進(jìn)檢測(cè)方法，在煤炭生產(chǎn)領(lǐng)域被用于研究煤巖界面識(shí)別、干法選煤、輸送帶調(diào)速等[6-8]。在基于機(jī)器視覺(jué)的干法選煤研究中，王家臣詳細(xì)分析了不同光照強(qiáng)度下煤矸圖像灰度及紋理特征變化情況，為機(jī)器視覺(jué)選煤裝備的光源設(shè)計(jì)提供了依據(jù)[9]，竇東陽(yáng)針對(duì)實(shí)際應(yīng)用中經(jīng)常遇到的表面干燥原煤、濕凈面原煤、干煤泥覆蓋和濕煤泥覆蓋四種工況圖像，采用Relief-SVM進(jìn)行了分類(lèi)識(shí)別研究[10]，郭永存等人提出了一種POS-NP-FSVM方法，用來(lái)對(duì)X射線檢測(cè)中生成的圖像進(jìn)行識(shí)別[11]，趙國(guó)利設(shè)計(jì)了一套機(jī)器視覺(jué)實(shí)時(shí)煤矸檢測(cè)系統(tǒng)[12]。這些研究都從各自角度證明了機(jī)器視覺(jué)方法選煤的可行性，為實(shí)際工程應(yīng)用提供了大量的參考。從上述研究中可以看出，基于支持向量機(jī)的煤矸分選方法雖有研究，但成型的實(shí)時(shí)識(shí)別與分選系統(tǒng)較少，相應(yīng)工程測(cè)試不夠充分，仍有待研究完善。

本文基于帶式輸送機(jī)，針對(duì)原煤中的塊狀矸石，設(shè)計(jì)了一種基于機(jī)器視覺(jué)的煤矸智能識(shí)別系統(tǒng)，在運(yùn)輸過(guò)程中通過(guò)工業(yè)相機(jī)進(jìn)行圖像采集，由上位機(jī)系統(tǒng)進(jìn)行圖像處理和識(shí)別，最終輸出識(shí)別信號(hào)。該系統(tǒng)的設(shè)計(jì)實(shí)現(xiàn)能夠有效減少入選原煤的含矸量，縮減洗選成本，且設(shè)備開(kāi)發(fā)周期短，可在原有設(shè)備上進(jìn)行適應(yīng)性改造，進(jìn)一步研究可適用于井下排矸技術(shù)的實(shí)現(xiàn)，對(duì)實(shí)現(xiàn)井下采選充一體化、綠色高效開(kāi)采具有重大推動(dòng)作用。

1 煤矸識(shí)別系統(tǒng)

1.1 系統(tǒng)工作原理

煤和矸石表面色澤的差異導(dǎo)致煤和矸石對(duì)光的反射和吸收存在差異，在視覺(jué)中直觀表現(xiàn)為煤樣本更黑、矸石樣本更灰白，在數(shù)字圖像處理中主要具體表現(xiàn)為圖像灰度的差異。煤和矸石表面紋理也存在區(qū)別，與煤相比，矸石質(zhì)地較硬，表面紋理更均勻且不存在明顯反光區(qū)域?；跈C(jī)器視覺(jué)的煤矸識(shí)別就是根據(jù)煤和矸石表面的差別進(jìn)行分類(lèi)識(shí)別的，通過(guò)工業(yè)相機(jī)采集圖像，由上位機(jī)實(shí)時(shí)處理煤和矸石圖像并進(jìn)行信息提取，其特征信息用于分類(lèi)識(shí)別，位置信息則用來(lái)確定信號(hào)發(fā)送的延遲時(shí)間，最終由執(zhí)行機(jī)構(gòu)實(shí)現(xiàn)精準(zhǔn)的打擊分離。

1.2 硬件系統(tǒng)

基于機(jī)器視覺(jué)的煤矸識(shí)別系統(tǒng)是依托于皮帶運(yùn)輸機(jī)搭建的，目的是在原煤運(yùn)輸中，剔除原煤中粒徑較大的塊狀矸石，縮減入洗成本。系統(tǒng)硬件主要由整列機(jī)構(gòu)、上位機(jī)、圖像采集裝置、控制系統(tǒng)、分選機(jī)構(gòu)組成，系統(tǒng)結(jié)構(gòu)如圖1所示。

圖1 基于機(jī)器視覺(jué)的煤矸識(shí)別系統(tǒng)

整列機(jī)構(gòu)實(shí)現(xiàn)對(duì)原煤的分列運(yùn)輸，使原煤有序的經(jīng)過(guò)圖像采集裝置；圖像采集裝置包括數(shù)字工業(yè)相機(jī)和光源，工業(yè)相機(jī)對(duì)分列運(yùn)輸?shù)拿喉愤M(jìn)行實(shí)時(shí)圖像采集并傳輸至上位機(jī)，光源則提供適宜的照明來(lái)保持圖像特征并增強(qiáng)對(duì)比度；上位機(jī)和控制系統(tǒng)由計(jì)算機(jī)和單片機(jī)組成，計(jì)算機(jī)實(shí)現(xiàn)煤和矸石的實(shí)時(shí)圖像處理并向單片機(jī)發(fā)送信號(hào)，單片機(jī)則控制分揀機(jī)構(gòu)實(shí)現(xiàn)分揀動(dòng)作。

1.3 軟件系統(tǒng)

基于機(jī)器視覺(jué)的煤矸識(shí)別系統(tǒng)采用Microsoft Visual Studio 2017作為開(kāi)發(fā)工具，調(diào)用OpenCV計(jì)算機(jī)視覺(jué)庫(kù)進(jìn)行圖像處理，并結(jié)合Teledyne DALSA所提供的SDK進(jìn)行MFC平臺(tái)開(kāi)發(fā)，系統(tǒng)采用C++語(yǔ)言進(jìn)行開(kāi)發(fā)，識(shí)別系統(tǒng)流程如圖2所示。

圖2 基于機(jī)器視覺(jué)的煤矸識(shí)別系統(tǒng)流程

軟件系統(tǒng)工作界面簡(jiǎn)化圖如圖3所示，包括多種控制及顯示功能。圖像采集和處理：該部分控制相機(jī)采集操作的啟停及模式，包含兩種采集模式，當(dāng)啟動(dòng)“圖像處理”時(shí)，系統(tǒng)對(duì)實(shí)時(shí)采集的圖像進(jìn)行圖像處理、特征提取、分類(lèi)識(shí)別；文件控制：“新建圖像”能夠覆蓋顯示界面的原有圖像，“加載圖像”則是將本地圖像加載進(jìn)入系統(tǒng)，用于系統(tǒng)算法調(diào)試；相機(jī)設(shè)置：在系統(tǒng)停止采集時(shí)，可以通過(guò)“加載配置”來(lái)改變相機(jī)的采集參數(shù)，包括圖像大小、采集速率等，通過(guò)調(diào)用SDK中的SapAcqDevice對(duì)采集頻率、圖像大小進(jìn)行設(shè)置；存儲(chǔ)部分：系統(tǒng)默認(rèn)不進(jìn)行圖像存儲(chǔ)，因此需通過(guò)“激活存儲(chǔ)”來(lái)進(jìn)行實(shí)時(shí)圖像存儲(chǔ)，通過(guò)“存儲(chǔ)地址”選擇存儲(chǔ)路徑，“BMP”、“JPG”為圖像的存儲(chǔ)格式；顯示部分：對(duì)圖像和部分特征信息實(shí)時(shí)顯示；串口通信：對(duì)單片機(jī)進(jìn)行數(shù)據(jù)傳輸。

圖3 軟件系統(tǒng)工作界面簡(jiǎn)化圖

2 圖像處理及特征提取

2.1 圖像獲取

在實(shí)驗(yàn)室環(huán)境中搭建試驗(yàn)平臺(tái)，進(jìn)行圖像采集及系統(tǒng)測(cè)試研究，實(shí)驗(yàn)臺(tái)如圖4所示。采用數(shù)字工業(yè)相機(jī)(DALSA LA-GM-02K08A-00-R)進(jìn)行圖像采集，相機(jī)通過(guò)GigE線纜與電腦連接來(lái)實(shí)現(xiàn)數(shù)據(jù)傳輸，光源采用高均勻線性光源(DHSLP-900W)提供線性照明，光源可通過(guò)控制器進(jìn)行強(qiáng)度調(diào)節(jié)。帶式輸送機(jī)可實(shí)現(xiàn)無(wú)級(jí)調(diào)速，工業(yè)相機(jī)的采集頻率隨帶速增加而增加。

圖4 煤矸識(shí)別實(shí)驗(yàn)臺(tái)

本文以山西西山、內(nèi)蒙古和陜西神木的煤和矸石作為分類(lèi)對(duì)象，煤和矸石表面沾染的煤粉及泥土不做任何處理，分別選取各產(chǎn)地70個(gè)煤矸樣本進(jìn)行圖像采集，得到煤炭和矸石樣本圖像各210張，部分樣本如圖5所示，M1-M3為煤，G1-G3為矸石。

圖5 煤和矸石樣本

2.2 圖像處理

圖像處理是機(jī)器視覺(jué)選煤技術(shù)的關(guān)鍵，煤炭生產(chǎn)運(yùn)輸環(huán)境復(fù)雜，工業(yè)相機(jī)采集的圖像易受到粉塵、振動(dòng)等環(huán)境影響，導(dǎo)致圖像質(zhì)量降低，影響最終的分選結(jié)果[13]。因此不僅需要將相機(jī)與振動(dòng)源分離安裝，還需保持高強(qiáng)度均勻照明，在圖像處理過(guò)程中也需要進(jìn)行圖像消噪等處理，保證圖像信息準(zhǔn)確。

實(shí)驗(yàn)中的圖像處理均是在識(shí)別系統(tǒng)中進(jìn)行的，圖像處理流程如圖6所示。為去除所采集圖像中的噪聲信息，通過(guò)中值濾波處理來(lái)提高圖像質(zhì)量，再通過(guò)拉普拉斯算子進(jìn)行邊緣銳化處理。然后采用預(yù)先建立的平均背景模型，將背景差分得到的圖像進(jìn)行二值分割，分割閾值通過(guò)OTSU法計(jì)算得出。圖像分割完成后，通過(guò)形態(tài)學(xué)操作和連通域分析去除圖像斑點(diǎn)和目標(biāo)孔洞，進(jìn)行連通輪廓分析，最終取目標(biāo)區(qū)域中內(nèi)接矩形進(jìn)行局部灰度特征提取，實(shí)現(xiàn)背景信息的完全消除。

圖6 圖像處理流程

2.3 圖像特征

機(jī)器視覺(jué)識(shí)別系統(tǒng)是通過(guò)圖像特征參數(shù)進(jìn)行分類(lèi)識(shí)別的，識(shí)別系統(tǒng)設(shè)計(jì)中采用了圖像的灰度特征和紋理特征。

圖像灰度均值和峰值灰度是圖像最基本的灰度特征，兩者都反映出一幅圖像整體色澤的深淺。如圖7所示，對(duì)所有樣本進(jìn)行灰度特征提取并生成散點(diǎn)圖，從圖中可以看出，灰度均值和峰值灰度均有較好的分割區(qū)間，但是有一定的分布混雜現(xiàn)象。煤和矸石樣本灰度信息的統(tǒng)計(jì)見(jiàn)表1，可以看出以固定閾值作為分類(lèi)標(biāo)準(zhǔn)將會(huì)造成一定的誤識(shí)別。于國(guó)防、王家臣等人的研究結(jié)果表明，煤和矸石的灰度特征會(huì)隨環(huán)境發(fā)生變化[9，14]，因此采用基于灰度特征的固定閾值分類(lèi)方式可能無(wú)法保證工程應(yīng)用中識(shí)別的準(zhǔn)確率。

圖7 樣本灰度特征分布圖

表1 樣本灰度信息統(tǒng)計(jì)表

圖像紋理特征是一種全局特征，它也描述了圖像或圖像區(qū)域所對(duì)應(yīng)景物的表面性質(zhì)。文中的圖像紋理特征是基于Haralick等人提出的灰度共生矩陣提取的，選用其中4個(gè)特征參數(shù)進(jìn)行分類(lèi)識(shí)別研究，以此來(lái)減少計(jì)算難度，加快處理速度。灰度共生矩陣的數(shù)學(xué)表達(dá)式為[15]：

P(i，j，d，θ)={[(x，y)，(x+a，y+b)|g(x，y)=i；g(x+a，y+b)=j]}

(1)

能量(ASM)、對(duì)比度(CON)、熵(ENT)和逆差矩(IDM)分別從不同角度描述了圖像的紋理特征。圖8所示為4個(gè)紋理特征分布情況，從圖8中可以看出，煤和矸石樣本數(shù)據(jù)的分布范圍存在著較大的重合。樣本紋理特征數(shù)據(jù)統(tǒng)計(jì)表見(jiàn)表2，表2中顯示了在最佳分類(lèi)閾值下煤和矸石的紋理特征分布情況，閾值通過(guò)分析各組特征數(shù)據(jù)得出。不難看出，基于某一紋理特征設(shè)定閾值進(jìn)行分類(lèi)識(shí)別是不可行的。

從上述煤和矸石樣本的特征分析來(lái)看，煤和矸石樣本的灰度特征重合度較小，即使通過(guò)設(shè)定閾值也可達(dá)到不錯(cuò)的分類(lèi)效果，而紋理特征則相反，這表明灰度特征比紋理特征具有更好的區(qū)分度。

3 分類(lèi)識(shí)別

3.1 支持向量機(jī)

支持向量機(jī)(SVM)是一種二分類(lèi)模型，它的目的是尋找一個(gè)超平面來(lái)對(duì)樣本進(jìn)行分割，分割的原則是間隔最大化，最終轉(zhuǎn)化為一個(gè)凸二次規(guī)劃問(wèn)題來(lái)求解，是一種有監(jiān)督學(xué)習(xí)算法[16，17]。同時(shí)，SVM是基于小樣本統(tǒng)計(jì)理論的基礎(chǔ)上的，該方法在解決小樣本、非線性以及高維識(shí)別問(wèn)題中表現(xiàn)出許多特有的優(yōu)勢(shì)。

基于煤矸圖像特征的分類(lèi)識(shí)別問(wèn)題是一種線性不可分問(wèn)題。針對(duì)此類(lèi)線性不可分問(wèn)題，SVM 的處理方法是選擇一個(gè)核函數(shù)，通過(guò)將數(shù)據(jù)映射到高維空間，來(lái)解決在原始空間中線性不可分的問(wèn)題。文中選擇徑向基作為核函數(shù)，因其具有訓(xùn)練過(guò)程快、性能穩(wěn)定、推廣能力好的優(yōu)勢(shì)[18]，徑向基核函數(shù)表達(dá)式如下：

式中，g為寬度參數(shù)，表征RBF核函數(shù)寬度。

圖8 樣本紋理特征分布圖

表2 樣本紋理特征數(shù)據(jù)統(tǒng)計(jì)表%

3.2 SVM參數(shù)設(shè)置及優(yōu)化

誤差懲罰參數(shù)C和RBF核函數(shù)的寬度參數(shù)g是影響分類(lèi)器性能的兩個(gè)重要參數(shù)。C過(guò)大，算法復(fù)雜度變大，同時(shí)泛化能力降低，此時(shí)稱(chēng)作“過(guò)學(xué)習(xí)”；C過(guò)小，算法較簡(jiǎn)單，但經(jīng)驗(yàn)風(fēng)險(xiǎn)值比較大，此時(shí)稱(chēng)作“欠學(xué)習(xí)”。對(duì)于寬度參數(shù)g，g越大，則支持向量越少，SVM學(xué)習(xí)變差，分類(lèi)能力降低；g過(guò)小，支持向量過(guò)多，產(chǎn)生過(guò)度擬合現(xiàn)象。合理的選擇C和g數(shù)值，將會(huì)提高分類(lèi)器的學(xué)習(xí)和判別能力。

粒子群優(yōu)化(Particle Swarm Optimization PSO)最早是由Eberhart和Kennedy于1995年提出，它用一種具有速度和位置屬性的粒子來(lái)模擬覓食鳥(niǎo)類(lèi)個(gè)體，每個(gè)粒子可視為N維搜索空間中的一個(gè)搜索個(gè)體，粒子的當(dāng)前位置即為對(duì)應(yīng)優(yōu)化問(wèn)題的一個(gè)候選解，粒子的飛行過(guò)程即為該個(gè)體的搜索過(guò)程[19，20]。文中通過(guò)PSO優(yōu)化算法對(duì)SVM分類(lèi)器的參數(shù)C和g進(jìn)行尋優(yōu)，設(shè)置迭代次數(shù)為50次，粒子規(guī)模為20，均在0.01～60區(qū)間內(nèi)進(jìn)行尋優(yōu)，其結(jié)果見(jiàn)表3。

表3 PSO參數(shù)優(yōu)化結(jié)果

3.3 分類(lèi)結(jié)果分析

分別取90組煤和矸石圖像樣本的特征作為分類(lèi)器訓(xùn)練集，其中各類(lèi)煤和矸石各30組，部分樣本特征提取見(jiàn)表4，1—3號(hào)樣本為煤樣本，4—6號(hào)為矸石樣本。

表4 部分樣本特征提取

分別以灰度特征、紋理特征及組合特征作為輸入進(jìn)行訓(xùn)練，每次訓(xùn)練均采用經(jīng)PSO優(yōu)化后的參數(shù)。使用訓(xùn)練后的分類(lèi)器對(duì)剩余的煤和矸石各120組數(shù)據(jù)進(jìn)行分類(lèi)，分類(lèi)結(jié)果見(jiàn)表5。從表中可以看出，以灰度特征或組合特征作為輸入所訓(xùn)練產(chǎn)生的分類(lèi)器具有較好的識(shí)別效果，分別能達(dá)到95.83%和93.75%，而以紋理特征作為輸入的分類(lèi)準(zhǔn)確率只有72.92%。可以看出，分類(lèi)器輸入為灰度特征時(shí)比紋理特征具有更高的識(shí)別率；而當(dāng)以灰度特征和紋理特征組合成新向量輸入時(shí)，分類(lèi)器識(shí)別率反而降低，可能是紋理特征中無(wú)效信息的干擾導(dǎo)致識(shí)別率降低。

表5 測(cè)試分類(lèi)結(jié)果

4 結(jié) 論

1)設(shè)計(jì)了一種基于機(jī)器視覺(jué)的煤矸智能識(shí)別系統(tǒng)，以線陣相機(jī)作為采集工具，并開(kāi)發(fā)了適用的軟件平臺(tái)，實(shí)現(xiàn)了煤矸圖像的實(shí)時(shí)采集與識(shí)別。

2)隨機(jī)選取山西西山、內(nèi)蒙古、陜西神木的煤和矸石作為研究對(duì)象，對(duì)樣本的6個(gè)特征數(shù)據(jù)進(jìn)行分析，特征分析表明：灰度特征比紋理特征具有更大的區(qū)分度。

3)選取灰度特征、紋理特征、組合特征作為輸入進(jìn)行PSO-SVM分類(lèi)器訓(xùn)練和識(shí)別實(shí)驗(yàn)，識(shí)別率分別為95.83%、72.92%、93.75%，結(jié)果表明灰度特征的識(shí)別效果最佳。

4)系統(tǒng)采用6個(gè)特征作為PSO-SVM分類(lèi)器輸入，取得了較好的識(shí)別效果，但特征選擇還需進(jìn)一步優(yōu)化，系統(tǒng)也需進(jìn)行更多適用性測(cè)試。