邱照玉，沈 寧，竇東陽，劉鋼洋

(1.中國礦業(yè)大學(xué) 化工學(xué)院，江蘇 徐州 221116；2.寧夏煤業(yè)洗選中心，寧夏 銀川 750409)

隨著“工業(yè)4.0”的熱潮及“中國制造2025”的提出與實施，自動化和人工智能在礦物加工領(lǐng)域中得到廣泛關(guān)注。選煤后矸石產(chǎn)品的矸石含煤率是選煤廠生產(chǎn)的關(guān)鍵指標之一。矸石含煤率高則選煤精度低，導(dǎo)致精煤產(chǎn)量下降，降低了企業(yè)的經(jīng)濟效益，而且浪費了運輸資源，增加了生產(chǎn)成本，更浪費了稀缺的煤炭資源。

一般矸石含煤率的測定是通過浮沉實驗，過程中需要人員大量采樣矸石，消耗人力物力，且檢測過程耗時過長，使得檢測滯后。為此需要一個新的檢測方法來快速、準確地檢測矸石含煤率。

目前基于機器視覺的圖像處理技術(shù)逐漸步入成熟，已經(jīng)在智能化選煤領(lǐng)域中得到運用。劉金平等[1]提出了一種基于尺度不變特征變換(SIFT)和改進的卡爾曼濾波的在線泡沫速度場測量方法，該方法可以準確獲得流到浮選池刮板的各種泡沫的速度場。林小竹等[2]利用分水嶺算法有效分割煤泥浮選泡沫圖像，計算出各個煤泥氣泡的橫截面積、周長、形狀等物理特征參數(shù)。何敏等[3]采用自動閾值法分割煤矸石圖像并二值化，提取其灰度與灰度共生矩陣等特征，采用支持向量機SVM實現(xiàn)煤與矸石的自動識別。同樣魯恒潤等人[4]提出基于BP神經(jīng)網(wǎng)絡(luò)的紋理和灰度特征的綜合分類方法來提高煤與矸石的識別率。Aldrich等[5]使用機器視覺系統(tǒng)來測量傳送帶上煤的粒度分布。張澤琳等[6]提出一種將對比度受限自適應(yīng)直方圖均衡法(CLAHE)和SUSAN邊緣檢測算法相結(jié)合的方法來檢測煤堆圖像中的煤粒邊緣，又結(jié)合圖像識別和神經(jīng)網(wǎng)絡(luò)對煤質(zhì)進行分析，包括煤粒質(zhì)量預(yù)測、煤堆粒度組成預(yù)測、煤堆密度組成預(yù)測和煤堆灰分預(yù)測，并建立煤粒圖像識別系統(tǒng)[7]。竇東陽等[8，9]詳細說明了在原煤外表面干燥、原煤外表面潮濕、外表面覆蓋干煤泥和外表面覆蓋濕煤泥條件下煤和矸石的圖像識別。沈?qū)幍萚10]研究了表面條件混合時煤與矸石的圖像識別。王家臣等[11]研究了不同光照度下煤矸圖像的灰度及紋理特征對煤矸識別的影響。受現(xiàn)場操作人員和上述成果的啟發(fā)，提出利用機器視覺代替人眼，對矸石含煤率進行快速檢測的方法。

1 二維圖像分割與特征提取

矸石含煤率是指矸石膠帶中煤的重量占所有重量的百分數(shù)，本質(zhì)上為一個質(zhì)量指標，考慮到通過單目相機提取的特征均為二維特征參數(shù)，在判斷立體的混合狀態(tài)下的煤與矸石的含煤率會導(dǎo)致偏差偏大，所以在單目相機旁邊增加雙目相機用于提取圖像的高度信息，在原有二維特征參數(shù)中增加三維特征參數(shù)，以提高模型預(yù)測的準確度。

1.1 圖像分割

為了從圖片中分割出膠帶上的煤和矸石，采用了基于Hessian矩陣的多尺度圖像分割算法[12]。首先，使用對比度受限的自適應(yīng)直方圖均衡化(CLAHE)恢復(fù)圖像的邊緣信息，用最小最大值濾波器來減少圖片的無關(guān)信息；然后通過基于Hessian矩陣和Gaussian函數(shù)的多尺度線性濾波器獲得圖像的邊緣強度；最后，使用雙閾值運算和形態(tài)學(xué)運算獲得圖像的邊緣，并通過分水嶺分割獲得各顆粒區(qū)域。

1.2 二維特征提取

提取分割區(qū)域的尺寸特征用于預(yù)測煤和矸石的體積。尺寸特征包括投影面積、周長、最小外接矩形的長和最小外接矩形的寬。其中，獲取顆粒區(qū)域的最小外接矩形是采用王偉星[13]提出的方法，該方法基于簡單的旋轉(zhuǎn)不變性原理，適用于涉及固體顆粒如壓碎的骨料顆粒的應(yīng)用中。利用拍攝帶有標尺的圖片，計算圖像中每個像素的面積和邊長，用累加的方式計算投影面積和邊長特征。

煤矸石在不同密度下亮度和顆粒質(zhì)地都會不同，因此使用灰度圖像的均值、方差和偏度作為灰度特征，使用灰度共生矩陣(GLCM)的特征來描述圖像的灰度空間相關(guān)性和亮度的變化，提取了灰度共生矩陣的對比度、相關(guān)性、能量、同質(zhì)性和熵[7，14]這五個特征。Tamura紋理適合于人的視覺感知，其特征更加直觀顯眼，所以提取了Tamura紋理的粗糙度、對比度和方向度[7，15]這三個特征。

將灰度特征、灰度共生矩陣特征和Tamura紋理特征作為分割區(qū)域的密度特征來表征煤和矸石的密度。本文使用的尺寸特征和密度特征見表1。

表1 煤與矸石的圖像特征

雙目相機與普通單反相機相比，成像質(zhì)量低，圖片較為模糊，如圖1所示，左側(cè)為單反相機成像圖，右側(cè)為雙目相機成像圖，不適宜提取圖像的均值、偏度以及粗糙度等特征，所以仍利用普通單反相機拍攝的圖片進行圖像分割和二維特征提取。

圖1 單目圖像(左)與雙目圖像(右)

2 第三維特征提取

2.1 雙目匹配算法

雙目立體匹配SGBM算法是一種半全局匹配算法，由Hirschmuller[16]等學(xué)者提出，SGBM算法以互信息為基礎(chǔ)，類似于全局二位平滑度約束算法的核心是通過兩個單張圖像的信息閾(圖像的分割基準)H1、H2和這兩張圖像的聯(lián)合信息閾H1，2進行定義互信息MI1，2的任務(wù)，互信息MI1，2則為算法的基礎(chǔ)，可用具體公式定義：

MI1，2=H1+H2-H1，2

SGBM算法的關(guān)鍵步驟包括：

1)步驟1：逐像素匹配計算。在此步驟中可以用函數(shù)p(xi，yi，IL，IR)來表示一對雙目圖像中，左右兩張圖像內(nèi)任意兩點為同名像點的可能性，函數(shù)具體公式可表示為：

式中，xi、yi分別表示左右兩張圖像任意兩個在相同掃描線上的像點；IL(xi)為左邊圖像在不同掃描線上的一系列像點的灰度特征信息；IR(yi)則為右邊圖像在不同掃描線上的一系列像點的灰度特征信息，這些信息能夠使用采集樣本像點進行線性內(nèi)插差值的方法得到。

2)步驟2：圖像邊緣約束。將二維約束匹配運算通過目標點圖像邊緣約束可以實現(xiàn)掃描線上一維相關(guān)計算。

3)步驟3：視差計算。視差計算通過迭代的方式得到。首先，用隨機的視差影像來糾正右影像，然后進行匹配，生成新的視差影像[17]。

4)步驟4：誤匹配的剔除。左右影像同名點匹配完成后，利用右影像中的點去匹配左影像中的同名點。如果兩次匹配得到的視差不相同，則視為無效匹配。

利用SGBM算法對雙目相機的左右目圖像進行匹配計算即可得到包含高度信息的深度圖，3D可視化后的深度圖像如圖2所示，其中顏色越淺代表高度越高，從深度圖可以直觀地看到圖像的第三維特征，通過對深度圖的分割計算即可得到圖片的三維特征參數(shù)(SD)。

圖2 3D可視化深度圖

3 PSO-SVM方法

支持向量機理論是由Vapnik[18]等人首先提出的。以統(tǒng)計學(xué)理論為基礎(chǔ)，在最小化樣本點誤差的同時，最小化結(jié)構(gòu)風(fēng)險，提高了模型的泛化能力，且沒有數(shù)據(jù)維數(shù)限制。有效避免了在其他學(xué)習(xí)方法中存在的“過學(xué)習(xí)”的情況發(fā)生。支持向量機在分類識別和非線性回歸方面都有著廣泛的應(yīng)用。由于支持向量機的輸入?yún)?shù)集(核參數(shù)γ，懲罰參數(shù)C，終止訓(xùn)練誤差e)會影響特征空間的框架和分類的成功率，因此在應(yīng)用支持向量機之前必須對輸入?yún)?shù)進行優(yōu)化。手動調(diào)節(jié)這些參數(shù)不僅耗時耗力，往往未必能夠得到最優(yōu)參數(shù)。利用PSO優(yōu)化SVM的目的就是通過PSO算法對參數(shù)尋優(yōu)。粒子群優(yōu)化算法(PSO)使用粒子群在目標函數(shù)的解空間中搜索最優(yōu)解，粒子群優(yōu)化算法已在各個領(lǐng)域中被用于優(yōu)化支持向量機模型，進而形成PSO-SVM算法[19，20]。

SVM讀取訓(xùn)練數(shù)據(jù)后，隨機生成一組向量作為初始坐標，并根據(jù)該坐標進行訓(xùn)練，并計算誤差的均方差，并將均方差折算成適應(yīng)度，然后根據(jù)PSO算法搜尋更好的參數(shù)值重新訓(xùn)練，直至適應(yīng)度滿足終止條件，終止迭代輸出最優(yōu)參數(shù)，得到最優(yōu)SVM模型。具體流程如圖3所示。

圖3 PSO-SVM訓(xùn)練過程流程圖

4 矸石含煤率檢測步驟

基于圖像分析和PSO-SVM的矸石含煤率檢測流程如圖4所示。首先對樣本進行拍照，得到樣本的單目圖像和雙目圖像，并通過浮沉實驗測量樣本的矸石含煤率實際值。然后，通過單目圖像利用圖像分割技術(shù)，根據(jù)圖像邊緣將圖片分割為各顆粒區(qū)域。將各顆粒區(qū)域進一步分類為矸石區(qū)域、煤區(qū)域和無用的膠帶區(qū)域，刪除膠帶區(qū)域并計算提取出其他區(qū)域的15個二維特征參數(shù)。通過深度圖提取圖像的三維特征參數(shù)高度比(SD)，最終提取包括二維特征參數(shù)在內(nèi)共16個特征參數(shù)。

圖4 基于圖像分析和PSO-SVM的矸石含煤率檢測流程

由于支持向量機的輸入?yún)?shù)過多會導(dǎo)致模型泛化能力不佳，所以在建模之前需要從最終特征參數(shù)中篩選出最優(yōu)輸入?yún)?shù)，再通過PSO-SVM算法建立最佳檢測模型。

5 矸石含煤率實驗

5.1 實驗過程

使用圖5所示試驗臺進行矸石含煤率的檢測實驗。

圖5 矸石含煤率實驗臺

實驗樣品來自紅柳選煤廠，從淺槽分選的產(chǎn)品膠帶上采集實驗樣品。從現(xiàn)場膠帶中共采集600kg樣本，分選過后的物料經(jīng)過初篩，煤矸粒級的范圍為25～100+(mm)，僅保留400kg可用樣本，經(jīng)過縮分混合后，保留實驗樣品約120kg，制備成51份樣本并依次放入膠帶中，在相同的照明環(huán)境下采集相應(yīng)樣本的單目圖像和雙目圖像，部分樣本圖像如圖6所示。圖片采集完成后，通過浮沉實驗獲得各樣本矸石含煤率的實際值。將單張圖片上的煤和矸石放入密度為1.9kg/L的重液中，分別撈出懸浮于上層的煤和下層的矸石，晾干后分別稱重，用煤的質(zhì)量除以煤矸總質(zhì)量即為矸石含煤率。矸石含煤率的部分結(jié)果見表2(GHM列)。

表2 圖像特征參數(shù)示例

圖6 部分樣本示例

樣本圖片進行圖像分割后的結(jié)果如圖7所示，其中1、2和6為煤粒區(qū)域，3和4為膠帶區(qū)域，5表示矸石區(qū)域。對分割后的圖片進行特征提取，對分割后的圖片進行特征提取，計算除膠帶區(qū)域3和4以外的各區(qū)域，通過各個特征提取算法提取出每個分割區(qū)域尺寸特征參數(shù)和密度特征參數(shù)。對于尺寸特征參數(shù)，將同一類別區(qū)域的每個特征參數(shù)相加求和，例如投影面積特征參數(shù)，在此圖片中，將區(qū)域1、區(qū)域2和區(qū)域6的投影面積特征參數(shù)相加，最終獲得煤的投影面積特征參數(shù)；對于密度特征參數(shù)，則進行平均運算。之后，將從矸石區(qū)域獲得的特征參數(shù)除以煤區(qū)域的特征參數(shù)，獲得該圖片的最終的二維特征參數(shù)。同理利用雙目圖像得到的煤和矸石的平均高度，用矸石的平均高度除以煤區(qū)域的平均高度可以得到三維特征參數(shù)高度比(SD)。

圖7 煤矸石的圖像分割

該圖片的分割結(jié)果中出現(xiàn)了過度分割，如區(qū)域5。但是，特征提取過程的求和與平均運算使得過度分割對最終結(jié)果影響較小。表2為最終獲得的特征參數(shù)示例，其中GHM表示矸石含煤率的實驗值。

輸入?yún)?shù)過多有時會導(dǎo)致支持向量機模型的擬合性較差，因此通過計算Pearson相關(guān)系數(shù)對最終特征參數(shù)進行篩選。根據(jù)Pearson相關(guān)系數(shù)計算公式：

如果Corr>0，表示特征與矸石含煤率為正相關(guān)；如果Corr<0，則為負相關(guān)。Corr的絕對值越大，表明該特征對預(yù)測矸石含煤率(GHM)的貢獻越大。

將表2中列出的每個特征進行Pearson相關(guān)系數(shù)計算。計算的Corr結(jié)果見表3。排除Pearson相關(guān)系數(shù)極小的特征參數(shù)后，實驗最終選擇8個特征作為支持向量機模型的輸入?yún)?shù)，見表4。

表3 Pearson相關(guān)系數(shù)

表4 模型的最終輸入

為了驗證最終輸入?yún)?shù)的合理性，將16個特征完整輸入PSO-SVM模型進行訓(xùn)練，設(shè)置對照組，最終對照組模型的預(yù)測結(jié)果見表5對照組，對照組的預(yù)測準確性明顯低于平面特征模型和三維特征模型，在一定程度上驗證了選取最終輸入?yún)?shù)的合理性。圖像的紋理特征多用于煤矸識別，對本文涉及的體積預(yù)測幫助較小。

5.2 結(jié)果與討論

將51個樣本集按2∶1的比例隨機分為訓(xùn)練集和測試集。使用PSO-SVM算法在訓(xùn)練集上建立最佳模型，并使用測試集來驗證模型的預(yù)測效果。

使用POS-SVM算法建立模型時，分別利用去除三維特征的訓(xùn)練集和完整的訓(xùn)練集建立平面特征模型和三維特征模型，以檢驗圖像的高度信息對模型預(yù)測結(jié)果的影響。

兩個模型的預(yù)測結(jié)果見表5，平面特征模型的最小相對誤差達到4.1%，最大相對誤差達到47.2%，平均相對誤差為16.3%，而三維特征模型的平均相對誤差僅為7.57%，遠遠小于平面特征模型，在增加圖像的三維特征信息之后，模型預(yù)測的準確性提高明顯。

表5 模型預(yù)測結(jié)果

三維特征模型的預(yù)測結(jié)果最大相對誤差為24.63%，最小相對誤差0.55%，平均相對誤差為7.57%低于現(xiàn)場規(guī)定的平均10%的需求，能夠代替人工方法進行檢測。

在圖像分割期間，欠分割和過分割的現(xiàn)象將影響煤塊區(qū)域的尺寸特征，尺寸特征作為模型的最終輸入?yún)?shù)將影響模型的準確性。下一步可以改進圖像分割方法，進一步提高模型的預(yù)測精度。

6 結(jié) 論

為了檢測矸石含煤率這一現(xiàn)場迫切需要的指標，提出了一種基于圖像處理和PSO-SVM算法的矸石含煤率檢測方法：

1)首先，根據(jù)單目圖像和雙目圖像分別提取圖像的15個二維特征參數(shù)和1個三維特征參數(shù)。基于Pearson相關(guān)系數(shù)的特征選擇法篩選出八個最優(yōu)特征作為支持向量機的輸入?yún)?shù)。同時通過設(shè)置對照組模型，驗證了選取輸入?yún)?shù)的合理性。

2)依據(jù)有無高度特征參數(shù)分別建立平面特征模型和三維特征模型，并依據(jù)檢測集的測試結(jié)果評估了兩個模型的性能。平面特征模型的平均相對誤差為16.3%，遠大于三維特征模型的7.57%。三維特征模型的性能遠優(yōu)于平面特征模型，引入高度特征參數(shù)極大提升了模型預(yù)測的準確率。

3)分析三維特征模型誤差產(chǎn)生的主要原因為圖像分割的精準度欠佳，導(dǎo)致尺寸特征參數(shù)的提取存在偏差，同時下一步將針對上述問題開展深入研究，提高預(yù)測的精度。

4)三維特征模型預(yù)測結(jié)果的平均相對誤差能夠滿足現(xiàn)場需求，證明了該方法對矸石含煤率的測量是有效的，有助于突破選煤廠重要指標在線檢測難的瓶頸，促進智能化選煤的發(fā)展。