苗長云，陳 雯

（天津工業(yè)大學(xué) 電子與信息工程學(xué)院，天津 300387）

帶式輸送機(jī)是一種現(xiàn)代化生產(chǎn)中持續(xù)運(yùn)輸設(shè)備，具有運(yùn)量大、運(yùn)距遠(yuǎn)、能耗小、運(yùn)費(fèi)低、效率高、運(yùn)行平穩(wěn)、裝卸方便、適合于散貨物料運(yùn)輸?shù)葍?yōu)點(diǎn)，與汽車、火車一起成為三大主力工業(yè)運(yùn)輸工具，已被廣泛應(yīng)用于煤炭、礦山、港口、電力、冶金、化工等領(lǐng)域[1-2]。

原煤是直接從煤礦中開采出來、沒有經(jīng)過任何處理的煤炭，其中含有矸石等雜物。目前常用的選矸方法[3]有人工法選煤、跳汰法選煤、干洗法選煤、射線探測選煤等，這些選矸方法都普遍存在分選環(huán)境惡劣、需要的人工勞動強(qiáng)度大、檢測效率低等問題。

于國防等[3]提出了不同光照條件下的基于灰度均值和方差的煤矸石識別方法，以代表性的煤塊和矸石作為研究對象，具有一定局限性。譚春超[4]利用圖像處理技術(shù)在模擬現(xiàn)場情況實(shí)現(xiàn)對煤與矸石的識別與定位，而實(shí)際生產(chǎn)中煤與矸石是在輸送帶上實(shí)時運(yùn)行，因此需要考慮算法的處理時間與輸送帶的帶速、煤與矸石量和PLC控制機(jī)械手動作時間的匹配等問題。而在現(xiàn)場情況中，煤塊和矸石的大小、形狀是不同的，只選取具有代表性的矸石和煤塊具有一定的局限性；輸送帶上表面并不是整潔的，而是存在很多的煤渣等雜物；煤和矸石是在輸送帶上實(shí)時運(yùn)行的，這就需要實(shí)時檢測煤塊和矸石的位置信息，以便于機(jī)械手的分選處理。

針對現(xiàn)有帶式輸送機(jī)矸石檢測中存在可靠性、準(zhǔn)確性和實(shí)時性差的問題，本文提出了一種基于機(jī)器視覺和支持向量機(jī)的帶式輸送機(jī)物料中矸石檢測方法。該方法能夠在線檢測帶式輸送機(jī)運(yùn)輸物料中的矸石，矸石檢測準(zhǔn)確率高、實(shí)時性好。

1 矸石檢測方法設(shè)計方案

圖1所示為基于機(jī)器視覺和支持向量機(jī)的帶式輸送機(jī)物料中矸石檢測方法流程圖。

圖1 矸石檢測方法流程圖Fig.1 Flow chart of ganguedetection method

本文首先用攝像機(jī)采集煤和矸石的圖像，然后對圖像進(jìn)行預(yù)處理。預(yù)處理[5]包括：圖像灰度化、平滑、銳化、圖像分割、輪廓提取。圖像包括多種特征，如顏色、形狀、紋理、灰度等等，待提取的特征要根據(jù)待識別目標(biāo)的差別來確定，本文主要是提取煤和矸石圖像的灰度直方圖[6]、灰度均值、灰度方差等特征，利用支持向量機(jī)，對煤和矸石進(jìn)行識別分類。最后利用質(zhì)心法給矸石加最小矩形框?qū)㈨肥蜻x出來，實(shí)現(xiàn)煤和矸石的分選。從而提高煤矸石檢測的精確度，提高煤炭的質(zhì)量，避免使用浪費(fèi)。

2 物料圖像采集及預(yù)處理算法

2.1 圖像采集

圖像采集系統(tǒng)主要由計算機(jī)、攝像機(jī)、光源和輸送帶組成，如圖2所示。本實(shí)驗采用2臺LED芯片燈，將其對稱布置在攝像機(jī)兩側(cè)，形成左右對稱給光，使得光源能均勻的覆蓋在輸送帶的整個堆疊表面。

圖2 圖像采集系統(tǒng)Fig.2 Imageacquisition system

2.2 圖像預(yù)處理

輸送帶上煤渣粉塵較多、光線不足，采集的煤和矸石圖像清晰度不夠[7]。為了能夠更好地識別煤和矸石圖像，通過中值平滑和拉普拉斯銳化對圖像進(jìn)行預(yù)處理，調(diào)整煤和矸石圖像的亮度以及對比度，使煤和矸石圖像的特征更加明顯，便于分類識別。

每幅圖像都含有噪聲[8]，噪聲是由某些原因造成的灰度值的變化。采集到的煤和矸石圖像在獲取轉(zhuǎn)換時，會因攝像機(jī)的不同、拍攝環(huán)境的不同產(chǎn)生噪聲，圖像的信息將會受到影響。

2.2 .1 圖像平滑

對煤矸石圖像進(jìn)行平滑處理，圖像平滑[9]的作用是去除噪聲，為后續(xù)的煤與矸石圖像特征提取和識別做準(zhǔn)備。本文采用中值濾波，中值濾波[10]能夠有效地抑制隨機(jī)噪聲的影響，可以很好地保留煤和矸石的邊緣輪廓。

2.2 .2 圖像銳化

圖像的銳化[11]是為了增強(qiáng)圖像的灰度反差，煤和矸石在輸送帶上顏色差異相對較小，使用圖像銳化處理可以增強(qiáng)煤和矸石與輸送帶的灰度反差。可以為圖像分割提供基礎(chǔ)。煤和矸石本身形狀不規(guī)則，采集的圖像灰度不均勻。本文采用拉普拉斯算子對圖像進(jìn)行銳化處理，拉普拉斯算子[12]無方向性，可以對任何走向的界限和線條進(jìn)行銳化。

2.2 .3 圖像分割

圖像分割[13]的目的是將圖像分割劃分為若干個特定的、具有獨(dú)特性質(zhì)的區(qū)域。在實(shí)際的煤和矸石分選系統(tǒng)中，煤和矸石在輸送帶上勻速運(yùn)輸，采集的圖像中煤和矸石與輸送帶在顏色上差異不大，為后續(xù)的煤和矸石的特征提取以及SVM分類識別帶來困難。因此本文利用圖像分割對煤與矸石圖像進(jìn)行處理。

本文采用Otsu算法[14]，該算法使用的是聚類的思想，把采集到的煤和矸石圖像的灰度數(shù)按照灰度級分為灰度值差異最大的2個部分。按灰度值將煤和矸石與輸送帶分割開，能夠在采集到的圖像中明顯地呈現(xiàn)出煤和矸石圖像。

2.2 .4 邊緣輪廓提取

邊緣輪廓[15]的提取目的是為了得到煤和矸石圖像中煤和矸石的邊緣輪廓，提取煤和矸石的整體目標(biāo)，最后用質(zhì)心法定位確定煤和矸石的位置。邊緣檢測的步驟為：濾波—增強(qiáng)—檢測。本文采用Canny算子[16]進(jìn)行邊緣輪廓的提取，Canny算子的原理是通過圖像信號函數(shù)的極大值來判定圖像的邊緣像素點(diǎn)。Canny算子的檢測效果相對于其他的梯度算子有較好的處理能力，對于圖像比較細(xì)的邊緣輪廓能夠有效地提取。

3 煤和矸石特征提取

在實(shí)際工作中，人工分選煤和矸石主要是根據(jù)煤和矸石的紋理特征、灰度來區(qū)分煤和矸石。一般情況下，煤塊的顏色比較黑而且發(fā)亮，灰度級比較低；矸石的顏色[17]是灰白色的，灰度級比較高。所以人們將煤和矸石的灰度分布狀況以及灰度均值、灰度方差來作為煤和矸石的分選特征。

灰度直方圖是圖像的重要特征，根據(jù)直方圖可以看出圖像的灰度分布。在實(shí)際獲取的圖像中，煤看起來比較黑，灰度值比較低，灰度直方圖的圖像區(qū)域相對較窄；矸石呈灰白色，灰度值比較高，灰度直方圖圖像比較寬。從灰度直方圖中可以直觀的看出煤和矸石的的灰度分布。

其中，均值和方差是2個常用的與灰度有關(guān)的特征參數(shù)[18]。灰度均值是計算煤和矸石圖像中的平均灰度值。方差[18]是對一幅圖像中灰度值偏離均值情況的度量。假設(shè)圖像為L級灰度圖，灰度為b的像素點(diǎn)有hb個，圖像區(qū)域包含的總像素為S，則圖像的均值μ和方差σ2為：

4 基于支持向量機(jī)的煤和矸石分類與識別算法

支持向量機(jī)[19]是一種新的學(xué)習(xí)算法，它在文本分類、手寫識別、圖像分類、生物信息學(xué)等領(lǐng)域中獲得較好的應(yīng)用。支持向量的主要思想是在給定訓(xùn)練樣本中支持向量機(jī)建立一個超平面作為決策曲面，使得正例和反例之間的隔離邊緣最大化。

本文中給定2個數(shù)據(jù)集：一個作為數(shù)據(jù)集；另一個作為測試集。讀入煤和矸石的訓(xùn)練圖像，用PCA降維去除像素之間的相關(guān)性。將圖像數(shù)據(jù)實(shí)現(xiàn)規(guī)格化，選擇徑向基核函數(shù)處理圖像。構(gòu)建SVM分類器，經(jīng)過訓(xùn)練，識別出煤和矸石，最后得出測試結(jié)果。

5 基于質(zhì)心法的矸石定位算法

本文已經(jīng)將煤和矸石的邊緣輪廓提取出來，經(jīng)過預(yù)處理提取的輪廓相對完整清晰。為了后續(xù)將煤和矸石分離開，需要在圖像中確定煤和矸石的位置信息，本文采用質(zhì)心法確定煤和矸石的位置，并用邊框框選出矸石在圖像中的位置。

圖像的質(zhì)心[20]也稱為圖像灰度的重心，設(shè)一幅二維圖像的大小為M×N，像素點(diǎn)（i，j）的灰度值用g（i，j）表示，（x，y）為圖像的質(zhì)心[12]。圖像的質(zhì)心坐標(biāo)為：

公式（4）求的是煤和矸石的整副圖像的質(zhì)心，而本研究需要的是煤和矸石在經(jīng)過邊緣提取后所加的最小矩形框的中心位置。設(shè)最小矩形框為s，則最小矩形框中心位置坐標(biāo)為：

式（5）中I（x，y）為像素點(diǎn)（x，y）的灰度值，由于為二值圖像，且求取的為煤和矸石最小矩形框的中心，所以I（x，y）=1。

6 實(shí)驗及結(jié)果分析

6.1 圖像特征分析

基于機(jī)器視覺的煤矸石識別是對煤和矸石的圖像進(jìn)行識別。在實(shí)驗中采集了多張煤和矸石的圖片，對其進(jìn)行預(yù)處理，得到煤和矸石的灰度直方圖，如圖3所示。表1為部分煤和矸石的均值和方差。

圖3 煤和矸石的灰度直方圖Fig.3 Gray histogram of coal and gangue

從圖3可知，煤的灰度值分布相對較窄；矸石的灰度值分布比較寬。從表1中可知煤的灰度均值70～85，方差為15～20；矸石的灰度均值為90～100，方差為25～30。表1中只是選取了大量數(shù)據(jù)中的10副圖像的數(shù)據(jù)，從表1中可以看出煤和矸石的灰度均值和灰度方差具有一定的差異性。

表1 煤和矸石的均值和方差Tab.1 Mean and varianceof coal and gangue

6.2 分類識別結(jié)果分析

對上述圖像特征分析可知，煤和矸石的灰度直方圖從直觀上可以看出不同，灰度均值和灰度方差也存在差異。利用煤和矸石存在的差異進(jìn)行SVM分類識別，識別結(jié)果如表2所示。從表2中可知，煤塊的識別率平均達(dá)到91.04%，矸石的識別率平均達(dá)到91.8%，具有較好的識別效果。

表2 基于灰度信息的識別結(jié)果Tab.2 Recognition resultsbased on gray level information

很多研究都是模擬實(shí)際現(xiàn)場，進(jìn)行仿真得到的實(shí)驗結(jié)果，而在現(xiàn)實(shí)生產(chǎn)中，矸石和煤是運(yùn)行在勻速進(jìn)行的輸送帶上，所以需要考慮算法的處理時間與輸送帶的帶速、煤與矸石量和PLC控制機(jī)械手動作時間的匹配等問題。本文中單張圖像的識別時間在40 ms左右，識別速度較快，能夠很好地實(shí)現(xiàn)實(shí)時性的要求。

6.3 定位結(jié)果分析

根據(jù)質(zhì)心法的矸石定位算法，對煤和矸石進(jìn)行定位，并對矸石加最小矩形框。圖4為在煤塊和矸石混合的圖像中，通過SVM識別，判斷出矸石所在的位置，框選并標(biāo)出位置，圖中矸石的位置坐標(biāo)為（61，60）；圖5為在矸石混合圖像中，通過SVM識別，判斷出矸石所在的位置，框選并標(biāo)出位置，圖中矸石的位置坐標(biāo)分別為（97，102）和（127，95）；圖6為在煤塊混合圖像中，通過SVM識別，判斷沒有矸石所在，便不框選以及定位。

圖4 矸石和煤塊混合圖像Fig.4 Images of gangue and coal mixed

圖5 矸石混合圖像Fig.5 Imagesof ganguemixed

圖6 煤塊混合圖像Fig.6 Imagesof coal mixed

由圖4、圖5和圖6可知，利用質(zhì)心法能夠很好地確定矸石的位置，為矸石加最下矩形框并標(biāo)記位置。將位置信息發(fā)送給控制機(jī)構(gòu)，用機(jī)械手分選煤和矸石，進(jìn)而實(shí)現(xiàn)矸石的檢測。

7 結(jié)論

本文提出了一種基于機(jī)器視覺和支持向量機(jī)的帶式輸送機(jī)矸石檢測方法，該方法完成：

（1）利用攝像機(jī)采集帶式輸送機(jī)運(yùn)輸?shù)奈锪希汉晚肥﹫D像；

（2）采用中值濾波、拉普拉斯銳化、Otsu算法圖像分割以及Canny算子邊緣檢測對物料圖像進(jìn)行預(yù)處理，實(shí)現(xiàn)對圖像的平滑、銳化、圖像分割以及邊緣檢測處理，提高圖像的質(zhì)量；

（3）采用直方圖算法提取煤和矸石圖像的直方圖，灰度均值和灰度方差等特征參數(shù)；

（4）采用支持向量機(jī)算法對煤和矸石進(jìn)行分類與識別；

（5）采用質(zhì)心法確定矸石在圖像中的位置，并標(biāo)出位置。

結(jié)果表明：該方法能夠在線檢測帶式輸送機(jī)運(yùn)輸?shù)奈锪现械捻肥?，矸石的識別率能夠達(dá)到91.8%，準(zhǔn)確率高；單張?zhí)幚韴D像的時間在40 ms左右，能夠很好地實(shí)現(xiàn)實(shí)時檢測。