基于视频处理的煤矸石识别研究

发布时间：2020-06-27 02:23

【摘要】：原煤在入选前要进行预先排矸,对于+50mm的原煤,要进行人工选矸石作业,但其劳动强度大,生产效率低,并且会出现漏选、错选。因此,提出一种基于视频处理的煤矸石识别方法,模拟人工选矸石。基于视频处理的煤矸石识别是对实时监控视频中的原煤图像进行分类。本文通过机器学习建立煤和矸石图像识别模型,基于试验研究识别效果。原煤随皮带运动,采用背景差分法将原煤从视频中检测出来,在帧图像中截选窗口图像用于识别。选取RGB空间、HSV空间、灰度值的低阶矩作为颜色特征;灰度共生矩阵的能量、对比度、相关性、熵,Tamura纹理的粗糙度、对比度、方向度作为纹理特征。提取描述图像颜色和纹理信息的28个特征参数,经过特征初步分析,RGB空间特征作为冗余剔除,图像的特征参数减小到19个。通过Relief算法计算权重来表征特征在分类中的贡献度。研究“k近邻”、支持向量机、神经网络的识别效果。在“k近邻”识别中,通过5折交叉验证找到最优近邻个数k;在支持向量机识别中,通过5折交叉验证和网格搜索找到最优参数c和g;在神经网络识别中,采用8节点隐藏层、S形激活函数的3层BP神经网络。对比三种算法的识别效果,支持向量机的识别率最高。结合支持向量机算法和特征选择,采用基于Relief算法权重的特征递归剔除,确定特征的最优子集,提高识别模型效率。将原煤表面状态分为外表面无煤泥且表面干燥、外表面无煤泥且表面湿润、外表面覆盖干煤泥、外表面覆盖湿煤泥4种类型。基于图像分类对白芨沟矿和大峰矿的原煤进行识别试验。煤矸石识别分为煤、矸石的二类识别和煤、矸石、皮带的三类识别。研究2种矿不同表面类型的煤矸石识别,对3种识别模型中效果最好的支持向量机算法进行基于权重的特征递归剔除识别,确定模型的最优特征子集。在二类识别中,白芨沟矿4种表面类型的5次识别率平均值为98%、96%、94%、96.5%;大峰矿为97%、97%、95.5%、95.5%。在三类识别中,白芨沟矿4种表面类型的5次识别率平均值为92.33%、95.67%、96%、98.33%;大峰矿为92.33%、96%、94.33%、96%。识别效果都较好。
【学位授予单位】：中国矿业大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP391.41;TD849.5
【图文】：

灰度,颜色,黑色,颜色空间

OSH蓝品红图3-5 HSV颜色空间模型Figure 3-5 HSV color space model间图像在计算机中没有色彩，而由黑色、白空间用黑色表示物体，黑色为基准色，与，黑色为 0，白色为 255，如图 3-6 位灰 0%-100%的亮度值，这样就给出了一种人间转至灰度颜色空间时，绿色分量的影响G r a y 0 . 2 9 9 R 0 . 5 8 G7 0 0 . 1B 1 4

局部放大图,矸石,局部放大图

3 个颜色矩分量。征提取指在物体表面存在的肉眼可见的重复性结构单元，这些结进行排列。图像纹理特征是指利用图像处理技术，构建能的特征参数，用数学语言定量的描述结构单元及其排列。理特征，提取的纹理要尽可能的满足类类差距小，类间差包含有 4 种：统计分析、结构分析、模型分析和频谱分析于不同条件的纹理，因此在面对具体的纹理分类问题时，以取得相对好的结果。究对象为煤与矸石，它们都是自然形成的纹理，表面纹理描述成一个随机变量；由于煤和矸石为不同类物体，表面纹理存在局部上的随机性，但是从整体和统计学的角度来一定的规律性，可以用图像空间灰度分布情况来描述粗细纹理信息，因此本文采用统计分析方法提取煤与矸石的纹

【参考文献】