2024年4月4日发(作者：顿睿敏)
中北大学学报
(
自然科学版
)
2021
年第
42
卷第
2
期
Vol.42 No.2 2021
(()
总第
1
JOURNALOFNORTHUNIVERSITYOFCHINA
(
NATURALSCIENCEEDITION
)
96
期
)
SumNo.196
()
文章编号
:
1673-3193202102-0123-06
基于
X
射线和结构光相机的煤矸石
分拣方法研究
()
中北大学山西省生物医学成像与影像大数据重点实验室
,
山西太原
030051
王
锐
,
桂志国
,
刘
祎
,
张鹏程
摘
要
:
为了提高煤炭产量
,
减少污染物排放
,
在煤矿生产中必须进行煤矸石分离
.
常用的双能
R
值方法
受物料厚度影响较大
,
无法满足大范围厚度的煤矸石分选需求
.
针对该问题
,
提出了一种联合
R
值曲线拟合
和物料厚度信息的煤矸石识别方法
.
建立煤和矸石的低能透射信号值和
R
值的关系散点图
,
探究
R
值算法
与极限厚度比较后进一步识别煤矸石
.
最后计算识别为煤的部分占整个物体的比率
,
通过所求占比实现煤
矸石的最高识别率低于
10%
,
整体识别准确率高于
96%.
的适用范围和极限厚度
.
首先利用
R
值算法进行初步识别
,
再通过结构光相机获取
R
值相对应的厚度信息
,
矸石的分选
.
实验结果证明
,
该方法可以识别
50mm~300mm
范围的煤矸石
,
煤的最低识别率大于
80%
,
关键词
:
双能
X
射线
;
物质识别
;
煤矸石分选
;
结构光相机
:/
中图分类号
:
TP391
文献标识码
:
A .1673-3193.2021.02.006
j
ResearchonCoalGanueSortinethodBasedonX-Ra
gg
M
y
andStructuredLihtCamera
g
(,
ShanxiProvincialKeaboratorfBiomedicalImainndBiata
y
L
y
o
gg
a
g
D
,,,
WANGRuiGUIZhi-uoLIUYiZHANGPen-chen
ggg
,)
NorthUniversitfChinaTaiuan030051
,
China
y
o
y
ratedincoalmine
p
monlsed
R
valuemethodwas
g
reatlffectedbthethickness
y
u
y
a
y
:,
Abstract
Inordertoincreasecoalroductionandreduce
p
ollutantemissionscoalanuemustbesea-
pggp
thicknessinformationwas
p
ishascatterlotoftherelationshietweenthelow-ener
ppp
b
gy
,
transmissionsinalvalueand
R
valueofcoaland
g
anueandthealicableraneandlimitthicknessof
ggppg
andcomareitwiththelimitthicknesstofurtheridentifhe
g
rimentalresults
p
rove
py
t
gp
thatthemethodcaneffectivelidentifoalanueintheraneof50mm~300mm
,
theminimumrec-
yy
c
ggg
Theoverallreconitionaccuracateishiherthan96%.
gy
r
g
:;
m
;;
Keords
dual-ener-raaterialidentificationcoalanuesortinstructuredlihtcamera
gy
X
ygggg
y
w
ofthemateriala
ggpg
solvethis
p
roblem
,
acoal
g
anueidentificationmethodcombininaluecurvefittinndmaterial
gg
R
v
g
a
,
the
R
sethe
R
valuealorithmfor
p
reliminardentificationand
gpgy
i
,
thenusethestructuredlihtcameratoobtainthethicknessinformationcorresondinothe
R
value
gpg
t
onitionrateofcoalis
g
reaterthan80%
,
andthehihestreconitionrateof
g
anueislessthan10%.
gggg
收稿日期
:
2020-06-01
,
男
,
硕士生
,
主要从事机器视觉和图像识别的研究
.
作者简介
:
王
锐
(
1995-
)
124
中北大学学报
(
自然科学版
)
2021
年第
2
期
0
引
言
煤炭在我国能源体系中占主导地位
,
然而
,
煤炭在开采过程中会产生大量固体污染物
,
以矸
石为主
,
其混在煤中不仅会降低煤炭燃烧质量
,
还会加重污染物的排放
,
因此
,
煤矸石分选技术
是选煤技术中的重要环节
.
煤矸石分选方法主要分为人工排矸法
、
密度
范围
.
但在物料厚度浮动大的情况下
,
R
值算法识
别物料种类的准确性还有待验证
.
R
值算法为基础
,
对
300mm
粒度以下的煤矸石
进行取样分析
(
受射线设备限制
,
最大只能允许
300mm
的煤矸石通过
,
且
300mm
粒度可以满足
,
得出
R
值曲线拟合算法分选的大多数分选需求
)
适用范围
,
并通过结构光相机获取物料厚度信息
,
联合
R
值算法和厚度信息实现煤矸石的有效
识别
.
因此
,
本文研究了双能
X
射线透射技术
,
以
1
]
识别法
、
图像识别法
、
射线识别法
[
.
其中
,
人工
排矸法无法保证煤矸石分选的质量
,
效率低下且
工作环境恶劣
,
这种方式已逐渐被淘汰
别法主要用于重介质流化床选煤
[
2
]
和跳汰选煤
.
密度识
[
3
]
其设备体型庞大
、
对介质要求高
,
且水或空气污
,
染严重
获
.
图像识别法结合自动化设备和图像识别
技术取灰度
、
纹理等信息
,
进而实现煤矸石识
别
.
袁华昕
[
4
]
通过图像分割和直方图分析得到煤
矸石的像素峰值灰度级
,
并通过边缘检测和阈值
分割方法计算得到煤和矸石的高度
,
由灰度级和
高度关系确定识别条件
5
]
与矸石的
.
吴开兴等
[
利用灰度共
生矩阵提取煤纹理特征
,
采用支持向量
机进行自动识别
.Li
等
[
6
]
选用灰度直方图
、
分形
维数和小波变换能量作为识别特征
,
建立
神经网络实现多特征融合
.
射线识别法主
4
层
要基
B
于
P
射线或
X
射线
,
其中具有代表性的是双能
X
射
线透射技术
,
该技术通过分析物料对不同能量
射线透射的衰减程度差异来识别物料种类
,
与其
X
他技术相比操作简单
、
成本低
、
无资源浪费
、
识别
准确率高
国内外学者针对双能
.
经投入了大量的研究
合使用双能
器进行了多特征分析
X
射线探测器
.Mes
X
射线透射分选技术已
i
、
na
[
7
]
和
光学相机和电磁传感
Dalmi
j
n
[
8
]
等联
,
实现了对物料的有效分选
onnin
等
[
9
]
深入研究了质量密度和原子序数对物
.
质衰减系数的影响
,
引入了有效质量密度
翔
[
10
]
通过提取双能
R
值并将其映射成物质分类模
.
王艳
板图像
,
然后对该模板图像进行多阈值分割以实
现物质分类
.
毛冬辉等
[
11
]
在分析
R
值算法的基础
上
,
提出了一种
R
值曲线拟合识别算法
,
并对算
法有效性进行了验证
Ba
出
es
.
杨斌
[
12
]
研究了利用
R
值曲
线法和决策函数判定物料种类的方法
祺奥
[
13
]
提
y
了基于复化求积的
R
值曲线拟合
.
王
算
法
,
减弱了厚度因素对种类识别的影响
等
[
14
提出了一种基于低能透射信号值和双能
.
黄河
]
R
值
双参数联合的识别算法
,
提高了算法的适用厚度
1
双能
R
值算法
1.1
R
值分析
双能
子系数
Z
eff
X
,
射线检测技术可以探究物质的有效原
Z
eff
是物质的本质
[
15
]
得到
.
,
可由
R
值计算
利用高
、
低能透射信号可以计算出
R
值
,
ln
I
H
μ
0
R
=
μ
mH
I
H
mL
=
ln
I
L
I
0
,(
1
)
L
式中
:
I
H
0
和
I
为无物料时的
高
L
能透射值和低能
透射值
;
I
0
H
和
I
L
为有物料时的高能透射值和低能
透射值
;
μ
mH
和
μ
mL
为高
、
低能
的质量吸收系数
式
(
物质物理化学状态和厚度的影响
1
)
成立的前提是
.
X
射线条件下物料
X
射线为单色光谱
,
不受
,
可以根据
R
值
来区分物质的种类但在实际工业中
,
大多数
射线是连续谱
,
波长
.
连续变化
,
衰减吸收系数不
X
是常数
,
会随着能量的变化而变化
为了保证实验的普适性和可靠
.
性
,
本文采集
了
行分析
100
块不同厚度的煤矸石的高低能透射数据进
管电流为
.
实验中选取
2mA.
低能透射
X
射线源管电压为
信号值
I
200kV
,
L
的有效取值
为
度部分
0~5
,
00
对
00
其
,
进
灰度范围较大
行非线性
ln
I
lo
L
-R
散点分布图如图
g
,
变
为了重点分析低灰
换
.
煤和矸石的
分析图
低能透射信号
1
可知
,
煤矸石的
1
所示
ln
I
R
.
值已经趋于稳定
,
L
<4.4
时
,
只有矸石的
R
值存
在
,
因此
,
可以用阈值
当
ln
I
.4~7
范围时
4.4
来区分厚矸石和厚煤
;
L
值在
,
煤和矸石的
R
值大
部分重叠在一
4
起
,
仅通过高低能透射信号值以及
R
值的关系无法有效区分出煤和矸石
;
当
ln
I
L
>7
时
,
R
值区分明显
,
可以通过
R
值曲线拟合方法
γ
B
(
总第
196
期
)
基于
X
射线和结构光相机的煤矸石分拣方法研究
(
王
锐等
)
125
进行区分
.
式如下
43
C
=-
0.0003283
x
008233
x
+
0
-
2
0.0685
x
2209
x
+
0.9852.
+
0.
实时采集煤和矸石图像
,
计算低能透射信号
值
l
当
ln
I
n
I
7
时
,
以
C
为分界
,
R
值
L
和
R
值
,
L
>
落在
C
上方的判定为矸石
,
R
值落在
C
下方的判
定为煤
,
此情况下的识别准确率在
92%
以上
.
()
2
2
R
值重叠分析
图
1 ln
I-R
散点图
L
Fi.1 Scatterdiaramofln
I-R
gg
L
透射能力也相对有限
.
而物料越厚
,
X
射线透射
在固定电压电流时
,
X
射线的能量是固定的
,
1.2
R
值曲线拟合
常用的曲线拟合方法有线性拟合
、
多项式拟
ert
软件对数据边界进行曲线拟合
,
以找到最佳
p
曲线模型
.
经实验证明
,
采用多项式拟合曲线模
型的相关系数最大
、
标准偏差最小
,
拟合效果最
优
,
因此
,
选用多项式模型进行曲线边界拟合
,
公
合
、
指数拟合和高斯拟合等
.
本文采用
CurveEx-
值越小
,
由于矸石的
X
射线衰减系数大于煤的
,
所以
,
存在特厚的煤与较薄的矸石的
X
射线透射
值相当
,
导致求出的
R
值会发生重叠
,
又称厚度
16
]
效应
[
.
为了探究
R
值曲线边界判别的极限厚度
以及厚度是否可以作为区分厚煤和薄矸石的条件
,
对不同厚度的煤和矸石使用
R
值曲线判别并通过
]
17
迭代阈值分割方法
[
标记出煤和矸石
,
结果如
图
2
和图
3
所示
,
图中浅灰部分被识别为煤
,
黑
色部分被识别为矸石
.
Fi.2 Testofcoalbaluecurve
gy
R
v
图
2
R
值曲线对煤的测试
(
)))
的误识别部分相对于
(
有
在图
2
中
,
ea~
(
d
))
所增加
,
但整体上并不影响识别结果
;
而
(
f~
(
h
)),
且随着煤厚度的
的误识别区域明显多于
(
a~
(
e
增长
,
误识别区域逐渐增加
,
计算得出黑色部分占
Fi.3 Testof
g
anuebaluecurve
ggy
R
v
图
3
R
值曲线对矸石的测试
())
由图
3
可知
,
矸石厚度范围在
1b~
(
d10mm~
180mm
的误识别区域也逐渐增大并向中心聚拢
.
矸石误识别区域在矸石厚度为
180mm
时达到峰
值
,
而矸石厚度大于
210mm
时
,
误识别区域变小
且集中在边缘部分
.
由于矸石厚度不均
,
中间厚边比分别为
31%
,
34%
和
45%
,
严重影响物料识别
.
126
中北大学学报
(
自然科学版
)
2021
年第
2
期
())
缘薄
,
在图
3
中存在边缘误识别的现象
,
经
e~
(
h
R
值曲线可以有效识别厚度在
210mm
以下的煤和
110mm
以下的矸石
,
且取厚度阈值
H
为
210mm
时
,
可以区分重叠部分的煤和矸石
.
过测量发现
,
矸石边缘厚度都小于
180mm.
因此
,
图像中物体像素的横坐标和纵坐标
.
3
相机测厚
目立体视觉和结构光
.TOF
基本原理是向被观测
物体上连续发射光脉冲
,
然后接收从物体反射回
目前
,
主流的深度相机测量原理有
TOF
、
双
的光脉冲
,
通过探测光脉冲的往返时间来计算被
测物体离相机的距离
的精度要求较高
,
在近距离高精度领域应用困难
.TOF
深度相机对时间测量
双目立体视觉基于视差原理并利用成像设备从不
.
同的位置获取被测物体的两幅图像
,
通过计算图
像对应点间的位置偏差
,
间接获取到被测物体的
距离
.
但是
,
双目立体视觉受光照和物体纹理影
响较大
,
夜晚无法使用
如离散光斑
、
条纹光
.
结构光是指具有特殊结
构的光
,、
编码结构光等
.
结
构光测厚是指利用近红外激光器将具有一定结构
特征的光线投射到被拍摄物体上
,
再由专门的红
外摄像头进行采集
,
这种具备一定结构的光线会
因被摄物体的不同深度区域而采集到不同的图像
相位信息
,
然后通过运算单元将这种结构的变化
换算成深度信息
.
考虑到近距离测量
、
实时性以
及成本等方面
,
本文采用结构光相机获取物料的
厚度信息
为获取
.
R
值对应的厚度
,
需要建立
像与相机厚度图像的映射关系
与深度相机的相对位置
,
因为射
.
首先确
X
射线图
定探测器
线探测器工作模
式是线扫描
,
只有当物体完全通过
,
探测器才能
获取到完整的
面
.
当探
X
射线图像
,
故将相机安装在探测
器的后测器采集完一张图像后
,
通知相
机抓取这帧图像
d
.
相机距离线阵需要满足关系
=
t
*
rows
*
v
本文线阵积分时间
t
=15
/
2
00
.
()
ows
=180
,
传送带速度
v
=1.6m
μ
,
图像行
3
数
得出
X
d
=216mm
/
s
,
s
根据上式计算
射线图像中的物体位置相对应
,
此时相机图像
.
中
在
的
X
目
射线图像中
标物体与
选取数个像素点
,
并将相机图像中相对应的点的坐
标记下
,
通过绘制两者的散点图并进行拟合
,
得到
X
射线图像与相机图像像素点满足线性对应关系
,
如图
4
所示
.
图中
,
x
,
y
分别为
;
f
x
,
fy
X
射线图像中物体
像素的横坐标和纵坐标分别为相应的相机
(
a
)
横坐标
图
g
4 Co
4
(
rr
b
)
对应关系图
纵坐标
p
ondencedia
g
ram
图
Fi
g
.5 A
5
l
算法流程图
g
orithmflowchart
r
(
总第
196
期
)
基于
X
射线和结构光相机的煤矸石分拣方法研究
(
王
锐等
)
127
方法流程为
:
如图
5
所示
,
R
值曲线拟合和相机测厚联合
)
实时采集被测物体的双能
X
射线图像和厚
1
度图像
,
计算
R
值和低能透射值
ln
I
L
;
);
值进行分类识别
,
转到
5
4
实验验证与分析
选取厚度为
80mm
,
110mm
,
150mm
,
180mm
,
210mm
,
240mm
,
270mm
,
300mm
的
煤和矸石进行测试
,
设置测试条件为双能
X
射线
管电压
200kV
,
管电流为
2mA.
为了验证本文所提方法的有效性
,
采集了不
同厚度的煤和矸石的图像
,
如图
6
和图
7
所示
,
其中浅灰部分是被识别为煤
,
黑色部分是被识别
为矸石
,
将其与
R
值曲线拟合算法进行对比
,
本
文从主观视觉效果及客观评价效果分析算法的
优劣
.
)
若
l
);
2n
I
4.4
,
直接判断为矸石
,
转到
5
L
<
3
)
若
ln
I
7
,
使用多项式曲线拟合边界对
R
L
>
)
根据射线图像和相机图像映射关系
,
计算
4
R
值对应的厚度
,
通过厚度阈值
H
判断
;
)
根据以上识别方法进行迭代阈值分割标出
5
煤和矸石部分
,
获得初次识别结果
;
)
计算物料识煤率
,
再根据识煤率大小最终
6
判别物质种类
.
Fi.6 Proosedmethodforcoaltestin
gpg
图
6
本文方法对煤的测试
)
对比可知
,
对于厚
由图
2
与图
6
中
(
f~
(
h
)
度大于
210mm
的煤
,
本文方法处理后的图像中
黑色区域
(
误识别为矸石的部分
)
明显少于原始方
法
;
图
3
与图
7
对比可知
,
对于厚度范围在
110mm~300mm
的矸石
,
本文方法处理后的图
像中浅灰色区域
(
误识别为煤的部分
)
相对于原始
方法减少很多
.
Fi.7 Proosedmethodfor
g
anuetestin
gpgg
图
7
本文方法对矸石的测试
300mm
的煤的识煤率下降到
60%
以下
,
与厚度
为
180mm
的矸石识煤率相近
,
无法可靠地判断
210mm
范围内的矸石的识煤率较高
,
说明对矸石
的误判可能性大
.
与之相比
,
使用本文方法后
,
各
种厚度煤的识煤率都有了较大提升
,
尤其对
300mm
样本的识煤率提升了
30%
以上
,
而且矸
石的识煤率都有所下降
,
误判率大大减少
.
的分析
,
使用本文方法后煤和矸石区分明显
,
必
然存在某一识别阈值能够可靠地区分出煤矸石
.
综合对厚度在
300mm
以下煤和矸石识煤率
该物质的种类
;
R
值方法对厚度在
110mm~
为了从客观角度进行评价
,
计算不同厚度煤和
矸石的识煤率
,
即浅灰色区域所占物体的比例
.
对
对于矸石
,
识煤率越低对于矸石的识别越精确
.
由表
1
数据明显可知
,
R
值方法对厚度大于
于煤来说
,
识煤率越高就越有利于判断为煤
;
同理
,
210mm
的煤的识煤率逐渐下降
,
对厚度为
T
+
T
g
ma
c
inx
,
本文中识别阈值定义为
T
=
m
为
T
c
min
2
128
中北大学学报
(
自然科学版
)
2021
年第
2
期
煤的最小识别率
,
为矸石的最大识别率
.
经
T
g
max
300mm
,
准确率达到
96%
以上
,
由此证明本文方
法是可行的
,
并且效果优于
R
值曲线拟合方法
.
Tab.1 Comarisonoftwomethodsforcoalreconition
pg
厚度
/
mm
80
表
1
两种方法识煤率对比
本文方法
处理后的
煤
/
%
100
100
过大量实验
,
煤矸石有效识别范围为
50mm~
[
4
]
袁华昕
.
基于
X
射线图像的煤矸石智能分选控制系
[
5
]
吴开兴
,
宋剑
.
基于灰度共生矩阵的煤与矸石自动
]():
识别研究
[
J.
煤炭工程
,
2016
,
48298-101.
,
chonautomaticreco-
gg
J
g
统研究
[
D
]
.
沈阳
:
东北大学
,
2014.
,():)
tionTechnolo2003614-19.
(
inChinese
gy
R
值方法
处理后的
煤
/
%
99.3%
99.17
R
值方法
处理后的
矸石
/
%
13.77
5.33
本文方法
处理后的
矸石
/
%
3.89
5.91
[],():
ineerin2016
,
482
gg
[
6
]
LiW
,
WanuB
,
dcoal
g
anue
g
Y
,
F
g
[//
searationbasedoncomutervisionC
]
FifthInter-
pp
)
98-101.
(
inChinese
nitionofcoaland
g
anuebasedon
g
raevelco-oc-
gy
l
110
1
1
59
9
9.0
9
10029
2
8
0
0
9
8
4
.
.
9
7
8
0
59
94
7.67
8
.
2
1
69
9
.
.
9
1
7
31
0.04
5
.
2
4
4
1
2
4
0
6
9
9
7.271
3
3
.59
3
7
0
0
0
05
6
.
5
.
5
.
2
8
1
2
88
6
5
.
.
6
4
6
5
1
0
.06
1
1
.07
2
.
.
2
7
3
5
2
.
2
.
6
.
8
9
9
6
3
结
语
本文研究了双能
的方法
,
在传统方法上
X
射线透射技术识别煤矸石
增加了结构光相机
,
提出
了一种
R
值曲线拟合和被测物体深度信息融合的
方法
,
利用
R
值曲线拟合算法来初步识别煤矸石
,
再根据由结构光相机采集到的深度信息提升识别
效果
.
实验结果证明
,
本文所提方法能够较好地
识别出
50mm~300mm
范围内的煤矸石
,
但是对
于煤矸石成分复杂
、
形状特殊的情况
,
还需进一
步研究
.
参考文献
:
[
1
]
曹现刚
与展望
,
[
J
李莹
,
王鹏
,
等
.
煤矸石识别方法研究现状
CaoX
sa
ian
n
g
]
d
a
.
工矿自动化
,
n
g
p
r
,
os
L
p
iY
ect
i
s
n
g
o
,
f
W
20
c
a
2
o
n
0
al
g
,
P
4
g
a
e
6
n
n
(
g
g
1
u
,
)
ei
e
:
t
3
d
a
8
e
l
-4
n
.
3
ti
C
.
statufi
u
c
r
a
r
t
e
io
n
n
t
methods
[
J
]
.IndustrialandMineAutomation
,
2020
,
[
2
]
4
陈清如
6
(
1
):
3
[
J
]
.
煤矿现代化
,
8
杨
-43
玉
.
芬
(
inC
.
空
hi
气
ne
重
se
介
)
质流化床干法选煤技术
,
ChenQin
g
ru
,
Yan
g
19
Y
9
u
8
fe
(
1
n
)
.
:
A
2
i
0
rh
-22
ea
.
izedbeddr
y
coal
p
re
p
arationtechn
v
o
y
lo
m
g
e
y
di
[
u
J
mf
]
.C
lui
o
d
a
-
MineModernization
,
1998
(
1
):
20-22.
(
inChinese
)
l
[
3
]
煤技术
杨康
,
娄德安
,
2003
(
.
跳汰选煤技术与设备的发展
[
6
):
14-19.
J
]
.
选
a
Y
r
a
a
n
ti
g
on
Ka
te
n
c
g
h
,
no
L
l
o
o
uD
gy
e
a
a
n
n
de
.D
q
e
ui
v
p
el
m
o
e
p
n
m
t
e
[
n
J
t
]
o
.
f
C
j
i
o
g
alP
coa
r
l
e
p
p
r
a
e
r
p
a
-
-
]
a
n
M
n
a
dT
tion
ma
e
t
s
i
i
cs
n
e
a
a
c
l
h
C
M
n
o
ol
n
B
o
fe
,
g
r
y
e
deJ
,
nc
2
eo
0
o
1
n
0
nF
g
:
T
4
r
6
o
P
7
n
-
t
4
i
R
7
ero
,
2
D
.
fCom
p
uterScience
[
7almi
j
-
troma
g
n
o
e
r
t
t
i
i
c
n
g
an
o
dd
fs
u
c
a
r
l
a
p
en
m
er
e
sor
[
J
]
.International
g
t
J
y
alsw
ou
X-r
i
a
t
rnal
y
hac
o
tran
o
s
m
mi
b
s
i
s
n
i
e
o
de
ns
l
e
e
fMineralPr
n
c
o
-
-
cessin
g
,
2006
,
82
(
4
):
222-232.
-
[
8
]
t
D
u
a
s
lm
fo
i
j
r
n
an
W
al
L
y
s
,
in
d
g
e
a
Jo
n
n
ds
g
o
TPR.
rtin
g
a
A
f
methodanda
p
l
p
a
P
ra
]
-
USPatent
:
WO2002050521
,
200
l
2
owo
.
fmateria
[
.
[
9
]
B
C
o
o
n
n
n
c
i
e
n
to
A
fe
,
D
f
u
f
v
e
a
ct
u
i
c
v
h
e
ell
a
e
to
P
,
Kaftand
j
ianV
,
etal.
g
m
P
r
a
h
a
s
y
p
sd
p
s
h
ic
y
e
sR
[
n
J
sit
e
]
y
s
.
ind
ear
N
c
u
h
c
,
l
u
e
a
2
a
l-
0
rI
ene
14
n
r
m
,
s
g
i
3
t
y
c
1
ru
X
n
8
m
-
u
(
7
e
r
)
n
a
m
t
y
be
:
s
c
r
o
223
&
m
a
p
n
-23
M
u
d
t
1
e
e
e
.
t
dt
ffe
hod
o
ct
si
m
iv
o
e
-
n
[
10
]
王艳
原
:
中北大学
翔
.
双能
,
X
射线物质识别系统的研究
[
D
]
.
太
[
11
]
毛冬辉
,
叶文华
2
,
01
熊田忠
7.
物料的
R
值曲线拟合算法
,
[
等
.
双能
X
射线识别金属
2
M
0
a
1
oD
7
,
4
o
6
n
g
(
5
hu
)
i
:
16
Y
0
eW
-162
en
.
J
]
.
机械制造与自动化
,
hua
,
Xion
g
Tianzhon
g
,
etal.
i
R
d
-
&
e
v
n
a
A
t
l
i
u
f
u
t
i
e
c
o
a
c
m
ti
u
a
o
r
t
no
ve
,
f
ion
fm
itti
,
20
e
n
t
g
1
a
7
lm
al
g
,
4
a
o
6
t
r
e
i
(
r
t
5
i
h
a
)
l
mf
:
s
1
[
J
ord
60
]
-
.
16
M
ua
2
a
l
c
.
h
e
i
n
(
i
n
e
nC
e
r
g
B
y
h
u
i
i
X
n
ld
-
e
i
r
s
n
a
e
g
y
[
12
]
杨斌
.
基于双能
X
射线透射技术的废金属分选系统
)
设计
[
[
13
]
王祺奥
D
控制技术研究
.
]
.
南京
:
南京航空航天大学
,
基于双能
[
D
]
.
X
射线透射的废金
2
属
01
识
5.
别与分离
南京
:
南京航空航天大学
,
[
14
]
黄河
2017.
区域分块废有色金属识别算法
,
叶文华
,
熊田忠
,
等
.
基于双能
[
化
,
2019
,
48
(
4
):
26-29.
J
]
.
机械制造
X
射线透射的
与自动
g
R
H
o
e
u
r
g
a
it
io
n
h
n
g
mb
al
H
b
e
a
l
s
o
,
e
c
do
ks
Ye
nd
cr
W
a
u
p
en
al
n
h
o
u
en
n
a
f
e
e
,
r
r
g
r
X
y
o
i
u
o
X
sm
n
g
-ra
y
e
T
t
i
t
a
a
r
l
n
a
r
z
n
e
h
s
c
o
m
o
n
i
g
g
s
n
s
i
,
i
t
o
io
eta
n
na
l
[
J
]
l-
.
Ma
.
29.
ch
(
i
i
nC
neB
hi
u
n
il
e
d
s
i
e
n
)
g
&Automation
,
2019
,
48
(
4
):
26-
(
下转第
134
页
)
5
134
中北大学学报
(
自然科学版
)
2021
年第
2
期
tinethodsofballet's
p
arametersin
g
reatcalibrear-
g
m
[,
R
,
MtillerJ
]
.JournalofProectileocketsissiles
yj
[]
7
]
于洋
.
电磁炮膛内弹丸测速系统设计
[
J.
四川兵工
fillvelociteasurementsstem
ggpy
m
y
():
学报
,
2011
,
32643-46.
,():)
andGuidance2010
,
301167-169.
(
inChinese
,,,
es-
gy
o
[]
裴东兴
,
沈大伟
,
张瑜
,
等
.
弹底压力测试技术研究
10
,,,
-
ggg
Y
[]():
J.
弹箭与制导学报
,
2012
,
325196-198.
searchof
p
roectilebottom
p
ressuremeasurinech-
jg
t
,():)
andGuidance2012
,
325196-198.
(
inChinese
原
:
中北大学
,
2018.
[],
R
,
lofProectilesocketsissiles
gyj
]
insidecavitfelectromanetic
g
un
[
lof
y
o
g
,
2
:
4SichuanOrdnance011
,
32
(
6
)
3-46.
(
inChi-
)
nese
[]
沈静华
.
放入式电子测压器环境适应性研究
[
11D
]
.
太
[]
郭泽荣
,
袁梦琦
.
机械和压力容器安全
[
12M
]
.
北京
:
[]
张小兵
.
枪炮内弹道学
[
13M
]
.
北京
:
北京理工大学出
[]
T14oshiakiH
,
lstress-focusin
g
版社
,
2014.
北京理工大学出版社
,
2017.
[
8
]
王芳
,
郭增贵
,
朱明武
.
柱形测压铜柱的静态特性分
]():
析
[
J.
兵工学报
,
2017
,
382412-416.
,,
char-
g
F
gggg
acteristicsofcoerclindersforchamber
p
ressure
ppy
)
412-416.
(
inChinese
[],:
mamentarii2017
,
38
(
2
),
transformation
[
J
]
.JournalofThermalStresses
[]
A15bd-allaAM
,
lstressesininfi-
y
]
nitecircularclindersubectedtorotation
[
J.A-
yjp
,
2
:
liedMathematicsandMechanics012
,
33
(
8
)
p
(/):
2012
,
3513269-280.
effectinatransverselsotroicclinderwith
p
hase
y
i
py
[
9
]
孔德仁
,
张淑宁
,
朱明武
,
等
.
铜柱测压动静差分析
():
27-10.
]
及修正公式探讨
[
J.
火炮发射与控制学报
,
2001
,
Z
,
Z
,
eKonerenhanhuninhuMinwutal.
g
D
g
S
gg
clinder
p
ressuretestanddiscussiononcorrection
y
():)
27-10.
(
inChinese
Analsisofdnamicandstaticdifferenceofcoer
yypp
[]
W
,
16anJinZH
,
-interfacethermal
g
J
facialthermalresistance
[
J
]
.JournalofThermal
,():
Stresses2019
,
425629-642.
crack
p
roblemforbondeddissimilar
p
lateswithinter-
1059-1078.
[],
lofGunLaunch&Control2001
(
上接第
128
页
)
[]
邢钢
,
徐玉秀
.X
射线安检设备中双能量方式下
R
15
157-159.
:
值提取
[
J
]
.
核电子学与探测技术
,
2006
(
2
)
[]
王祺奥
,
叶文华
,
熊田忠
,
等
.
废有色金属分选中散
17
():
34194-99.
]
布物料动态位置的实时计算
[
J.
机电工程
,
2017
,
,
Y
,
X
,
Wani
2024年4月4日发(作者：顿睿敏)
中北大学学报
(
自然科学版
)
2021
年第
42
卷第
2
期
Vol.42 No.2 2021
(()
总第
1
JOURNALOFNORTHUNIVERSITYOFCHINA
(
NATURALSCIENCEEDITION
)
96
期
)
SumNo.196
()
文章编号
:
1673-3193202102-0123-06
基于
X
射线和结构光相机的煤矸石
分拣方法研究
()
中北大学山西省生物医学成像与影像大数据重点实验室
,
山西太原
030051
王
锐
,
桂志国
,
刘
祎
,
张鹏程
摘
要
:
为了提高煤炭产量
,
减少污染物排放
,
在煤矿生产中必须进行煤矸石分离
.
常用的双能
R
值方法
受物料厚度影响较大
,
无法满足大范围厚度的煤矸石分选需求
.
针对该问题
,
提出了一种联合
R
值曲线拟合
和物料厚度信息的煤矸石识别方法
.
建立煤和矸石的低能透射信号值和
R
值的关系散点图
,
探究
R
值算法
与极限厚度比较后进一步识别煤矸石
.
最后计算识别为煤的部分占整个物体的比率
,
通过所求占比实现煤
矸石的最高识别率低于
10%
,
整体识别准确率高于
96%.
的适用范围和极限厚度
.
首先利用
R
值算法进行初步识别
,
再通过结构光相机获取
R
值相对应的厚度信息
,
矸石的分选
.
实验结果证明
,
该方法可以识别
50mm~300mm
范围的煤矸石
,
煤的最低识别率大于
80%
,
关键词
:
双能
X
射线
;
物质识别
;
煤矸石分选
;
结构光相机
:/
中图分类号
:
TP391
文献标识码
:
A .1673-3193.2021.02.006
j
ResearchonCoalGanueSortinethodBasedonX-Ra
gg
M
y
andStructuredLihtCamera
g
(,
ShanxiProvincialKeaboratorfBiomedicalImainndBiata
y
L
y
o
gg
a
g
D
,,,
WANGRuiGUIZhi-uoLIUYiZHANGPen-chen
ggg
,)
NorthUniversitfChinaTaiuan030051
,
China
y
o
y
ratedincoalmine
p
monlsed
R
valuemethodwas
g
reatlffectedbthethickness
y
u
y
a
y
:,
Abstract
Inordertoincreasecoalroductionandreduce
p
ollutantemissionscoalanuemustbesea-
pggp
thicknessinformationwas
p
ishascatterlotoftherelationshietweenthelow-ener
ppp
b
gy
,
transmissionsinalvalueand
R
valueofcoaland
g
anueandthealicableraneandlimitthicknessof
ggppg
andcomareitwiththelimitthicknesstofurtheridentifhe
g
rimentalresults
p
rove
py
t
gp
thatthemethodcaneffectivelidentifoalanueintheraneof50mm~300mm
,
theminimumrec-
yy
c
ggg
Theoverallreconitionaccuracateishiherthan96%.
gy
r
g
:;
m
;;
Keords
dual-ener-raaterialidentificationcoalanuesortinstructuredlihtcamera
gy
X
ygggg
y
w
ofthemateriala
ggpg
solvethis
p
roblem
,
acoal
g
anueidentificationmethodcombininaluecurvefittinndmaterial
gg
R
v
g
a
,
the
R
sethe
R
valuealorithmfor
p
reliminardentificationand
gpgy
i
,
thenusethestructuredlihtcameratoobtainthethicknessinformationcorresondinothe
R
value
gpg
t
onitionrateofcoalis
g
reaterthan80%
,
andthehihestreconitionrateof
g
anueislessthan10%.
gggg
收稿日期
:
2020-06-01
,
男
,
硕士生
,
主要从事机器视觉和图像识别的研究
.
作者简介
:
王
锐
(
1995-
)
124
中北大学学报
(
自然科学版
)
2021
年第
2
期
0
引
言
煤炭在我国能源体系中占主导地位
,
然而
,
煤炭在开采过程中会产生大量固体污染物
,
以矸
石为主
,
其混在煤中不仅会降低煤炭燃烧质量
,
还会加重污染物的排放
,
因此
,
煤矸石分选技术
是选煤技术中的重要环节
.
煤矸石分选方法主要分为人工排矸法
、
密度
范围
.
但在物料厚度浮动大的情况下
,
R
值算法识
别物料种类的准确性还有待验证
.
R
值算法为基础
,
对
300mm
粒度以下的煤矸石
进行取样分析
(
受射线设备限制
,
最大只能允许
300mm
的煤矸石通过
,
且
300mm
粒度可以满足
,
得出
R
值曲线拟合算法分选的大多数分选需求
)
适用范围
,
并通过结构光相机获取物料厚度信息
,
联合
R
值算法和厚度信息实现煤矸石的有效
识别
.
因此
,
本文研究了双能
X
射线透射技术
,
以
1
]
识别法
、
图像识别法
、
射线识别法
[
.
其中
,
人工
排矸法无法保证煤矸石分选的质量
,
效率低下且
工作环境恶劣
,
这种方式已逐渐被淘汰
别法主要用于重介质流化床选煤
[
2
]
和跳汰选煤
.
密度识
[
3
]
其设备体型庞大
、
对介质要求高
,
且水或空气污
,
染严重
获
.
图像识别法结合自动化设备和图像识别
技术取灰度
、
纹理等信息
,
进而实现煤矸石识
别
.
袁华昕
[
4
]
通过图像分割和直方图分析得到煤
矸石的像素峰值灰度级
,
并通过边缘检测和阈值
分割方法计算得到煤和矸石的高度
,
由灰度级和
高度关系确定识别条件
5
]
与矸石的
.
吴开兴等
[
利用灰度共
生矩阵提取煤纹理特征
,
采用支持向量
机进行自动识别
.Li
等
[
6
]
选用灰度直方图
、
分形
维数和小波变换能量作为识别特征
,
建立
神经网络实现多特征融合
.
射线识别法主
4
层
要基
B
于
P
射线或
X
射线
,
其中具有代表性的是双能
X
射
线透射技术
,
该技术通过分析物料对不同能量
射线透射的衰减程度差异来识别物料种类
,
与其
X
他技术相比操作简单
、
成本低
、
无资源浪费
、
识别
准确率高
国内外学者针对双能
.
经投入了大量的研究
合使用双能
器进行了多特征分析
X
射线探测器
.Mes
X
射线透射分选技术已
i
、
na
[
7
]
和
光学相机和电磁传感
Dalmi
j
n
[
8
]
等联
,
实现了对物料的有效分选
onnin
等
[
9
]
深入研究了质量密度和原子序数对物
.
质衰减系数的影响
,
引入了有效质量密度
翔
[
10
]
通过提取双能
R
值并将其映射成物质分类模
.
王艳
板图像
,
然后对该模板图像进行多阈值分割以实
现物质分类
.
毛冬辉等
[
11
]
在分析
R
值算法的基础
上
,
提出了一种
R
值曲线拟合识别算法
,
并对算
法有效性进行了验证
Ba
出
es
.
杨斌
[
12
]
研究了利用
R
值曲
线法和决策函数判定物料种类的方法
祺奥
[
13
]
提
y
了基于复化求积的
R
值曲线拟合
.
王
算
法
,
减弱了厚度因素对种类识别的影响
等
[
14
提出了一种基于低能透射信号值和双能
.
黄河
]
R
值
双参数联合的识别算法
,
提高了算法的适用厚度
1
双能
R
值算法
1.1
R
值分析
双能
子系数
Z
eff
X
,
射线检测技术可以探究物质的有效原
Z
eff
是物质的本质
[
15
]
得到
.
,
可由
R
值计算
利用高
、
低能透射信号可以计算出
R
值
,
ln
I
H
μ
0
R
=
μ
mH
I
H
mL
=
ln
I
L
I
0
,(
1
)
L
式中
:
I
H
0
和
I
为无物料时的
高
L
能透射值和低能
透射值
;
I
0
H
和
I
L
为有物料时的高能透射值和低能
透射值
;
μ
mH
和
μ
mL
为高
、
低能
的质量吸收系数
式
(
物质物理化学状态和厚度的影响
1
)
成立的前提是
.
X
射线条件下物料
X
射线为单色光谱
,
不受
,
可以根据
R
值
来区分物质的种类但在实际工业中
,
大多数
射线是连续谱
,
波长
.
连续变化
,
衰减吸收系数不
X
是常数
,
会随着能量的变化而变化
为了保证实验的普适性和可靠
.
性
,
本文采集
了
行分析
100
块不同厚度的煤矸石的高低能透射数据进
管电流为
.
实验中选取
2mA.
低能透射
X
射线源管电压为
信号值
I
200kV
,
L
的有效取值
为
度部分
0~5
,
00
对
00
其
,
进
灰度范围较大
行非线性
ln
I
lo
L
-R
散点分布图如图
g
,
变
为了重点分析低灰
换
.
煤和矸石的
分析图
低能透射信号
1
可知
,
煤矸石的
1
所示
ln
I
R
.
值已经趋于稳定
,
L
<4.4
时
,
只有矸石的
R
值存
在
,
因此
,
可以用阈值
当
ln
I
.4~7
范围时
4.4
来区分厚矸石和厚煤
;
L
值在
,
煤和矸石的
R
值大
部分重叠在一
4
起
,
仅通过高低能透射信号值以及
R
值的关系无法有效区分出煤和矸石
;
当
ln
I
L
>7
时
,
R
值区分明显
,
可以通过
R
值曲线拟合方法
γ
B
(
总第
196
期
)
基于
X
射线和结构光相机的煤矸石分拣方法研究
(
王
锐等
)
125
进行区分
.
式如下
43
C
=-
0.0003283
x
008233
x
+
0
-
2
0.0685
x
2209
x
+
0.9852.
+
0.
实时采集煤和矸石图像
,
计算低能透射信号
值
l
当
ln
I
n
I
7
时
,
以
C
为分界
,
R
值
L
和
R
值
,
L
>
落在
C
上方的判定为矸石
,
R
值落在
C
下方的判
定为煤
,
此情况下的识别准确率在
92%
以上
.
()
2
2
R
值重叠分析
图
1 ln
I-R
散点图
L
Fi.1 Scatterdiaramofln
I-R
gg
L
透射能力也相对有限
.
而物料越厚
,
X
射线透射
在固定电压电流时
,
X
射线的能量是固定的
,
1.2
R
值曲线拟合
常用的曲线拟合方法有线性拟合
、
多项式拟
ert
软件对数据边界进行曲线拟合
,
以找到最佳
p
曲线模型
.
经实验证明
,
采用多项式拟合曲线模
型的相关系数最大
、
标准偏差最小
,
拟合效果最
优
,
因此
,
选用多项式模型进行曲线边界拟合
,
公
合
、
指数拟合和高斯拟合等
.
本文采用
CurveEx-
值越小
,
由于矸石的
X
射线衰减系数大于煤的
,
所以
,
存在特厚的煤与较薄的矸石的
X
射线透射
值相当
,
导致求出的
R
值会发生重叠
,
又称厚度
16
]
效应
[
.
为了探究
R
值曲线边界判别的极限厚度
以及厚度是否可以作为区分厚煤和薄矸石的条件
,
对不同厚度的煤和矸石使用
R
值曲线判别并通过
]
17
迭代阈值分割方法
[
标记出煤和矸石
,
结果如
图
2
和图
3
所示
,
图中浅灰部分被识别为煤
,
黑
色部分被识别为矸石
.
Fi.2 Testofcoalbaluecurve
gy
R
v
图
2
R
值曲线对煤的测试
(
)))
的误识别部分相对于
(
有
在图
2
中
,
ea~
(
d
))
所增加
,
但整体上并不影响识别结果
;
而
(
f~
(
h
)),
且随着煤厚度的
的误识别区域明显多于
(
a~
(
e
增长
,
误识别区域逐渐增加
,
计算得出黑色部分占
Fi.3 Testof
g
anuebaluecurve
ggy
R
v
图
3
R
值曲线对矸石的测试
())
由图
3
可知
,
矸石厚度范围在
1b~
(
d10mm~
180mm
的误识别区域也逐渐增大并向中心聚拢
.
矸石误识别区域在矸石厚度为
180mm
时达到峰
值
,
而矸石厚度大于
210mm
时
,
误识别区域变小
且集中在边缘部分
.
由于矸石厚度不均
,
中间厚边比分别为
31%
,
34%
和
45%
,
严重影响物料识别
.
126
中北大学学报
(
自然科学版
)
2021
年第
2
期
())
缘薄
,
在图
3
中存在边缘误识别的现象
,
经
e~
(
h
R
值曲线可以有效识别厚度在
210mm
以下的煤和
110mm
以下的矸石
,
且取厚度阈值
H
为
210mm
时
,
可以区分重叠部分的煤和矸石
.
过测量发现
,
矸石边缘厚度都小于
180mm.
因此
,
图像中物体像素的横坐标和纵坐标
.
3
相机测厚
目立体视觉和结构光
.TOF
基本原理是向被观测
物体上连续发射光脉冲
,
然后接收从物体反射回
目前
,
主流的深度相机测量原理有
TOF
、
双
的光脉冲
,
通过探测光脉冲的往返时间来计算被
测物体离相机的距离
的精度要求较高
,
在近距离高精度领域应用困难
.TOF
深度相机对时间测量
双目立体视觉基于视差原理并利用成像设备从不
.
同的位置获取被测物体的两幅图像
,
通过计算图
像对应点间的位置偏差
,
间接获取到被测物体的
距离
.
但是
,
双目立体视觉受光照和物体纹理影
响较大
,
夜晚无法使用
如离散光斑
、
条纹光
.
结构光是指具有特殊结
构的光
,、
编码结构光等
.
结
构光测厚是指利用近红外激光器将具有一定结构
特征的光线投射到被拍摄物体上
,
再由专门的红
外摄像头进行采集
,
这种具备一定结构的光线会
因被摄物体的不同深度区域而采集到不同的图像
相位信息
,
然后通过运算单元将这种结构的变化
换算成深度信息
.
考虑到近距离测量
、
实时性以
及成本等方面
,
本文采用结构光相机获取物料的
厚度信息
为获取
.
R
值对应的厚度
,
需要建立
像与相机厚度图像的映射关系
与深度相机的相对位置
,
因为射
.
首先确
X
射线图
定探测器
线探测器工作模
式是线扫描
,
只有当物体完全通过
,
探测器才能
获取到完整的
面
.
当探
X
射线图像
,
故将相机安装在探测
器的后测器采集完一张图像后
,
通知相
机抓取这帧图像
d
.
相机距离线阵需要满足关系
=
t
*
rows
*
v
本文线阵积分时间
t
=15
/
2
00
.
()
ows
=180
,
传送带速度
v
=1.6m
μ
,
图像行
3
数
得出
X
d
=216mm
/
s
,
s
根据上式计算
射线图像中的物体位置相对应
,
此时相机图像
.
中
在
的
X
目
射线图像中
标物体与
选取数个像素点
,
并将相机图像中相对应的点的坐
标记下
,
通过绘制两者的散点图并进行拟合
,
得到
X
射线图像与相机图像像素点满足线性对应关系
,
如图
4
所示
.
图中
,
x
,
y
分别为
;
f
x
,
fy
X
射线图像中物体
像素的横坐标和纵坐标分别为相应的相机
(
a
)
横坐标
图
g
4 Co
4
(
rr
b
)
对应关系图
纵坐标
p
ondencedia
g
ram
图
Fi
g
.5 A
5
l
算法流程图
g
orithmflowchart
r
(
总第
196
期
)
基于
X
射线和结构光相机的煤矸石分拣方法研究
(
王
锐等
)
127
方法流程为
:
如图
5
所示
,
R
值曲线拟合和相机测厚联合
)
实时采集被测物体的双能
X
射线图像和厚
1
度图像
,
计算
R
值和低能透射值
ln
I
L
;
);
值进行分类识别
,
转到
5
4
实验验证与分析
选取厚度为
80mm
,
110mm
,
150mm
,
180mm
,
210mm
,
240mm
,
270mm
,
300mm
的
煤和矸石进行测试
,
设置测试条件为双能
X
射线
管电压
200kV
,
管电流为
2mA.
为了验证本文所提方法的有效性
,
采集了不
同厚度的煤和矸石的图像
,
如图
6
和图
7
所示
,
其中浅灰部分是被识别为煤
,
黑色部分是被识别
为矸石
,
将其与
R
值曲线拟合算法进行对比
,
本
文从主观视觉效果及客观评价效果分析算法的
优劣
.
)
若
l
);
2n
I
4.4
,
直接判断为矸石
,
转到
5
L
<
3
)
若
ln
I
7
,
使用多项式曲线拟合边界对
R
L
>
)
根据射线图像和相机图像映射关系
,
计算
4
R
值对应的厚度
,
通过厚度阈值
H
判断
;
)
根据以上识别方法进行迭代阈值分割标出
5
煤和矸石部分
,
获得初次识别结果
;
)
计算物料识煤率
,
再根据识煤率大小最终
6
判别物质种类
.
Fi.6 Proosedmethodforcoaltestin
gpg
图
6
本文方法对煤的测试
)
对比可知
,
对于厚
由图
2
与图
6
中
(
f~
(
h
)
度大于
210mm
的煤
,
本文方法处理后的图像中
黑色区域
(
误识别为矸石的部分
)
明显少于原始方
法
;
图
3
与图
7
对比可知
,
对于厚度范围在
110mm~300mm
的矸石
,
本文方法处理后的图
像中浅灰色区域
(
误识别为煤的部分
)
相对于原始
方法减少很多
.
Fi.7 Proosedmethodfor
g
anuetestin
gpgg
图
7
本文方法对矸石的测试
300mm
的煤的识煤率下降到
60%
以下
,
与厚度
为
180mm
的矸石识煤率相近
,
无法可靠地判断
210mm
范围内的矸石的识煤率较高
,
说明对矸石
的误判可能性大
.
与之相比
,
使用本文方法后
,
各
种厚度煤的识煤率都有了较大提升
,
尤其对
300mm
样本的识煤率提升了
30%
以上
,
而且矸
石的识煤率都有所下降
,
误判率大大减少
.
的分析
,
使用本文方法后煤和矸石区分明显
,
必
然存在某一识别阈值能够可靠地区分出煤矸石
.
综合对厚度在
300mm
以下煤和矸石识煤率
该物质的种类
;
R
值方法对厚度在
110mm~
为了从客观角度进行评价
,
计算不同厚度煤和
矸石的识煤率
,
即浅灰色区域所占物体的比例
.
对
对于矸石
,
识煤率越低对于矸石的识别越精确
.
由表
1
数据明显可知
,
R
值方法对厚度大于
于煤来说
,
识煤率越高就越有利于判断为煤
;
同理
,
210mm
的煤的识煤率逐渐下降
,
对厚度为
T
+
T
g
ma
c
inx
,
本文中识别阈值定义为
T
=
m
为
T
c
min
2
128
中北大学学报
(
自然科学版
)
2021
年第
2
期
煤的最小识别率
,
为矸石的最大识别率
.
经
T
g
max
300mm
,
准确率达到
96%
以上
,
由此证明本文方
法是可行的
,
并且效果优于
R
值曲线拟合方法
.
Tab.1 Comarisonoftwomethodsforcoalreconition
pg
厚度
/
mm
80
表
1
两种方法识煤率对比
本文方法
处理后的
煤
/
%
100
100
过大量实验
,
煤矸石有效识别范围为
50mm~
[
4
]
袁华昕
.
基于
X
射线图像的煤矸石智能分选控制系
[
5
]
吴开兴
,
宋剑
.
基于灰度共生矩阵的煤与矸石自动
]():
识别研究
[
J.
煤炭工程
,
2016
,
48298-101.
,
chonautomaticreco-
gg
J
g
统研究
[
D
]
.
沈阳
:
东北大学
,
2014.
,():)
tionTechnolo2003614-19.
(
inChinese
gy
R
值方法
处理后的
煤
/
%
99.3%
99.17
R
值方法
处理后的
矸石
/
%
13.77
5.33
本文方法
处理后的
矸石
/
%
3.89
5.91
[],():
ineerin2016
,
482
gg
[
6
]
LiW
,
WanuB
,
dcoal
g
anue
g
Y
,
F
g
[//
searationbasedoncomutervisionC
]
FifthInter-
pp
)
98-101.
(
inChinese
nitionofcoaland
g
anuebasedon
g
raevelco-oc-
gy
l
110
1
1
59
9
9.0
9
10029
2
8
0
0
9
8
4
.
.
9
7
8
0
59
94
7.67
8
.
2
1
69
9
.
.
9
1
7
31
0.04
5
.
2
4
4
1
2
4
0
6
9
9
7.271
3
3
.59
3
7
0
0
0
05
6
.
5
.
5
.
2
8
1
2
88
6
5
.
.
6
4
6
5
1
0
.06
1
1
.07
2
.
.
2
7
3
5
2
.
2
.
6
.
8
9
9
6
3
结
语
本文研究了双能
的方法
,
在传统方法上
X
射线透射技术识别煤矸石
增加了结构光相机
,
提出
了一种
R
值曲线拟合和被测物体深度信息融合的
方法
,
利用
R
值曲线拟合算法来初步识别煤矸石
,
再根据由结构光相机采集到的深度信息提升识别
效果
.
实验结果证明
,
本文所提方法能够较好地
识别出
50mm~300mm
范围内的煤矸石
,
但是对
于煤矸石成分复杂
、
形状特殊的情况
,
还需进一
步研究
.
参考文献
:
[
1
]
曹现刚
与展望
,
[
J
李莹
,
王鹏
,
等
.
煤矸石识别方法研究现状
CaoX
sa
ian
n
g
]
d
a
.
工矿自动化
,
n
g
p
r
,
os
L
p
iY
ect
i
s
n
g
o
,
f
W
20
c
a
2
o
n
0
al
g
,
P
4
g
a
e
6
n
n
(
g
g
1
u
,
)
ei
e
:
t
3
d
a
8
e
l
-4
n
.
3
ti
C
.
statufi
u
c
r
a
r
t
e
io
n
n
t
methods
[
J
]
.IndustrialandMineAutomation
,
2020
,
[
2
]
4
陈清如
6
(
1
):
3
[
J
]
.
煤矿现代化
,
8
杨
-43
玉
.
芬
(
inC
.
空
hi
气
ne
重
se
介
)
质流化床干法选煤技术
,
ChenQin
g
ru
,
Yan
g
19
Y
9
u
8
fe
(
1
n
)
.
:
A
2
i
0
rh
-22
ea
.
izedbeddr
y
coal
p
re
p
arationtechn
v
o
y
lo
m
g
e
y
di
[
u
J
mf
]
.C
lui
o
d
a
-
MineModernization
,
1998
(
1
):
20-22.
(
inChinese
)
l
[
3
]
煤技术
杨康
,
娄德安
,
2003
(
.
跳汰选煤技术与设备的发展
[
6
):
14-19.
J
]
.
选
a
Y
r
a
a
n
ti
g
on
Ka
te
n
c
g
h
,
no
L
l
o
o
uD
gy
e
a
a
n
n
de
.D
q
e
ui
v
p
el
m
o
e
p
n
m
t
e
[
n
J
t
]
o
.
f
C
j
i
o
g
alP
coa
r
l
e
p
p
r
a
e
r
p
a
-
-
]
a
n
M
n
a
dT
tion
ma
e
t
s
i
i
cs
n
e
a
a
c
l
h
C
M
n
o
ol
n
B
o
fe
,
g
r
y
e
deJ
,
nc
2
eo
0
o
1
n
0
nF
g
:
T
4
r
6
o
P
7
n
-
t
4
i
R
7
ero
,
2
D
.
fCom
p
uterScience
[
7almi
j
-
troma
g
n
o
e
r
t
t
i
i
c
n
g
an
o
dd
fs
u
c
a
r
l
a
p
en
m
er
e
sor
[
J
]
.International
g
t
J
y
alsw
ou
X-r
i
a
t
rnal
y
hac
o
tran
o
s
m
mi
b
s
i
s
n
i
e
o
de
ns
l
e
e
fMineralPr
n
c
o
-
-
cessin
g
,
2006
,
82
(
4
):
222-232.
-
[
8
]
t
D
u
a
s
lm
fo
i
j
r
n
an
W
al
L
y
s
,
in
d
g
e
a
Jo
n
n
ds
g
o
TPR.
rtin
g
a
A
f
methodanda
p
l
p
a
P
ra
]
-
USPatent
:
WO2002050521
,
200
l
2
owo
.
fmateria
[
.
[
9
]
B
C
o
o
n
n
n
c
i
e
n
to
A
fe
,
D
f
u
f
v
e
a
ct
u
i
c
v
h
e
ell
a
e
to
P
,
Kaftand
j
ianV
,
etal.
g
m
P
r
a
h
a
s
y
p
sd
p
s
h
ic
y
e
sR
[
n
J
sit
e
]
y
s
.
ind
ear
N
c
u
h
c
,
l
u
e
a
2
a
l-
0
rI
ene
14
n
r
m
,
s
g
i
3
t
y
c
1
ru
X
n
8
m
-
u
(
7
e
r
)
n
a
m
t
y
be
:
s
c
r
o
223
&
m
a
p
n
-23
M
u
d
t
1
e
e
e
.
t
dt
ffe
hod
o
ct
si
m
iv
o
e
-
n
[
10
]
王艳
原
:
中北大学
翔
.
双能
,
X
射线物质识别系统的研究
[
D
]
.
太
[
11
]
毛冬辉
,
叶文华
2
,
01
熊田忠
7.
物料的
R
值曲线拟合算法
,
[
等
.
双能
X
射线识别金属
2
M
0
a
1
oD
7
,
4
o
6
n
g
(
5
hu
)
i
:
16
Y
0
eW
-162
en
.
J
]
.
机械制造与自动化
,
hua
,
Xion
g
Tianzhon
g
,
etal.
i
R
d
-
&
e
v
n
a
A
t
l
i
u
f
u
t
i
e
c
o
a
c
m
ti
u
a
o
r
t
no
ve
,
f
ion
fm
itti
,
20
e
n
t
g
1
a
7
lm
al
g
,
4
a
o
6
t
r
e
i
(
r
t
5
i
h
a
)
l
mf
:
s
1
[
J
ord
60
]
-
.
16
M
ua
2
a
l
c
.
h
e
i
n
(
i
n
e
nC
e
r
g
B
y
h
u
i
i
X
n
ld
-
e
i
r
s
n
a
e
g
y
[
12
]
杨斌
.
基于双能
X
射线透射技术的废金属分选系统
)
设计
[
[
13
]
王祺奥
D
控制技术研究
.
]
.
南京
:
南京航空航天大学
,
基于双能
[
D
]
.
X
射线透射的废金
2
属
01
识
5.
别与分离
南京
:
南京航空航天大学
,
[
14
]
黄河
2017.
区域分块废有色金属识别算法
,
叶文华
,
熊田忠
,
等
.
基于双能
[
化
,
2019
,
48
(
4
):
26-29.
J
]
.
机械制造
X
射线透射的
与自动
g
R
H
o
e
u
r
g
a
it
io
n
h
n
g
mb
al
H
b
e
a
l
s
o
,
e
c
do
ks
Ye
nd
cr
W
a
u
p
en
al
n
h
o
u
en
n
a
f
e
e
,
r
r
g
r
X
y
o
i
u
o
X
sm
n
g
-ra
y
e
T
t
i
t
a
a
r
l
n
a
r
z
n
e
h
s
c
o
m
o
n
i
g
g
s
n
s
i
,
i
t
o
io
eta
n
na
l
[
J
]
l-
.
Ma
.
29.
ch
(
i
i
nC
neB
hi
u
n
il
e
d
s
i
e
n
)
g
&Automation
,
2019
,
48
(
4
):
26-
(
下转第
134
页
)
5
134
中北大学学报
(
自然科学版
)
2021
年第
2
期
tinethodsofballet's
p
arametersin
g
reatcalibrear-
g
m
[,
R
,
MtillerJ
]
.JournalofProectileocketsissiles
yj
[]
7
]
于洋
.
电磁炮膛内弹丸测速系统设计
[
J.
四川兵工
fillvelociteasurementsstem
ggpy
m
y
():
学报
,
2011
,
32643-46.
,():)
andGuidance2010
,
301167-169.
(
inChinese
,,,
es-
gy
o
[]
裴东兴
,
沈大伟
,
张瑜
,
等
.
弹底压力测试技术研究
10
,,,
-
ggg
Y
[]():
J.
弹箭与制导学报
,
2012
,
325196-198.
searchof
p
roectilebottom
p
ressuremeasurinech-
jg
t
,():)
andGuidance2012
,
325196-198.
(
inChinese
原
:
中北大学
,
2018.
[],
R
,
lofProectilesocketsissiles
gyj
]
insidecavitfelectromanetic
g
un
[
lof
y
o
g
,
2
:
4SichuanOrdnance011
,
32
(
6
)
3-46.
(
inChi-
)
nese
[]
沈静华
.
放入式电子测压器环境适应性研究
[
11D
]
.
太
[]
郭泽荣
,
袁梦琦
.
机械和压力容器安全
[
12M
]
.
北京
:
[]
张小兵
.
枪炮内弹道学
[
13M
]
.
北京
:
北京理工大学出
[]
T14oshiakiH
,
lstress-focusin
g
版社
,
2014.
北京理工大学出版社
,
2017.
[
8
]
王芳
,
郭增贵
,
朱明武
.
柱形测压铜柱的静态特性分
]():
析
[
J.
兵工学报
,
2017
,
382412-416.
,,
char-
g
F
gggg
acteristicsofcoerclindersforchamber
p
ressure
ppy
)
412-416.
(
inChinese
[],:
mamentarii2017
,
38
(
2
),
transformation
[
J
]
.JournalofThermalStresses
[]
A15bd-allaAM
,
lstressesininfi-
y
]
nitecircularclindersubectedtorotation
[
J.A-
yjp
,
2
:
liedMathematicsandMechanics012
,
33
(
8
)
p
(/):
2012
,
3513269-280.
effectinatransverselsotroicclinderwith
p
hase
y
i
py
[
9
]
孔德仁
,
张淑宁
,
朱明武
,
等
.
铜柱测压动静差分析
():
27-10.
]
及修正公式探讨
[
J.
火炮发射与控制学报
,
2001
,
Z
,
Z
,
eKonerenhanhuninhuMinwutal.
g
D
g
S
gg
clinder
p
ressuretestanddiscussiononcorrection
y
():)
27-10.
(
inChinese
Analsisofdnamicandstaticdifferenceofcoer
yypp
[]
W
,
16anJinZH
,
-interfacethermal
g
J
facialthermalresistance
[
J
]
.JournalofThermal
,():
Stresses2019
,
425629-642.
crack
p
roblemforbondeddissimilar
p
lateswithinter-
1059-1078.
[],
lofGunLaunch&Control2001
(
上接第
128
页
)
[]
邢钢
,
徐玉秀
.X
射线安检设备中双能量方式下
R
15
157-159.
:
值提取
[
J
]
.
核电子学与探测技术
,
2006
(
2
)
[]
王祺奥
,
叶文华
,
熊田忠
,
等
.
废有色金属分选中散
17
():
34194-99.
]
布物料动态位置的实时计算
[
J.
机电工程
,
2017
,
,
Y
,
X
,
Wani