煤矸石图像分类方法

饶中钰, 吴景涛 , 李明

饶中钰，吴景涛，李明.煤矸石图像分类方法［J］.工矿自动化，2020,46（3）：69-73.. DOI: 10.13272/j.issn.1671-251x.17495
引用本文: 饶中钰，吴景涛，李明.煤矸石图像分类方法［J］.工矿自动化，2020,46（3）：69-73.. DOI: 10.13272/j.issn.1671-251x.17495
shu
RAO Zhongyu, WU Jingtao, LI Ming. Coal-gangue image classification method[J]. Journal of Mine Automation, 2020, 46(3): 69-73. DOI: 10.13272/j.issn.1671-251x.17495
Citation: RAO Zhongyu, WU Jingtao, LI Ming. Coal-gangue image classification method[J]. Journal of Mine Automation, 2020, 46(3): 69-73. DOI: 10.13272/j.issn.1671-251x.17495
shu

煤矸石图像分类方法

  • 1.

    中国矿业大学 信息与控制工程学院， 江苏 徐州221116

  • 2.

    冀中能源股份有限公司 章村煤矿， 河北 邢台054000

基金项目: 

中国博士后科学基金资助项目（2014M551695）

徐州市科技计划资助项目（KC17075）

详细信息

  • 中图分类号: TD948

Coal-gangue image classification method

  • 1.

    School of Information and Control Engineering, China University of Mining and Technology, Xuzhou 221116, China

  • 2.

    Zhangcun Coal Mine, Jizhong Energy Resources Co., Ltd., Xingtai 054000, China

摘要

    摘要
  • 摘要: 针对人工排矸法、机械湿选法、γ射线分选法等传统煤矸石分选方法无法兼顾快速高效性、安全无害性、简单操作性的问题，提出了基于机器视觉的煤矸石图像分类方法。对煤矸石图像进行增强、平滑去噪等预处理，采用基于距离变换的分水岭算法实现煤矸石图像分割提取。针对煤矸石分割图像，选取煤矸石图像的HOG特征及灰度共生矩阵，分别以支持向量机、随机森林、K近邻算法作为分类器进行基于特征提取的煤矸石分类识别；分别建立浅层卷积神经网络和基于ImageNet数据集预训练的VGG16网络，进行基于卷积神经网络的煤矸石分类识别。研究结果表明，基于VGG16网络的煤矸石图像分类方法准确率最高为99.7%，高于基于特征提取方法的91.9%和基于浅层卷积神经网络方法的92.5%。
    Abstract: For problems that traditional coal-gangue separation methods such as manual separation method, mechanical wet-separation method, γ-ray separation method and so on could not give consideration to high efficiency, safety and easy operation, a coal-gangue image classification method based on machine vision was proposed. Coal-gangue image is pre-processed with enhancement, smoothing and denoising, then segmented and extracted by watershed algorithm based on distance conversion. HOG feature and gray-level co-occurrence matrix of the coal-gangue image are selected, and coal-gangue classification based on feature extraction is carried out by taking support vector machine, random forest and K-nearest neighbor algorithm as classifier separately. Coal-gangue image classification based on convolutional neural network is carried out by building shallow-level convolutional neural network and VGG16 network pre-trained by ImageNet dataset separately. The research results show that the maximum accuracy rate of the coal-gangue image classification method based on VGG16 is 99.7%, which is higher than that of the method based on feature extraction with 91.9% or the method based on shallow convolutional neural network with 92.5%.
    • HTML全文
    • 参考文献(0)
    • 相关文章
    • 施引文献(41)

  • 期刊类型引用(16)

    1. 杨洋，李海雄，胡淼龙，郭秀才，张会鹏. 基于YOLOv5-SEDC模型的煤矸分割识别方法. 工矿自动化. 2024(08): 120-126 . 本站查看
    2. 张释如，张达. 基于迁移学习的煤矸图像识别方法. 计算机应用与软件. 2024(11): 247-250+260 . 百度学术
    3. 武强，张帅，杜沅泽，徐华，赵颖旺. 基于MRAU视频分割模型的矿井涌（突）水风险识别方法. 煤炭科学技术. 2024(11): 17-28 . 百度学术
    4. 巩师鑫，赵国瑞，王飞. 机器视觉感知理论与技术在煤炭工业领域应用进展综述. 工矿自动化. 2023(05): 7-21 . 本站查看
    5. 汪岩，李自强. 基于AI图像处理的煤矸石特征提取及分类方法. 煤炭技术. 2023(11): 231-233 . 百度学术
    6. 杨志方. 基于雷达与视觉融合的双模态煤矿井下环境感知技术. 工矿自动化. 2023(11): 67-75 . 本站查看
    7. 何江，张科星. 基于机器视觉的AlexNet网络煤矸石检测系统. 煤炭技术. 2022(03): 205-208 . 百度学术
    8. 靳舒凯，魏冠楠，王春明，王统海，吴忠伦，杨克虎. 煤矿副井矿车装载物智能识别方法. 工矿自动化. 2022(04): 14-19+30 . 本站查看
    9. 倪云峰，封子杰，郭苹，王静. 基于卷积神经网络的煤矸石识别算法研究. 现代电子技术. 2022(10): 57-62 . 百度学术
    10. 张红，李晨阳. 基于光学图像的煤矸石识别方法综述. 煤炭工程. 2022(07): 159-163 . 百度学术
    11. 李思思. 煤矸石分拣智能控制系统设计. 现代制造技术与装备. 2022(07): 195-197+211 . 百度学术
    12. 孙涛，王宏伟，闫志蕊. 基于卷积神经网络和语义分割混合模型的煤岩识别系统研究. 矿业研究与开发. 2022(11): 179-187 . 百度学术
    13. 张达，白瑶瑶，张释如，张天军. 基于视频的带式输送机煤矸识别方法. 煤炭技术. 2022(12): 212-214 . 百度学术
    14. 王贺，马志鹏. 图像处理与识别技术在煤矿矸石自动分选系统中的应用研究. 电子测试. 2021(13): 112-113+83 . 百度学术
    15. 来文豪，周孟然，王锦国，胡天羽，孔茜茜，胡锋，卞凯，朱梓伟. 多光谱波段筛选的煤矸石快速定位. 中国激光. 2021(16): 190-200 . 百度学术
    16. 韩存地，朱兴攀，符立梅，董立红，刘安强，李远成，许犇，汪梅. 改进空间通道注意力与残差融合的煤矸石识别. 西安科技大学学报. 2021(06): 1113-1121 . 百度学术

    其他类型引用(25)

    • 资源附件(0)
计量
  • 文章访问数:  153
  • HTML全文浏览量:  12
  • PDF下载量:  25
  • 被引次数: 41
出版历程
  • 刊出日期:  2020-03-19

目录

摘要
HTML全文
    参考文献(0)
    相关文章
    施引文献(41)
    资源附件(0)

    /

    返回文章
    返回

    苏ICP备 05016349号-2

    本系统由 北京仁和汇智信息技术有限公司 开发  访问量：1157805    百度统计