一种煤矸石优化识别方法

赵明辉

赵明辉.一种煤矸石优化识别方法［J］.工矿自动化，2020,46（7）：113-116.. DOI: 10.13272/j.issn.1671-251x.2020040058
引用本文: 赵明辉.一种煤矸石优化识别方法［J］.工矿自动化，2020,46（7）：113-116.. DOI: 10.13272/j.issn.1671-251x.2020040058
shu
ZHAO Minghui. A coal-gangue optimization identification method[J]. Journal of Mine Automation, 2020, 46(7): 113-116. DOI: 10.13272/j.issn.1671-251x.2020040058
Citation: ZHAO Minghui. A coal-gangue optimization identification method[J]. Journal of Mine Automation, 2020, 46(7): 113-116. DOI: 10.13272/j.issn.1671-251x.2020040058
shu

一种煤矸石优化识别方法

  • 1.

    中煤科工集团上海有限公司， 上海200030

  • 2.

    同济大学 电子与信息工程学院， 上海201804

基金项目: 

天地科技股份有限公司科技创新创业资金专项项目（2018-TD-MS031）

详细信息

  • 中图分类号: TD712.7

A coal-gangue optimization identification method

  • 1.

    CCTEG Shanghai Research Institute, Shanghai 200030, China

  • 2.

    College of Electronics and Information Engineering, Tongji University, Shanghai 201804, China

摘要

    摘要
  • 摘要: 针对输送带磨损造成煤矸石图像目标检测不准确、影响煤矸石识别准确率等问题，提出了一种煤矸石优化识别方法。采集的图像经过裁切、去噪、灰度化等预处理后，利用训练好的CornerNet-Squeeze深度学习模型判断图像中是否存在待检测的煤或矸石，若存在则定位煤或矸石在图像中的位置，有效降低目标检测时输送带背景干扰；对定位区域进行灰度直方图分析，依据图像灰度直方图的三阶矩特征参数对煤矸石进行分类，判定是煤还是矸石，提高识别准确率。实验结果表明，该方法识别准确率为91.3%，单张图像识别时间为41 ms，具有较高的识别准确率和较好的实时性。
    Abstract: Aiming at problem that target detection of coal-gangue image is not accurate due to wear of conveyor belt, which affects identification accuracy of coal-gangue, a coal-gangue optimization identification method is proposed. After pre-processing of collected images such as cutting, denoising and grayscale, the trained cornernet-squeeze deep learning model is used to judge whether there is coal or gangue to be detected in the images. If there is, position of coal or gangue in the images is located, which can effectively reduce background interference of conveyor belt during detection. The location area is analyzed by gray histogram, then according to third moment characteristic parameter of image gray histogram, coal-gangue is classified to determine whether it is coal or gangue to improve identification accuracy. The experimental results show that the method has high identification accuracy and good real-time performance with identification accuracy of 91.3% and identification time of 41 ms for single image.
    • HTML全文
    • 参考文献(0)
    • 相关文章
    • 施引文献(25)

  • 期刊类型引用(11)

    1. 李锋. 基于图像增强技术和深度学习的煤矸石智能识别方法. 自动化技术与应用. 2025(03): 151-155 . 百度学术
    2. 汝洪芳，李作淘，王国新，王书侠. 基于全局自注意力机制的煤矸石目标检测网络. 黑龙江科技大学学报. 2024(01): 112-117 . 百度学术
    3. 何凯，程刚，王希，葛庆楠，张辉，赵东洋. 基于CED-YOLOv5s模型的煤矸识别方法研究. 工矿自动化. 2024(02): 49-56+82 . 本站查看
    4. 高如新，杜亚博，常嘉浩. 基于改进YOLOX-S的轻量化煤矸石检测方法研究. 河南理工大学学报(自然科学版). 2024(04): 133-140 . 百度学术
    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. 张释如，朱萌. Relief-MRMR-SVM在煤矸图像分类的研究. 煤炭工程. 2022(04): 139-144 . 百度学术
    7. 桂方俊，李尧. 基于CBA-YOLO模型的煤矸石检测. 工矿自动化. 2022(06): 128-133 . 本站查看
    8. 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
    9. 李亚坤，马宏伟，王鹏. 基于VGG＿16网络的煤和矸石识别技术研究. 煤炭技术. 2022(09): 156-159 . 百度学术
    10. 蒋卫祥. 增量式矿石自动化分拣系统研究. 矿业研究与开发. 2020(11): 150-155 . 百度学术
    11. 潘红光，裴嘉宝，侯媛彬. 智慧煤矿数据驱动检测技术研究. 工矿自动化. 2020(10): 49-54 . 本站查看

    其他类型引用(14)

    • 资源附件(0)
计量
  • 文章访问数:  115
  • HTML全文浏览量:  18
  • PDF下载量:  16
  • 被引次数: 25
出版历程
  • 刊出日期:  2020-07-19

目录

摘要
HTML全文
    参考文献(0)
    相关文章
    施引文献(25)
    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：1152024    百度统计