一種煤矸石優化識別方法

趙明輝

(1.中煤科工集團上海有限公司， 上海 200030；2.同濟大學 電子與信息工程學院， 上海 201804)

0 引言

煤炭開采過程中混有大量矸石，將矸石從煤炭中分選出來是煤炭生產環節重要的組成部分。傳統的煤矸石分選主要依靠人工，存在分選效率低、勞動強度大等問題。隨著圖像處理技術的快速發展，圖像識別逐漸應用到煤矸石分選環節中[1-2]。傳統的煤矸石圖像識別方法對圖像進行濾波、邊緣檢測和分割等處理，基于灰度、紋理等特征區分煤和矸石[3-5]。然而在實際應用過程中，輸送帶磨損會給視覺檢測帶來嚴重噪聲，定位煤或矸石時會出現目標區域過大或過小的情況，導致目標區域出現過多輸送帶背景或丟失邊緣信息，影響煤矸石識別準確率。本文將深度學習引入煤矸石圖像識別，利用深度學習進行目標檢測，定位目標在圖像中的位置，再依據圖像灰度直方圖的三階矩特征參數對煤矸石進行分類，從而提高煤矸石識別準確率。

1 煤矸石識別方法

1.1 深度學習網絡

利用深度學習網絡進行目標檢測時，每個檢測框只能檢測1個目標，如果2個目標同時落在1個檢測框中，也只能檢測到1個目標。通過引入anchor boxes可實現多目標檢測，但增加了深度學習網絡的復雜程度，導致訓練過程收斂速度慢、網絡計算能力降低等問題[6-7]。深度學習網絡CornerNet只需通過檢測bounding box的左上角關鍵點和右下角關鍵點來實現目標檢測，消除了對anchor boxes的需求。但CornerNet網絡在COCO數據集上測試的平均單幀推理時間為1.147 s[8]，不能滿足實時性要求。……