基于圖像處理的煤矸識別技術(shù)研究進展及方向*

李小萌 趙巧蓉

（河北工程大學(xué)礦業(yè)與測繪工程學(xué)院）

我國“十三五”規(guī)劃將“加快推進煤炭無人開采技術(shù)的研發(fā)和應(yīng)用”列入能源領(lǐng)域的重點工程［1］，這意味著煤炭資源開采逐漸向無人化、智能化方向發(fā)展，煤矸自動化識別是實現(xiàn)煤炭智能化開采的關(guān)鍵技術(shù)。傳統(tǒng)的人工分選勞動量大、效率低、粉塵多、對人體危害大；同時，煤炭采出后的濕法選煤對水資源消耗量及環(huán)境污染大，而干法選煤粉塵大、嚴重危害工人身體健康［2-4］。發(fā)展煤矸智能自動化識別技術(shù)有利于提高工作面煤炭回采率和煤炭分選效率，降低自動化放煤的含矸率、避免煤炭洗選造成的環(huán)境污染問題，是實現(xiàn)煤炭安全高效、無人化、智能化開采的關(guān)鍵。

目前，常用的煤矸識別方法主要包括基于自然射線的煤矸識別法、基于聲波信號的煤矸混合度識別技術(shù)、基于振動信號的煤矸識別法、紅外探測技術(shù)以及基于圖像處理技術(shù)的煤矸識別方法等。

基于自然射線的煤矸識別技術(shù)，抗干擾能力差；聲波信號的煤矸混合度識別技術(shù)受工作面噪聲影響較大，且聲信號不易分析，識別率較低；振動信號的煤矸識別技術(shù)易受外界環(huán)境干擾；紅外探測技術(shù)易受采煤機溫度等的影響；圖像處理的煤矸識別技術(shù)，通過灰度、紋理特征差異對煤和矸石進行區(qū)分，具有較高的識別率，不僅有利于實現(xiàn)放頂煤的自動化控制，還能應(yīng)用于選煤廠的煤矸分選，因此得到諸多學(xué)者的青睞。

1 煤矸圖像識別技術(shù)的發(fā)展現(xiàn)狀

1.1 煤矸圖像識別原理及流程

基于圖像處理的煤矸識別是近幾年發(fā)展起來的一種新型煤矸識別方法，該方法通過煤與矸石的顏色、光澤和紋理等信息差異，利用數(shù)字圖像處理技術(shù)提取煤巖樣品的表征參數(shù)，進而識別煤與矸石。

利用圖像處理進行煤矸識別的主要流程如圖1所示。首先對煤和矸石的待訓(xùn)練圖像進行預(yù)處理，以降低因環(huán)境等因素造成的影響，然后對定位的煤矸圖像進行特征提取，將所提取的煤矸特征參數(shù)存入數(shù)據(jù)庫。利用安裝在帶式輸送機上的工業(yè)相機拍攝運動中的煤和矸石圖像，然后為降低圖像體積、縮短圖像處理和識別時間，利用高斯濾波等方法對圖像進行灰度化等預(yù)處理，最后，基于數(shù)據(jù)庫中提取的煤矸特征參數(shù)，利用分類器進行分類訓(xùn)練與測試，最終實現(xiàn)煤矸的分類識別。

1.2 圖像預(yù)處理

受采集設(shè)備和環(huán)境因素的影響，圖像中存在噪點會對識別結(jié)果產(chǎn)生影響，因此需要進行圖像預(yù)處理以保證分類的準確性［5］。圖像預(yù)處理通過灰度化、去噪等處理使其滿足實際需要，并節(jié)省空間占有量，增快傳輸和處理速度，能夠有效突出不同特征的差異。數(shù)字圖像處理方法主要分為空間域處理和頻域處理，空間域處理操作直觀，而頻域處理不僅具有較高的運算速度而且方便信息提取［6］。其中，最大類間方差法通過自動獲取圖像的閾值，實現(xiàn)圖像分割和二值化處理［7］；中值濾波和圖像指數(shù)增強處理的共同利用，減少了預(yù)處理過程中的運算量，從而處理得快速高效［8］。

雖然圖像預(yù)處理能在一定程度上解決環(huán)境和設(shè)備對圖樣的干擾，但井下環(huán)境復(fù)雜，容易造成采樣圖像中的噪點和光影增加，增大處理難度，降低識別精度。

1.3 特征參數(shù)提取及選擇

1.3.1參數(shù)提取方法

煤矸識別結(jié)果主要依賴于所提取參數(shù)的準確度和真實性，因此，煤矸石參數(shù)提取和選擇是識別的關(guān)鍵。在煤矸圖像中，紋理和灰度參數(shù)區(qū)分度較大，因此，多選用紋理和灰度參數(shù)進行識別。

其中，通過灰度直方圖法實現(xiàn)灰度特征參數(shù)的提取，該方法所提取的特征參數(shù)能直觀地反映圖像中灰度出現(xiàn)的頻率，具有運算簡單且實用性和識別準確性較高的特點［8］。而紋理特征提取方法常用的是紋理灰度差分法［9-10］和紋理共生矩陣法［11］，其特點如表1所示。紋理共生矩陣法所得出的紋理對比度和熵的煤矸區(qū)分度大于紋理灰度差分法所得出的區(qū)分度［9］，反映了不同方法所提取的相同特征參數(shù)對煤矸特征值的衡量和區(qū)分度存在差異，特征提取方法對煤矸參數(shù)存在識別影響。

1.3.2參數(shù)選擇

部分學(xué)者將幾何特征參數(shù)引入煤矸識別中，研究基于不同煤質(zhì)的紋理和灰度特征的煤矸區(qū)分度，如圖2所示［6］。圖2中顯示了3種神經(jīng)網(wǎng)絡(luò)模型在不同參數(shù)情況下的識別率，可以看出，在單一參數(shù)的情況下，3種神經(jīng)網(wǎng)絡(luò)模型的識別率較低，將灰度和紋理2種參數(shù)結(jié)合時識別率有所提高，但不明顯，當(dāng)3種參數(shù)相結(jié)合時識別率最高。可見，特征參數(shù)的選取和組合對煤矸識別率有著較大的影響。

在特征參數(shù)的選取中，由于煤巖組分結(jié)構(gòu)復(fù)雜，單一的特征量不足以區(qū)分煤矸，但過多的特征參數(shù)存在較高的特征空間維數(shù)，導(dǎo)致信息的冗余，致使識別精度降低［12］。其中，僅有少數(shù)學(xué)者引入顏色參數(shù)，通過Relief算法對所提取特征進行權(quán)重分析，利用SVM—RFE方法剔除冗余特征并且獲取最佳分類參數(shù)［13］。

綜上所述，參數(shù)選取方面主要存在以下問題：①煤質(zhì)極大影響煤矸圖像的灰度和紋理特征，目前煤矸圖像樣本的選擇隨意性較大；②對特征參數(shù)的相關(guān)性及組合研究較少，參數(shù)的選取依賴于傳統(tǒng)的實驗分析，理論研究不足。

?

1.4 圖像識別算法研究

基于圖像處理的煤矸識別技術(shù)中，識別算法的選擇直接影響煤矸識別的準確性，目前，最常用的是支持向量機和神經(jīng)網(wǎng)絡(luò)算法。

支持向量機以結(jié)構(gòu)化風(fēng)險最小為原則，即兼顧訓(xùn)練誤差最小化和測試誤差最小化，具有較好的學(xué)習(xí)能力和泛化能力［14］。但是，需要較大的存儲空間，因此，難以實現(xiàn)大規(guī)模的訓(xùn)練。其中，支持向量機對核函數(shù)及其參數(shù)具有敏感性，但核函數(shù)和參數(shù)的選擇都是人為根據(jù)經(jīng)驗進行選取，因此，在不同實驗中識別精度會出現(xiàn)不同程度的波動。

然而，神經(jīng)網(wǎng)絡(luò)具有較強的容錯能力［15］，能夠減小環(huán)境影響所帶來的誤差。通過對比不同網(wǎng)絡(luò)模型的訓(xùn)練時間和識別效果，分析發(fā)現(xiàn)，適當(dāng)構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)模型可以縮短訓(xùn)練時間并提高識別率［16-17］。

2 煤矸圖像識別技術(shù)的發(fā)展趨勢

2.1 環(huán)境噪聲降低

煤矸圖像識別技術(shù)需要獲取高質(zhì)量的數(shù)字圖像，但煤和矸石感光度不同，在井下光照不均的環(huán)境中，可能會出現(xiàn)過暗甚至煤矸陰影的情況，同時井下粉塵濃度高、濕度大等會造成圖像中噪點增多。且實際采樣過程中，煤矸和采樣器之間的相對運動狀態(tài)、設(shè)備成像和采樣精度［18］等都會引起采樣圖像的非線性模糊，可從圖像預(yù)處理和提高圖像采集設(shè)備及傳輸設(shè)備質(zhì)量入手，來降低環(huán)境噪聲。

2.2 深度學(xué)習(xí)理論引入

深度學(xué)習(xí)由G E Hinton和R R Salakhutdinov為解決數(shù)據(jù)降維問題提出［19］，目前已在圖像處理、語音識別等領(lǐng)域得到較好的應(yīng)用。深度學(xué)習(xí)相較于傳統(tǒng)的機器學(xué)習(xí)理論，明顯具有更優(yōu)的性能、更快的速度和更好的分類決策效果［20］，其中，卷積神經(jīng)網(wǎng)絡(luò)在針對海量數(shù)據(jù)集進行特征提取和處理速度上都具有較好的效果。

由于煤矸識別過程具有較高的實時性，因此需要識別算法具有較高的處理速度，普通算法在較大的數(shù)據(jù)集處理中不具備該優(yōu)勢，但深度學(xué)習(xí)通過對訓(xùn)練速度和測試速度的調(diào)節(jié)，能夠達到快速的處理數(shù)據(jù)并作出決策。深度學(xué)習(xí)理論在學(xué)習(xí)過程中，樣本數(shù)據(jù)集越大，得到的模型誤差越小，使決策結(jié)果更接近真實值，具有更強的泛化能力。其中，卷積神經(jīng)網(wǎng)絡(luò)模型不需要對圖像進行預(yù)處理，能夠自適應(yīng)提取煤矸特征，降低人為因素的同時提高識別精度，同時，算法的泛化性在進行分類時，能夠減小環(huán)境變化帶來影響。

綜上，在面對大數(shù)據(jù)集的煤矸圖像的實時性、復(fù)雜性和多樣性等特點時，深度學(xué)習(xí)將傳統(tǒng)的經(jīng)驗與未知的參數(shù)關(guān)系緊密結(jié)合在一起，以達到較好的處理效果，具有較強的特征提取能力，可以降低圖像預(yù)處理及人為因素對識別精度的影響。因此，將深度學(xué)習(xí)理論應(yīng)用于煤矸圖像識別，將極大提高識別精度，應(yīng)用前景廣闊。

2.3 智能分選系統(tǒng)研發(fā)

目前，智能分選系統(tǒng)和傳統(tǒng)的人工分選成為了主要的分選方式，但隨著科技的發(fā)展，智能分選系統(tǒng)逐漸取代人工分選。例如，我國引進了基于γ射線傳感器的GDRT煤矸智能分選系統(tǒng)，填補了我國該領(lǐng)域的空白，極大地提升了分選的效率［21-22］；其次，開灤集團將機器學(xué)習(xí)與圖像處理技術(shù)相結(jié)合，研發(fā)出人工智能煤矸分選機器人，具有較高的煤矸識別率，為企業(yè)帶來了可觀的經(jīng)濟效益。然而，目前煤矸數(shù)據(jù)集仍然不夠完善，煤和矸石數(shù)據(jù)集的建立將會提高分選系統(tǒng)的識別率，可為煤矸分選系統(tǒng)的研究提供依據(jù)。

3 結(jié)論

（1）傳統(tǒng)煤矸識別依賴于人工分選，有勞動強度高、危害大等缺點；目前常用的煤矸識別易受環(huán)境等因素的影響導(dǎo)致識別率低；煤矸圖像識別技術(shù)可極大降低煤矸分選工作強度和環(huán)境污染、提高識別精度，是實現(xiàn)采煤工作面無人化、智能化的關(guān)鍵技術(shù)之一。

（2）井下采樣環(huán)境復(fù)雜會增加環(huán)境噪聲，影響識別的準確性，提出可通過提高采集、傳輸設(shè)備質(zhì)量和圖像預(yù)處理的方法降低環(huán)境噪聲。

（3）深度學(xué)習(xí)理論的實時性、圖像處理的簡便性和較強的特征提取能力，可有效解決煤矸圖像處理過程中數(shù)據(jù)復(fù)雜性、多樣性和大數(shù)據(jù)集的難題。因此，將深度學(xué)習(xí)理論與煤矸圖像識別相結(jié)合，具有廣闊的應(yīng)用前景，是未來研究的重點領(lǐng)域。

（4）智能分選系統(tǒng)的應(yīng)用，解決了傳統(tǒng)分選所帶來的問題，填補了該領(lǐng)域的空白；同時，大量煤矸數(shù)據(jù)集的建立，將會為智能分選的研發(fā)提供依據(jù)。