基于紅外熱成像的煤矸識別方法研究

程剛 潘擇燁 魏溢凡 陳杰

文章編號：1671?251X（2024）04?0069?09 ?DOI：10.13272/j.issn.1671-251x.2023100086

摘要：基于重介選煤、跳汰選煤、浮選、干法選煤、γ射線檢測法的煤矸分選方法投資成本高、分選效率低、環境污染嚴重，基于 CCD相機的煤矸分選方法準確率不高，基于 X 射線的煤矸分選技術會危害工作人員的健康。紅外熱成像技術不受光照、粉塵影響，且不會對人體造成傷害。提出了一種基于紅外熱成像的煤矸識別方法。首先，煤和矸石在傳送帶的輸送下經過加熱區域，紅外熱成像儀監測經均勻加熱后的煤和矸石中心點的溫度，得到煤和矸石加熱后的溫度并對經加熱區域均勻加熱后的煤和矸石進行拍攝，得到煤和矸石的紅外灰度圖像和紅外彩色圖像。然后，選用高斯濾波對煤和矸石的紅外灰度圖像、紅外彩色圖像進行預處理并提取特征，將紅外灰度圖像的灰度均值、最大頻數對應的灰度值特征和紅外彩色圖像的 G 通道一階矩、G 通道二階矩特征作為分選特征，將上述4個特征作為分類模型的輸入。最后，采用支持向量機（SVM）進行分類識別，從而達到識別煤和矸石的目的。實驗結果表明：基于紅外熱成像的煤矸識別方法對煙煤、無煙煤、褐煤的分選準確率均達到了98%以上，有良好的分類效果。

關鍵詞：煤矸識別；紅外熱成像；紅外灰度圖像；紅外彩色圖像；灰度均值；SVM；圖像預處理中圖分類號：TD67 ?文獻標志碼：A

Research on coal gangue recognition method based on infrared thermal imaging

CHENG Gang1， PAN Zeye2， WEI Yifan2， CHEN Jie2

（1. State Key Laboratory of Mining Response and Disaster Prevention and Control in Deep Coal Mines， AnhuiUniversity of Science and Technology， Huainan 232001， China；2. School of Mechanical and Electrical Engineering，Anhui University of Science and Technology， Huainan 232001， China）

Abstract： Coal and gangue sorting methods based on heavy-medium coal selection technology， jigging technology， flotation technology， dry coal selection technology and γ-ray detection method have high investment costs， low sorting efficiency and serious environmental pollution. The accuracy of the coal gangue sorting method based on CCD cameras is not high， and the X-ray based coal gangue sorting technology can harm the health of personnel. Infrared thermal imaging technology has the advantage of being unaffected by light and dust， and will not cause harm to the human body. A coal gangue recognition method based on infrared thermal imaging has been proposed. Firstly， coal and gangue pass through the heating area under the conveyor belt， and the temperature of the center point of coal and gangue is monitred through an infrared thermal imager to obtain the temperature of the heated coal and gangue. The infrared thermal imager is used to capture the uniformly heated coal and gangue in the heating area， obtaining infrared grayscale and color images of the coal and gangue. Secondly， Gaussian filtering is used to preprocess and extract features from the infrared grayscale images and infrared color images ofcoal and gangue. The grayscale mean of the infrared grayscale image， the grayscale value feature corresponding to the maximum frequency， and the G-channel first-order moment and G-channel second-order moment features of the infrared color image are used as sorting features. The above four features are used as inputs for the classification model. Finally， support vector machine （SVM） is used for classification and recognition to achieve the goal of recognizing coal and gangue. The experimental results show that the coal gangue recognition method based on infrared thermal imaging has achieved an accuracy rate of over 98% for the sorting of bituminous coal， anthracite， and lignite， and has a good classification effect.

Key words： coal gangue recognition; infrared thermal imaging; infrared grayscale image; infrared color images; grayscale mean; SVM; image preprocessing

0引言

煤炭是我國最主要的能源之一，并被譽為“工業之糧”，為我國的經濟增長提供了堅實的后盾，因此國家高度重視并鼓勵煤炭資源的環保使用[1-2]。矸石是一種在采煤過程中與煤一起開采出來的伴生產物，如果不將煤中的矸石分選出來，矸石的燃燒過程會釋放出眾多的有毒有害氣體（CO，H2S，SO2等），造成巨大的污染，并破壞居民的生活環境，損害人體健康[3-4]，不符合國家對煤炭資源清潔利用的要求。因此，在實際生產中需對煤和矸石進行分選。傳統的人工分選方法勞動量大，分選效率較低，已逐漸被淘汰[5-7]。目前，煤和矸石分選方法主要有重介選煤、跳汰選煤、浮選、干法選煤、γ射線檢測法等，普遍存在投資成本高、分選效率低、環境污染嚴重等問題[8]。伴隨著機器視覺和圖像處理技術的飛速進步，國內外研究人員通過 CCD 相機獲得煤和矸石的可見光圖像，用機器視覺和圖像處理技術相結合的方法對煤和矸石進行分選。王家臣等[9]探究了煤和矸石在不同照度下的響應特性，對煤和矸石可見光圖像的灰度、紋理特征進行了提取，以支持向量機（Support Vector Machine，SVM）模型對煤和矸石進行識別，正確率達98.39%。吳開興等[10]利用灰度共生矩陣描述煤矸紋理特征，并用 SVM 進行識別。上述研究主要涉及對可見光圖像特征的提取，但井下工況復雜，且存在因煤矸揚起的粉塵，CCD 相機獲得的煤和矸石可見光圖像質量不高，進而分選率較低。隨著光電技術的不斷進步，X 射線在煤矸分選領域得到了廣泛研究和應用。郭永存等[11]利用雙能 X 射線技術對煤和矸石進行透射和成像，提出了一種結合 R 值圖像和高低能圖像特征來進行煤和矸石多維度分析的方法，能夠對不同的煤種實現較高的識別準確率。王文鑫等[12]提出一種 X 射線透射煤矸智能識別方法，提取煤矸圖像灰度特征和紋理特征，采用多層感知機（Multilayer Perceptron，MLP）模型實現煤矸識別。上述煤矸分選方法均能達到良好的分選效果，但 X 射線會對工作人員的健康帶來傷害。

紅外熱成像技術[13]具有不受光照、粉塵影響的特點，且不會對人體造成傷害，在發電[14]、冶煉礦物[15]、綠色環保[16]、煤巖界面識別[17-19]等領域廣泛應用。本文提出一種基于紅外熱成像的煤矸識別方法。考慮煤和矸石在室溫下表面溫度接近，導致它們在紅外圖像中沒有較大差異，將煤和矸石在傳送帶的輸送下依次經過加熱區域，由紅外熱成像儀對煤和矸石進行拍攝，得到煤和矸石加熱后的紅外圖像，對紅外圖像進行預處理并提取特征，采用 SVM 進行分類識別，達到識別煤和矸石的目的。

1平臺搭建及實驗原理

1.1實驗平臺搭建

為了獲取煤和矸石加熱后的紅外圖像，搭建了煤矸識別紅外熱成像實驗裝置，如圖1所示。

實驗裝置由計算機、紅外熱成像儀、加熱區域、傳送帶、帶速控制器、控溫器組成。紅外熱成像儀在監測物體表面溫度和實時熱成像的同時，可獲取物體的紅外灰度圖像及各種色彩模板下的紅外偽彩色圖像。本實驗使用的紅外熱成像儀的紅外響應波段為8～14μm，測溫范圍為?40～400℃， 紅外熱成像儀的紅外分辨率為320×240。加熱區域由3盞碳纖維加熱燈組成。加熱區域和紅外熱成像儀通過鋼架固定在傳送帶上方，加熱區域距離傳送帶的高度為20 cm，紅外熱成像儀距離傳送帶的距離為50 cm，通過數據線與計算機相連，控溫器和帶速控制器固定在傳送帶一側。控溫器帶有測溫探頭，可控制加熱區域溫度。加熱區域的溫度越高，煤和矸石加熱后的紅外圖像特征差異越明顯，但考慮到實驗室的具體條件限制及真實的井下環境，過高的溫度可能帶來安全隱患，因此本實驗加熱區域的溫度通過控溫器控制在70℃。煤炭的燃點因煤炭的種類不同而有所不同，但基本都在300℃以上，加熱區域的溫度為70℃， 遠遠沒有達到煤炭的燃點，可避免引燃風險。傳送帶的速度為0.06 m/s，保持恒定。

1.2實驗原理

自然界中任何表面溫度高于絕對零度的物體都會向周圍環境輻射電磁波，波長介于0.75～1000μm 的電磁波被稱為紅外線[20]。紅外熱成像技術主要是探測物體表面的紅外輻射能量，以獲得物體表面的溫度。紅外熱成像技術基于斯蒂芬?玻耳茲曼定律，該定律指出，物體單位面積在單位時間內的熱輻射能量為

J =σεT4 ????（1）

式中：σ為斯蒂芬?玻耳茲曼常數；ε為物體表面發射率；T為物體的熱力學溫度。

根據斯蒂芬?玻耳茲曼定律可知，物體的熱輻射能量與物體的表面發射率成正比，與物體熱力學溫度的4次方成正比。由于物體的表面發射率一般非常小，所以物體的熱輻射能量主要和物體的熱力學溫度有關，物體的熱力學溫度越高，紅外輻射的能量就越強。

紅外熱成像儀通過紅外探測器捕獲物體發出的紅外線輻射，并將這些紅外輻射能量的分布圖顯示在紅外探測器的光敏部件上，進一步由探測器將這些紅外輻射能轉換為電信號，并對其進行進一步處理，將處理后的數據傳輸到紅外設備顯示器上，得到被測物體的紅外圖像。

由于煤和矸石的顏色、紋理、光澤和其他物理性質不同，它們表面的吸熱能力也不同。為了更直觀體現二者吸熱能力的差異，在煤矸樣本中隨機選擇煤和矸石樣本各20塊，在傳送帶的輸送下經過加熱區域，經紅外熱成像儀獲取煤和矸石中心點的溫度，得到煤和矸石加熱后的溫度，如圖2所示。初始煤和矸石樣本的溫度與室溫（22℃）相同。由圖2可看出，經過相同時間的加熱后，煤的表面溫度明顯高于矸石的表面溫度，從而導致煤和矸石的紅外圖像有較大不同，因此，利用二者紅外圖像的差異對煤和矸石進行分選。

2圖像獲取及預處理

2.1圖像獲取

本文選用安徽省淮南礦區的煙煤作為實驗樣本，樣本煤和矸石在傳送帶的輸送下依次經過加熱區域。利用紅外熱成像儀對經均勻加熱后的煤和矸石進行拍攝，得到煤和矸石的紅外灰度圖像（物體紅外光強度被紅外熱成像儀獲取后得到的圖像）和紅外彩色圖像（紅外熱成像儀高彩虹顏色模板下形成的偽彩色圖像）。將捕捉到的圖像傳輸至計算機進行保存，以便后續的圖像處理。選取300塊煤矸樣本進行圖像采集，其中煤和矸石各150塊，得到煤矸樣本的紅外灰度圖像和紅外彩色圖像各300張。為了提高樣本訓練和識別的效率，并考慮煤和矸石表面凹凸情況對溫升的影響，在計算機中對每張圖像進行掃描后提取平均溫度最高的部分，提取后的圖像大小為200×200。圖3為部分樣本圖像。

2.2圖像預處理

紅外圖像的信噪比[21]較可見光圖像低，因此在保證圖像質量的前提下，選用中值濾波、高斯濾波、均值濾波對紅外圖像進行濾波處理。為了確定濾波過程中卷積核的大小，選取3×3，5×5，7×7這3種卷積核分別對同一張煤樣本圖像進行濾波處理，結果如圖4所示。可看出在卷積過程中，卷積核越大，圖像越模糊，卷積核尺寸為3×3時，圖像的去噪效果最佳，因此選擇3×3卷積核。

為了客觀體現圖像的預處理結果，本文采用最小化平方誤差（Minimum Squared?Error，MSE）和峰值信噪比（Peak Signal-to-Noise Ratio，PSNR）來評價圖像的降噪效果。最小化平方誤差越小，圖像失真越小；峰值信噪比越大，圖像失真越小。

式中：M，N 為圖像的維度；P（i，j）為原始圖像在坐標（i，j）處的像素值；B（i，j）為降噪后的圖像在坐標（i，j）處的像素值。

以3×3的卷積核對3種濾波方式的濾波效果進行比較，結果見表1，對矸石圖像的濾波結果如圖5所示。由表1可看出，高斯濾波的 MSE 和 PSNR 較中值濾波和均值濾波低。由圖4和圖5可看出，高斯濾波對煤和矸石紅外圖像的處理結果更為清晰，平滑度更好。因此本文選用高斯濾波對煤和矸石的紅外灰度圖像、紅外彩色圖像進行預處理。

3特征提取

3.1紅外灰度圖像灰度特征提取

灰度特征描述的是圖像區域所對應的表面性質。灰度均值、灰度方差、最大頻數對應的灰度值等灰度特征可通過灰度分析得到。煤和矸石紅外灰度圖像的像素值和像素點分布存在差異，導致它們的灰度分布不同，因此需對它們進行灰度分析。分別從煤和矸石的樣本中隨機挑選75塊樣本，對其紅外灰度圖像進行灰度特征提取，得到煤和矸石灰度圖像的各特征值分布（表2）。

從表2可看出，煤和矸石的灰度方差和偏度的分布范圍重合度較高，致使區分度低，不利于分選。相比之下，灰度均值和最大頻數對應的灰度值的分布范圍差異較大，有利于分選。因此，在灰度特征中選擇灰度均值和最大頻數對應的灰度值這2個參數作為初步的識別特征。灰度均值和最大頻數對應的灰度值的分布曲線如圖6所示，可看出煤和矸石的分布差異十分明顯。為了方便表示，記灰度均值、最大頻數對應的灰度值分別為 H1，H2。

3.2紅外灰度圖像紋理特征提取

灰度共生矩陣是一種用于統計圖像中所有像素以描述其灰度分布的統計方法，它綜合反映了圖像灰度的各種信息。基于灰度共生矩陣可得到許多特征參數來反映圖像的紋理特征，常用的特征參數有熵、對比度、相關性、能量、同質性。為了觀察煤和矸石紅外灰度圖像紋理方面的差別，選取與上文相同的煤和矸石樣本，對其紅外灰度圖像進行紋理分析，得到熵、對比度、相關性、能量、同質性紋理特征參數的分布范圍（表3）。

為了進一步選擇熵、對比度、相關性、能量、同質性紋理特征，做出其分布曲線，如圖7所示。

由表3和圖7可看出，能量和同質性的分布范圍接近，分布曲線重合較多，熵、對比度、相關性的分布范圍差異較大。因此，在紋理特征中選擇熵、對比度、相關性這3個參數作為初步的識別特征。記熵、對比度、相關性分別為 W1，W2，W3。

3.3紅外彩色圖像特征提取

彩色圖像特征提取是指從彩色圖像中提取出能表現圖像特點的屬性集合。在彩色圖像中，經常使用的特征包括顏色特征、形狀特征和空間位置關系特征等。其中，顏色特征是最常用和基本的特征之一。煤和矸石的紅外彩色圖像差異很大，通過提取顏色特征可很好地反映二者之間的差異。顏色矩是一種有效的顏色特征，利用顏色的一階、二階和三階矩來表示圖像中的顏色分布。顏色矩具有簡潔的特點，但其一般分辨能力較弱。因此，通常將顏色矩與其他特征相結合使用，以達到縮小范圍的目的。選取紋理分析使用的煤和矸石樣本，對其紅外彩色圖像進行顏色特征提取。對紅外彩色圖像的 R，G， B 通道分別提取一階矩和二階矩，得到各參數的分布范圍（表4）。

由表4可看出，G 通道一階矩和 G 通道二階矩的特征值分布范圍差異大，其分布曲線如圖8所示。因此，在顏色特征中選擇 G 通道一階矩和 G 通道二階矩這2個參數作為初步的識別特征。記 G 通道一階矩、G 通道二階矩的分別為 C1，C2。

4特征選擇和分類模型選取

4.1基于樹模型的特征選擇

由于圖像特征提取過程需耗費大量時間，且提取出的特征中存在冗余特征，所以選擇適當的特征選擇算法來剔除冗余特征，并得到有利于分類的最優特征子集，對于改善識別性能、減少計算成本非常重要的。對 H1，H2，W1，W2，W3，C1，C27個特征進行進一步選取。隨機森林是一種集成學習方法，可作為特征選擇來評估特征重要性。本文選用包含100棵樹的隨機森林分類器，計算上述7個特征的重要性，結果如圖9所示。

由圖9可看出，特征重要性的大小排列順序為 H2＞C2＞C1＞H1＞W1＞W3＞W2，且前4個特征的重要性比較突出，因此選擇 H2，C2，C1，H1，即最大頻數對應的灰度值、G 通道二階矩、G 通道一階矩、灰度均值這4個特征作為最終的分類特征，以這4個特征作為分類模型的輸入。部分樣本的特征見表5。

4.2 SVM 分類模型

SVM 是屬于監督學習的分類模型，煤和矸石的分類是一種非線性、小樣本的二分類問題，SVM 能夠對二分類數據進行有效分類[22]，因此選用 SVM 作為本文的分類模型。SVM 分類超平面判別函數f（x）與核函數 K（x，xi）分別為

式中：sgn 為符號函數；α*為拉格朗日乘子；yk 為第 k 個樣本標志；n 為樣本總數量；K 為高斯核函數； xk 為第 k 個樣本的特征向量；x 為輸入的特征向量；b*為分類閾值；g 為高斯核參數。

5 實驗分析

實驗得到300塊煤矸樣本對應的紅外圖像，將煤和矸石樣本各75塊對應的圖像作為模型的訓練集，另外150塊樣本對應的圖像作為測試集對模型進行實驗驗證。給煤和矸石賦予不同的標簽后，按照特征選擇的結果對訓練集中圖像提取 H2，C2，C1，H1特征，組成150×4的數據集矩陣，將該數據集作為分類模型的輸入。將數據集隨機分成5份，通過交叉驗證法進行5次實驗，以5次實驗的平均分類準確率作為最終結果。通過實驗得出，SVM 分類器模型在訓練集上的分類準確率為100%。

使用訓練好的 SVM 分類模型對煤和矸石樣本進行分類實驗。對測試集中圖像進行特征提取后，組成150×4的數據集矩陣作為分類模型的輸入，訓練識別率為100%，驗證識別率為99.4%。

為了驗證圖像預處理的必要性，采用沒有進行圖像預處理的紅外圖像以相同的流程進行實驗，最終得到驗證識別率為98.7%。這說明對紅外圖像進行預處理有利于提高煤矸分選的準確率。

為了驗證基于紅外熱成像的煤矸識別方法的普適性，分別選取無煙煤和褐煤各75塊作為實驗樣本，分別與75塊矸石樣本組成測試集樣本，然后進行分類實驗，得到無煙煤的分類準確率為98.9%，褐煤的分類準確率為98.6%。

實驗結果表明，本文提出的基于紅外熱成像的煤矸識別方法對3種煤炭的分類準確率均達到了98%以上。對于小樣本集的分類，SVM 分類模型的分類能力較強且十分穩定。因此，在實際的工程應用中，利用煤和矸石加熱后紅外圖像的差異來對煤和矸石進行分選的方法是具體可行的。依據本文方法預調整相關參數后，可基本保證煤矸分選效果的穩定性。

6結論

1）煤和矸石的表面吸熱能力不同，在70℃的加熱區域加熱相同時間后，煤的表面溫度明顯高于矸石，二者的紅外圖像差異明顯。

2）卷積核為3×3的高斯濾波對煤和矸石的紅外圖像降噪效果最佳。

3）對煤和矸石的紅外圖像提取特征，最終選取4個最有利于分選的特征作為機器學習模型的輸入，利用訓練好的機器學習模型能夠對煤和矸石進行有效的分選。

4）實驗結果表明，基于紅外熱成像的煤矸識別方法對煙煤、無煙煤、褐煤的分類準確率均達到了98%以上，效果良好。

5）初步驗證了小樣本集下對煤和矸石分選的可行性，在后續的研究當中，應廣泛采集不同礦區的煤矸樣本，進一步驗證本文方法的普適性。

參考文獻（References）：

[1]謝和平，王金華，王國法，等.煤炭革命新理念與煤炭科技發展構想[J].煤炭學報，2018，43（5）：1187-1197.

XIE Heping，WANG Jinhua ，WANG Guofa，et al. New ideas of coal revolution and layout of coal science and technology development[J]. Journal of China Coal Society，2018，43（5）：1187-1197.

[2]陸小泉.我國煤炭清潔開發利用現狀及發展建議[J].煤炭工程，2016，48（3）：8-10，14.

LU Xiaoquan. Present situation and suggestion for clean coal development and utilization in China[J]. Coal Engineering，2016，48（3）：8-10，14.

[3]常允新，朱學順，宋長斌，等.煤矸石的危害與防治[J].中國地質災害與防治學報，2001（2）：39-43.

CHANG Yunxin，ZHU Xueshun， SONG Changbin， et al. Hazard of gangue and its control[J]. The Chinese Journal of Geological Hazard and Control，2001（2）：39-43.

[4]潘榮錕，余明高，徐俊，等.矸石山的危害及自燃原因關聯分析[J].安全與環境工程，2006（2）：66-69.

PAN Rongkun，YU Minggao，XU Jun，et al. Harm of gangue dump and cause analysis of spontaneous

combustion[J]. Safety and Environmental Engineering，2006（2）：66-69.

[5] SAHU L，DEY S. Enrichment of carbon recovery of high ash coal fines using air fluidized vibratory deck separator[J]. International Journal of Coal Science & Technology，2017，4（3）：262-273.

[6] ZHAO Yuemin，YANG Xuliang，LUO Zhenfu，et al. Progress in developments of dry coal beneficiation[J]. International Journal of Coal Science & Technology，2014，1（1）：103-112.

[7] GUPTA N. Evaluation of pneumatic inclined deck separator for high-ash Indian coals[J]. International Journal of Coal Science & Technology，2016，3（2）：198-205.

[8]梁金鋼，趙環帥，何建新.國內外選煤技術與裝備現狀及發展趨勢[J].選煤技術，2008（1）：60-64，76.

LIANG Jin'gang， ZHAO Huanshuai， HE Jianxin. Current status and development trends of coal preparation technology and equipment both in domestic and ?overseas [J]. Coal ?Preparation ?Technology，2008（1）：60-64，76.

[9]王家臣，李良暉，楊勝利.不同照度下煤矸圖像灰度及紋理特征提取的實驗研究[J].煤炭學報，2018，43（11）：3051-3061.

WANG Jiachen， LI Lianghui， YANG ?Shengli. Experimental study on gray and texture features extraction of coal and gangue image under different illuminance[J]. Journal of China Coal Society，2018，43（11）：3051-3061.

[10]吳開興，宋劍.基于灰度共生矩陣的煤與矸石自動識別研究[J].煤炭工程，2016，48（2）：98-101.

WU Kaixing， SONG Jian. Automatic coal-gangue identification based on gray level co-occurrence matrix[J]. Coal Engineering，2016，48（2）：98-101.

[11]郭永存，何磊，劉普壯，等.煤矸雙能 X 射線圖像多維度分析識別方法[J].煤炭學報，2021，46（1）：300-309.

GUO Yongcun，HE Lei，LIU Puzhuang，et al. Multi- dimensional analysis and recognition method of coal and gangue dual-energy X-ray images[J]. Journal of China Coal Society，2021，46（1）：300-309.

[12]王文鑫，黃杰，王秀宇，等. X 射線透射煤矸智能識別方法[J].工礦自動化，2022，48（11）：27-32，62.

WANG Wenxin，HUANG Jie，WANG Xiuyu，et al. X- ray transmission intelligent coal-gangue recognition method[J]. Journal of Mine Automation，2022，48（11）：27-32，62.

[13]張志強，王萍，于旭東，等.高精度紅外熱成像測溫技術研究[J].儀器儀表學報，2020，41（5）：10-18.

ZHANG Zhiqiang，WANG Ping，YU Xudong，et al. Study on high accuracy temperature measurement technology of infrared thermal imager[J]. Chinese Journal of Scientific Instrument，2020，41（5）：10-18.

[14] WANG Shixue，LI Kaixiang，TIAN Yuan，et al. Infrared imaging investigation of temperature fluctuation and spatial distribution for a large laminated lithiumion power battery[J]. Applied Thermal Engineering，2019，152：204-214.

[15] PAN Dong，JIANG Zhaohui，CHEN Zhipeng，et al. Compensation method for molten iron temperature measurement based on heterogeneous features of infrared thermal images[J]. IEEE Transactionson Industrial Informatics，2020，16（11）：7056-7066.

[16] LI Yiwen，ZHANG Puyousen，CHEN Ge，et al. Study on method for measuring coating emissivity by applying active irradiation based on infrared thermal imager[J]. Sensors，2022，22（6）：2392.

[17]孫繼平.基于圖像識別的煤巖界面識別方法研究[J].煤炭科學技術，2011，39（2）：77-79.

SUN Jiping. Study on identified method of coal and rock interface based on image identification[J]. Coal Science and Technology，2011，39（2）：77-79.

[18]劉闖.綜放工作面多放煤口協同放煤方法及煤巖識別機理研究[D].焦作：河南理工大學，2018.

LIU Chuang. Research on the method of synergetic multi-windows top coal caving and the mechanism of coal-gangue identification in longwall top coal caving working ?face[D]. Jiaozuo： Henan ?Polytechnic University，2018.

[19]張強，孫紹安，張坤，等.基于主動紅外激勵的煤巖界面識別[J].煤炭學報，2020，45（9）：3363-3370.

ZHANG Qiang，SUN Shao'an，ZHANG Kun，et al. Coal and rock interface identification based on active infrared excitation[J]. Journal of China Coal Society，2020，45（9）：3363-3370.

[20]馬娜，張洪潮，周新.紅外熱成像技術在煤礦生產中的應用[J].煤炭技術，2021，40（2）：130-132.

MA Na，ZHANG Hongchao，ZHOU Xin. Application of infrared thermal imaging technology in coal mine production[J]. Coal Technology，2021，40（2）：130-132.

[21]張志強，王萍，于旭東，等.高精度紅外熱成像測溫技術研究[J].儀器儀表學報，2020，41（5）：10-18.

ZHANG Zhiqiang，WANG Ping，YU Xudong，et al. Study on high accuracy temperature measurement technology of infrared thermal imager[J]. Chinese Journal of Scientific Instrument，2020，41（5）：10-18.

[22]沈虎祥.某污水處理廠提標工程的運行分析及出水水質預測模擬研究[J].蘇州科技大學學報（工程技術版），2023，36（2）：46-54.

SHEN Huxiang. Operation analysis of upgrading project and simulation study on effluent quality prediction of a sewage treatment plant[J]. Journal of Suzhou University of Science and Technology（Engineering and Technology Edition），2023，36（2）：46-54.