文献类型：期刊文章

作　　者：王文鑫[1] 黄杰[1] 王秀宇[2] 史玉林[2] 吴高昌[1,3]

WANG Wenxin;HUANG Jie;WANG Xiuyu;SHI Yulin;WU Gaochang(State Key Laboratory of Synthetical Automation for Process Industries,Northeastern University,Shenyang 110819,China;Longi Magnet Co.,Ltd.,Shenfu Reform and Innovation Demonstration Zone 113122,China;Institute of Industrial Artificial Intelligence,Northeastern University,Shenyang 110819,China)

机构地区：[1]东北大学流程工业综合自动化国家重点实验室,辽宁沈阳110819 [2]沈阳隆基电磁科技股份有限公司,辽宁沈抚新区113122 [3]东北大学工业人工智能研究院,辽宁沈阳110819

出　　处：《工矿自动化》

基　　金：国家自然科学基金青年科学基金项目(62103092);教育部中央高校基本科研业务费优秀青年科技人才培育项目(N2108001)。

年　　份：2022

卷　　号：48

期　　号：11

起止页码：27-32

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、DOAJ、IC、JST、RCCSE、UPD、ZGKJHX、核心刊

摘　　要：煤矸图像识别是基于伪双能X射线透射(XRT)的煤矸分选技术重要环节。受煤矸紧贴或遮挡导致煤矸图像难以分割和基于人工阈值判别易导致煤矸分类识别错误影响,现有的煤矸识别方法精度不高。提出一种XRT煤矸智能识别方法。采用感受野模块(RFB)与U−Net模型相结合的模型(RFB+U−Net模型)实现伪双能X射线煤矸图像有效分割,解决了因煤矸紧贴或遮挡情况而影响识别精度的问题;以煤矸图像灰度特征中的低能图像灰度最小值、纹理特征中的低能图像锐化最小值和锐化均差为煤矸识别特征,采用多层感知机(MLP)模型实现煤矸识别。实验表明:RFB+U−Net模型的煤矸分割准确率、煤矸粒度精度、煤矸像素均交并比等指标及图像分割效果均优于活动区域模型、U−Net模型、SegNet模型,且模型推理时间较短,满足煤矸图像分割实时性要求;MLP模型隐藏层数量为8时,在2组测试集下的煤矸识别平均准确率均为87%以上;在相同数据集及实验条件下,MLP模型的煤矸识别平均准确率、排矸率均高于基于贝叶斯分类器、支持向量机、逻辑回归、决策树、梯度提升决策树、K近邻算法的模型,且矸石带煤率不超过3%,满足实际煤矸干法分选要求。

关 键 词：煤矸分选  煤矸识别  煤矸图像分割  X射线透射  多层感知机 机器视觉

分 类 号：TD67]