基于機(jī)器視覺的煤矸石多工況識(shí)別研究

沈 寧，竇東陽，楊 程，張 勇

(1.神華寧煤集團(tuán) 太西洗煤廠，寧夏 石嘴山 753000；2.中國礦業(yè)大學(xué) 化工學(xué)院，江蘇 徐州 221116)

中國能源結(jié)構(gòu)的特點(diǎn)使得煤炭在今后的很長(zhǎng)一段時(shí)間內(nèi)依然會(huì)是主體消耗能源[1]。對(duì)于+50mm的原煤，在分選精煤前，通常需要進(jìn)行手選矸石操作[2]。手選矸的勞動(dòng)力強(qiáng)度大、選矸操作面的工作環(huán)境惡劣、并且人工分選的效率低。機(jī)器視覺技術(shù)是一門多學(xué)科交叉的綜合學(xué)科，人類通過視覺獲取外部信息，機(jī)器視覺技術(shù)被研究用來代替人類視覺進(jìn)行工作[3-5]。在選煤行業(yè)中，機(jī)器視覺被應(yīng)用于煤矸石識(shí)別領(lǐng)域，剔除原煤中的矸石。機(jī)器視覺是用相機(jī)代替人眼進(jìn)行測(cè)量，計(jì)算機(jī)代替人腦進(jìn)行分析，操控現(xiàn)場(chǎng)的執(zhí)行設(shè)備完成矸石剔除。通過相機(jī)將原煤轉(zhuǎn)換成圖像信號(hào)，傳遞給圖像識(shí)別系統(tǒng)，根據(jù)圖像信息提取圖像表面特征，最終進(jìn)行識(shí)別判定。

1 圖像表面特征

1.1 特征提取

人工選矸的主要根據(jù)操作工對(duì)原煤表面的觀察，由經(jīng)驗(yàn)判斷將矸石挑出來。基于機(jī)器視覺的煤矸石識(shí)別中，特征提取的目的是從一幅圖像中得到有效信息，在煤矸石識(shí)別中，顏色和紋理特征能幫助我們正確的分類煤與矸石[6-8]。

采用RGB空間的R分量、G分量、B分量；HSV空間的H分量、S分量、V分量；灰度空間的灰度值描述顏色。提取顏色直方圖的一階矩、二階矩、三階矩作為圖像的顏色特征。

提取灰度共生矩陣的能量、對(duì)比度、相關(guān)性、熵；Tamura紋理的粗糙度、對(duì)比度、方向度作為圖像的紋理特征。

原煤圖像采集系統(tǒng)如圖1所示。

圖1 視頻圖像采集系統(tǒng)

對(duì)于煤與矸石的圖像提取28個(gè)特征用于后續(xù)的識(shí)別研究，見表1。

表1 圖像表面特征匯總

1.2 特征初篩

對(duì)于特征數(shù)據(jù)集采用統(tǒng)計(jì)觀察的方法進(jìn)行初步篩選，對(duì)于相近特征值可以選擇其中的一個(gè)特征作為代表，剔除冗余特征，降低數(shù)據(jù)集維度。在煤與矸石特征數(shù)據(jù)集的可視圖中，能夠直觀的發(fā)現(xiàn)一些規(guī)律，RGB顏色空間特征可視化圖如圖2所示。

圖2 RGB顏色空間特征可視化圖

在煤與矸石表面特征中，F(xiàn)e1≈Fe4≈Fe7，F(xiàn)e2≈Fe5≈Fe8，F(xiàn)e3≈Fe6≈Fe9，R分量、G分量、B分量的特征值相等且灰度值是由RGB顏色空間的三個(gè)分量線性組合得到的。因此，選擇Fe19、Fe20、Fe21作為代表特征，將RGB顏色空間的特征整體剔除。初步分析剔除后特征見表2。

表2 初步分析后特征

2 基于Relief權(quán)重的特征遞歸剔除

2.1 Relief特征選擇算法

特征選擇是從提取的全特征F{f1，f2，…，fn}中尋找到子集特征F′{f1，f2，…，fm}，n為全特征個(gè)數(shù)，m為子集特征個(gè)數(shù)。特征選擇不會(huì)改變?cè)继卣骺臻g的屬性，只是減少原始特征的數(shù)目，從全特征中選取具有代表性、分類能力強(qiáng)的特征作為新特征。

Relief算法根據(jù)特征參數(shù)的分類能力，為每個(gè)特征參數(shù)賦予不同的權(quán)重值[9]。Relief算法對(duì)于特征權(quán)重是基于特征對(duì)近距離樣本的分類，具體的算法思想為從樣本訓(xùn)練集中隨機(jī)選取一個(gè)樣本A，從與A同類別的樣本中尋找到一個(gè)最鄰近樣本點(diǎn)B，從與A不同類別的樣本中尋找到一個(gè)最鄰近樣本點(diǎn)C，計(jì)算樣本A、B距離DAB和樣本A、C距離DAC。樣本點(diǎn)的一個(gè)類類和類間最鄰近點(diǎn)計(jì)算公式可以表示為：

DAB=‖A-B‖

DAC=‖A-C‖

在某一維特征中，如果樣本點(diǎn)與同類別樣本的該維距離小于樣本點(diǎn)與不同類樣本的距離，則可以說明該維特征對(duì)樣本分類起到正貢獻(xiàn)，增加該特征的權(quán)重。相反，如果樣本點(diǎn)與同類別樣本的該維距離大于樣本點(diǎn)與不同類樣本的距離，則可以說明該維特征對(duì)樣本分類起到負(fù)貢獻(xiàn)，減小該特征的權(quán)重。重復(fù)多次隨機(jī)抽樣n次，計(jì)算各維特征n次平均權(quán)重，權(quán)重越大表明該維特征對(duì)樣本分類能力越強(qiáng)，相反則表明分類能力越弱。兩類數(shù)據(jù)分類中，特征Fe的權(quán)重表示為：

W(Fe)=Wf-∑diff[Fe，A，B]/n+

∑diff[Fe，A，C]/n

函數(shù)diff定義為：

其中，Wf為特征的初始權(quán)重，都置0，max(Fe)為訓(xùn)練集中該維特征最大值，min(Fe)為訓(xùn)練集中該維特征最小值，n為重復(fù)次數(shù)。

通過Relief算法計(jì)算各個(gè)特征的權(quán)重，特征權(quán)重值越大，該特征在識(shí)別中的貢獻(xiàn)度越大，反之貢獻(xiàn)度越小。

2.2 SVM算法

手選矸是通過人在工作中的長(zhǎng)期經(jīng)驗(yàn)進(jìn)行矸石挑選。通過大腦積累之前獲得的煤和矸石的表面狀態(tài)不同的經(jīng)驗(yàn)，在下次的識(shí)別中，做出準(zhǔn)確判斷，識(shí)別出矸石。利用計(jì)算機(jī)系統(tǒng)實(shí)現(xiàn)人肉眼對(duì)煤與矸石的模式識(shí)別有很多方法，如神經(jīng)網(wǎng)絡(luò)、KNN、支持向量機(jī)等[10-13]。

支持向量機(jī)方法就是在訓(xùn)練集中尋找最大分類間隔的分類面，得到推廣能力強(qiáng)的分類模型。支持向量機(jī)的方法對(duì)煤與矸石進(jìn)行識(shí)別時(shí)采用libsvm工具箱，libsvm中對(duì)于懲罰參數(shù)和核函數(shù)參數(shù)用c和g來表征。采用5折交叉驗(yàn)證和網(wǎng)格搜索來確定最優(yōu)c和g，訓(xùn)練集識(shí)別率最高時(shí)的c、g值就是模型的最優(yōu)值。

2.3 SVM-RFE方法

在SVM全特征識(shí)別的基礎(chǔ)上，采用基于Relief特征權(quán)重的支持向量機(jī)特征遞歸剔除，即SVM-RFE方法來進(jìn)行特征選擇[14]。

SVM-RFE方法是特征選擇與分類器模型結(jié)合的一種分類方法，用于剔除全特征中的冗余特征，找到最優(yōu)特征子集。SVM-RFE方法的思想為：通過Relief算法計(jì)算特征權(quán)重值，循環(huán)剔除數(shù)據(jù)集中權(quán)重值最小的特征，采用網(wǎng)格搜索和K-CV交叉驗(yàn)證的方法確定訓(xùn)練集循環(huán)剔除最小特征后的分類模型參數(shù)c和g的最優(yōu)值，并在最佳參數(shù)下對(duì)測(cè)試集進(jìn)行識(shí)別預(yù)測(cè)。

3 多工況識(shí)別實(shí)驗(yàn)

圖3 表面類型

基于機(jī)器視覺的煤矸石識(shí)別的核心是原煤的表面特征，在實(shí)際的選矸過程，原煤表面狀態(tài)存在不同類型，而相同批次的原煤表面狀態(tài)基本相同，現(xiàn)將原煤的表面類型分為表面因型(a)：外表面無煤泥且表面干燥；表面類型(b)：外表面無煤泥且表面濕潤；表面類型(c)：外表面覆蓋干煤泥；表面類型(d)：外表面覆蓋濕煤泥，分別對(duì)應(yīng)實(shí)際中的脫泥后干燥、脫泥后淋濕、含原生煤泥、原生煤泥選前淋濕。對(duì)4種表面類型進(jìn)行識(shí)別，研究不同表面類型的識(shí)別效果。煤和矸石的4種表面類型如圖3所示。其中，左邊為煤的圖像，右邊為矸石的圖像，(c)類型和(d)類型的覆蓋煤泥均為散點(diǎn)狀覆蓋，并且是開采后的原始覆蓋狀態(tài)。該樣本矸中帶煤和煤中帶矸的比例都比較低。

通過分析表面類型局部放大圖，在宏觀上可以觀察出圖像間存在區(qū)別，提取的表面特征特征也必然存在差異。因此，需要對(duì)不同表面類型分別進(jìn)行識(shí)別試驗(yàn)。試驗(yàn)采用寧夏白芨溝礦原煤進(jìn)行對(duì)比驗(yàn)證。試驗(yàn)分為4組進(jìn)行，每種表面狀態(tài)制備70個(gè)樣品，共280個(gè)樣本。試驗(yàn)安排如圖4所示。

圖4 試驗(yàn)安排

3.1 ①組：外表面無煤泥且表面干燥

對(duì)白芨溝礦外表面無煤泥且表面濕潤的煤和矸石進(jìn)行基于Relief算法特征權(quán)重的支持向量機(jī)特征遞歸剔除分類研究，結(jié)果見表3。特征剔除順序?yàn)椋篎e28→Fe11→Fe12→Fe18→Fe21→Fe26→Fe14→Fe16→Fe24→Fe19→Fe15→Fe13→Fe10→Fe17→Fe20→Fe22→Fe27→Fe23→Fe25。

表3 表面類型(a)特征遞歸剔除參數(shù)選擇和識(shí)別

從表3中可得，最優(yōu)子集為特征權(quán)重排名前8的特征屬性，測(cè)試集最高識(shí)別率為95%。

3.2 ②組：外表面無煤泥且表面濕潤

對(duì)白芨溝礦外表面無煤泥且表面濕潤的煤和矸石進(jìn)行基于Relief算法特征權(quán)重的支持向量機(jī)特征遞歸剔除分類研究，結(jié)果見表4。特征剔除順序?yàn)椋篎e21(-0.0012)→Fe18(-0.0007)→Fe23(0.0076)→Fe27(0.0082)→Fe16(0.0102)→Fe17(0.0103)→Fe19(0.0106)→Fe20(0.0113)→Fe14(0.0135)→Fe25(0.0151)→Fe22(0.017)→Fe24(0.0192)→Fe11(0.0267)→Fe13(0.0273)→Fe26(0.0345)→Fe15(0.043)→Fe12(0.051)→Fe28(0.0757)→Fe10(0.1177)。

表4 表面類型(b)特征遞歸剔除參數(shù)選擇和識(shí)別

從表4中可得，最優(yōu)子集為特征權(quán)重排名前17的特征屬性，測(cè)試集最高識(shí)別率為97.5%。

3.3 ③組：外表面覆蓋干煤泥

對(duì)白芨溝礦外表面覆蓋干煤泥的煤和矸石進(jìn)行基于Relief算法特征權(quán)重的支持向量機(jī)特征遞歸剔除分類研究，結(jié)果見表5。特征剔除順序?yàn)椋篎e15(0.022)→Fe26(0.0235)→Fe18(0.0252)→Fe21(0.0254)→Fe24(0.0354)→Fe28(0.0412)→Fe14(0.0414)→Fe13(0.0443)→Fe11(0.0453)→Fe20(0.0465)→Fe17(0.0467)→Fe25(0.0468)→Fe27(0.0476)→Fe12(0.0482)→Fe23(0.0536)→Fe22(0.0637)→Fe16(0.1077)→Fe19(0.1093)→Fe10(0.1853)。

從表5中可得，最優(yōu)子集為特征權(quán)重排名前5的特征屬性，測(cè)試集最高識(shí)別率為95%。

表5 表面類型(c)特征遞歸剔除參數(shù)選擇和識(shí)別

3.4 ④組：外表面覆蓋濕煤泥

對(duì)白芨溝礦外表面覆蓋濕煤泥的煤和矸石進(jìn)行基于Relief算法特征權(quán)重的支持向量機(jī)特征遞歸剔除分類研究，結(jié)果見表6。特征剔除順序?yàn)椋篎e24(0.0028)→Fe14(0.0029)→Fe27(0.0053)→Fe17(0.0053)→Fe13(0.0055)→Fe20(0.0056)→Fe23(0.0084)→Fe15(0.0238)→Fe25(0.0416)→Fe19(0.052)→Fe18(0.0523)→Fe16(0.0533)→Fe21(0.0567)→Fe26(0.059)→Fe22(0.0606)→Fe10(0.0614)→Fe11(0.0632)→Fe12(0.0638)→Fe28(0.2091)。

表6 白芨溝礦表面類型(d)特征遞歸剔除參數(shù)選擇和識(shí)別

從表6中可得，最優(yōu)子集為特征權(quán)重排名前9的特征屬性，測(cè)試集最高識(shí)別率為100%。

以上數(shù)據(jù)集中訓(xùn)練集和測(cè)試集樣本是隨機(jī)選取的，單次的實(shí)驗(yàn)結(jié)果可能存在偶然性。對(duì)于4組試驗(yàn)，每組試驗(yàn)再進(jìn)行4次訓(xùn)練集和測(cè)試集隨機(jī)取樣，樣本數(shù)量保持不變，進(jìn)行最優(yōu)子集下的識(shí)別試驗(yàn)，4組試驗(yàn)分別在各自最優(yōu)特征子集下進(jìn)行的隨機(jī)取樣識(shí)別結(jié)果見表7，用于檢驗(yàn)試驗(yàn)結(jié)果是否存在偶然性。其中，均值為5次隨機(jī)試驗(yàn)識(shí)別率的平均值。

表7 基于最優(yōu)特征子集的5次識(shí)別

由表7分析可知，5次隨機(jī)取樣的訓(xùn)練集和測(cè)試集在最優(yōu)特征子集下的識(shí)別結(jié)果差距很小，5次的平均值也說明了隨機(jī)取樣的識(shí)別率波動(dòng)很小。表明基于Relief權(quán)重的特征遞歸剔除能夠剔除冗余特征，提高多工況識(shí)別效率和穩(wěn)定性。

4 結(jié) 語

基于機(jī)器視覺的煤矸石識(shí)別是對(duì)煤和矸石的圖像進(jìn)行識(shí)別，從圖像中提取28個(gè)顏色和紋理特征，進(jìn)行初步分析，剔除RGB空間特征，通過Relief算法計(jì)算各個(gè)特征的權(quán)重值作為特征的評(píng)價(jià)指標(biāo)。將原煤的表面分為外表面無煤泥且表面干燥、外表面無煤泥且表面濕潤、外表面覆蓋干煤泥、外表面覆蓋濕煤泥4種表面類型。針對(duì)白芨溝礦，選擇SVM構(gòu)建識(shí)別模型，并且通過特征遞歸剔除方法尋找最優(yōu)特征子集，多次隨機(jī)取樣的最優(yōu)特征子集下的識(shí)別效果波動(dòng)小，準(zhǔn)確率高。因此，提取的圖像表面特征具有代表性，可以很好的區(qū)分實(shí)際工況下的煤和矸石。值得一提的是，如果矸中帶煤過高，可能會(huì)制約本方法的應(yīng)用。