基于圖像處理的煤矸識(shí)別技術(shù)研究進(jìn)展及方向*

李小萌 趙巧蓉

（河北工程大學(xué)礦業(yè)與測(cè)繪工程學(xué)院）

我國(guó)“十三五”規(guī)劃將“加快推進(jìn)煤炭無(wú)人開(kāi)采技術(shù)的研發(fā)和應(yīng)用”列入能源領(lǐng)域的重點(diǎn)工程［1］，這意味著煤炭資源開(kāi)采逐漸向無(wú)人化、智能化方向發(fā)展，煤矸自動(dòng)化識(shí)別是實(shí)現(xiàn)煤炭智能化開(kāi)采的關(guān)鍵技術(shù)。傳統(tǒng)的人工分選勞動(dòng)量大、效率低、粉塵多、對(duì)人體危害大；同時(shí)，煤炭采出后的濕法選煤對(duì)水資源消耗量及環(huán)境污染大，而干法選煤粉塵大、嚴(yán)重危害工人身體健康［2-4］。發(fā)展煤矸智能自動(dòng)化識(shí)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(dòng)化放煤的含矸率、避免煤炭洗選造成的環(huán)境污染問(wèn)題，是實(shí)現(xiàn)煤炭安全高效、無(wú)人化、智能化開(kāi)采的關(guān)鍵。

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

基于自然射線的煤矸識(shí)別技術(shù)，抗干擾能力差；聲波信號(hào)的煤矸混合度識(shí)別技術(shù)受工作面噪聲影響較大，且聲信號(hào)不易分析，識(shí)別率較低；振動(dòng)信號(hào)的煤矸識(shí)別技術(shù)易受外界環(huán)境干擾；紅外探測(cè)技術(shù)易受采煤機(jī)溫度等的影響；圖像處理的煤矸識(shí)別技術(shù)，通過(guò)灰度、紋理特征差異對(duì)煤和矸石進(jìn)行區(qū)分，具有較高的識(shí)別率，不僅有利于實(shí)現(xiàn)放頂煤的自動(dòng)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(shí)別技術(shù)的發(fā)展現(xiàn)狀

1.1 煤矸圖像識(shí)別原理及流程

基于圖像處理的煤矸識(shí)別是近幾年發(fā)展起來(lái)的一種新型煤矸識(shí)別方法，該方法通過(guò)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(jìn)而識(shí)別煤與矸石。

利用圖像處理進(jìn)行煤矸識(shí)別的主要流程如圖1所示。首先對(duì)煤和矸石的待訓(xùn)練圖像進(jìn)行預(yù)處理，以降低因環(huán)境等因素造成的影響，然后對(duì)定位的煤矸圖像進(jìn)行特征提取，將所提取的煤矸特征參數(shù)存入數(shù)據(jù)庫(kù)。利用安裝在帶式輸送機(jī)上的工業(yè)相機(jī)拍攝運(yùn)動(dòng)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(shí)別時(shí)間，利用高斯濾波等方法對(duì)圖像進(jìn)行灰度化等預(yù)處理，最后，基于數(shù)據(jù)庫(kù)中提取的煤矸特征參數(shù)，利用分類器進(jìn)行分類訓(xùn)練與測(cè)試，最終實(shí)現(xiàn)煤矸的分類識(shí)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(diǎn)會(huì)對(duì)識(shí)別結(jié)果產(chǎn)生影響，因此需要進(jìn)行圖像預(yù)處理以保證分類的準(zhǔn)確性［5］。圖像預(yù)處理通過(guò)灰度化、去噪等處理使其滿足實(shí)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(yùn)算速度而且方便信息提?。?］。其中，最大類間方差法通過(guò)自動(dòng)獲取圖像的閾值，實(shí)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(qiáng)處理的共同利用，減少了預(yù)處理過(guò)程中的運(yùn)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(duì)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(diǎn)和光影增加，增大處理難度，降低識(shí)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(shí)別結(jié)果主要依賴于所提取參數(shù)的準(zhǔn)確度和真實(shí)性，因此，煤矸石參數(shù)提取和選擇是識(shí)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(jìn)行識(shí)別。

其中，通過(guò)灰度直方圖法實(shí)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(yùn)算簡(jiǎn)單且實(shí)用性和識(shí)別準(zhǔn)確性較高的特點(diǎn)［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(diǎn)如表1所示。紋理共生矩陣法所得出的紋理對(duì)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(duì)煤矸特征值的衡量和區(qū)分度存在差異，特征提取方法對(duì)煤矸參數(shù)存在識(shí)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(shí)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(shí)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(shí)別率較低，將灰度和紋理2種參數(shù)結(jié)合時(shí)識(shí)別率有所提高，但不明顯，當(dāng)3種參數(shù)相結(jié)合時(shí)識(shí)別率最高。可見(jiàn)，特征參數(shù)的選取和組合對(duì)煤矸識(shí)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(guò)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(shí)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(guò)Relief算法對(duì)所提取特征進(jìn)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(wèn)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(duì)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(shí)驗(yàn)分析，理論研究不足。

?

1.4 圖像識(shí)別算法研究

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

支持向量機(jī)以結(jié)構(gòu)化風(fēng)險(xiǎn)最小為原則，即兼顧訓(xùn)練誤差最小化和測(cè)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(chǔ)空間，因此，難以實(shí)現(xiàn)大規(guī)模的訓(xùn)練。其中，支持向量機(jī)對(duì)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(yàn)進(jìn)行選取，因此，在不同實(shí)驗(yàn)中識(shí)別精度會(huì)出現(xiàn)不同程度的波動(dòng)。

然而，神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的容錯(cuò)能力［15］，能夠減小環(huán)境影響所帶來(lái)的誤差。通過(guò)對(duì)比不同網(wǎng)絡(luò)模型的訓(xùn)練時(shí)間和識(shí)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(shí)間并提高識(shí)別率［16-17］。

2 煤矸圖像識(shí)別技術(shù)的發(fā)展趨勢(shì)

2.1 環(huán)境噪聲降低

煤矸圖像識(shí)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(huì)出現(xiàn)過(guò)暗甚至煤矸陰影的情況，同時(shí)井下粉塵濃度高、濕度大等會(huì)造成圖像中噪點(diǎn)增多。且實(shí)際采樣過(guò)程中，煤矸和采樣器之間的相對(duì)運(yùn)動(dòng)狀態(tài)、設(shè)備成像和采樣精度［18］等都會(huì)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(lái)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(wèn)題提出［19］，目前已在圖像處理、語(yǔ)音識(shí)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(jī)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(duì)海量數(shù)據(jù)集進(jìn)行特征提取和處理速度上都具有較好的效果。

由于煤矸識(shí)別過(guò)程具有較高的實(shí)時(shí)性，因此需要識(shí)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(shì)，但深度學(xué)習(xí)通過(guò)對(duì)訓(xùn)練速度和測(cè)試速度的調(diào)節(jié)，能夠達(dá)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(guò)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(shí)值，具有更強(qiáng)的泛化能力。其中，卷積神經(jīng)網(wǎng)絡(luò)模型不需要對(duì)圖像進(jìn)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(shí)提高識(shí)別精度，同時(shí)，算法的泛化性在進(jìn)行分類時(shí)，能夠減小環(huán)境變化帶來(lái)影響。

綜上，在面對(duì)大數(shù)據(jù)集的煤矸圖像的實(shí)時(shí)性、復(fù)雜性和多樣性等特點(diǎn)時(shí)，深度學(xué)習(xí)將傳統(tǒng)的經(jīng)驗(yàn)與未知的參數(shù)關(guān)系緊密結(jié)合在一起，以達(dá)到較好的處理效果，具有較強(qiáng)的特征提取能力，可以降低圖像預(yù)處理及人為因素對(duì)識(shí)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(shí)別，將極大提高識(shí)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(guó)引進(jìn)了基于γ射線傳感器的GDRT煤矸智能分選系統(tǒng)，填補(bǔ)了我國(guó)該領(lǐng)域的空白，極大地提升了分選的效率［21-22］；其次，開(kāi)灤集團(tuán)將機(jī)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(jī)器人，具有較高的煤矸識(shí)別率，為企業(yè)帶來(lái)了可觀的經(jīng)濟(jì)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(huì)提高分選系統(tǒng)的識(shí)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(shí)別依賴于人工分選，有勞動(dòng)強(qiáng)度高、危害大等缺點(diǎn)；目前常用的煤矸識(shí)別易受環(huán)境等因素的影響導(dǎo)致識(shí)別率低；煤矸圖像識(shí)別技術(shù)可極大降低煤矸分選工作強(qiáng)度和環(huán)境污染、提高識(shí)別精度，是實(shí)現(xiàn)采煤工作面無(wú)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(huì)增加環(huán)境噪聲，影響識(shí)別的準(zhǔn)確性，提出可通過(guò)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(shí)時(shí)性、圖像處理的簡(jiǎn)便性和較強(qiáng)的特征提取能力，可有效解決煤矸圖像處理過(guò)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(shí)別相結(jié)合，具有廣闊的應(yīng)用前景，是未來(lái)研究的重點(diǎn)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(lái)的問(wèn)題，填補(bǔ)了該領(lǐng)域的空白；同時(shí)，大量煤矸數(shù)據(jù)集的建立，將會(huì)為智能分選的研發(fā)提供依據(jù)。