基于機器視覺和支持向量機的帶式輸送機矸石檢測方法

苗長云，陳 雯

（天津工業(yè)大學 電子與信息工程學院，天津 300387）

帶式輸送機是一種現(xiàn)代化生產中持續(xù)運輸設備，具有運量大、運距遠、能耗小、運費低、效率高、運行平穩(wěn)、裝卸方便、適合于散貨物料運輸?shù)葍?yōu)點，與汽車、火車一起成為三大主力工業(yè)運輸工具，已被廣泛應用于煤炭、礦山、港口、電力、冶金、化工等領域[1-2]。

原煤是直接從煤礦中開采出來、沒有經過任何處理的煤炭，其中含有矸石等雜物。目前常用的選矸方法[3]有人工法選煤、跳汰法選煤、干洗法選煤、射線探測選煤等，這些選矸方法都普遍存在分選環(huán)境惡劣、需要的人工勞動強度大、檢測效率低等問題。

于國防等[3]提出了不同光照條件下的基于灰度均值和方差的煤矸石識別方法，以代表性的煤塊和矸石作為研究對象，具有一定局限性。譚春超[4]利用圖像處理技術在模擬現(xiàn)場情況實現(xiàn)對煤與矸石的識別與定位，而實際生產中煤與矸石是在輸送帶上實時運行，因此需要考慮算法的處理時間與輸送帶的帶速、煤與矸石量和PLC控制機械手動作時間的匹配等問題。而在現(xiàn)場情況中，煤塊和矸石的大小、形狀是不同的，只選取具有代表性的矸石和煤塊具有一定的局限性；輸送帶上表面并不是整潔的，而是存在很多的煤渣等雜物；煤和矸石是在輸送帶上實時運行的，這就需要實時檢測煤塊和矸石的位置信息，以便于機械手的分選處理。

針對現(xiàn)有帶式輸送機矸石檢測中存在可靠性、準確性和實時性差的問題，本文提出了一種基于機器視覺和支持向量機的帶式輸送機物料中矸石檢測方法。該方法能夠在線檢測帶式輸送機運輸物料中的矸石，矸石檢測準確率高、實時性好。

1 矸石檢測方法設計方案

圖1所示為基于機器視覺和支持向量機的帶式輸送機物料中矸石檢測方法流程圖。

圖1 矸石檢測方法流程圖Fig.1 Flow chart of ganguedetection method

本文首先用攝像機采集煤和矸石的圖像，然后對圖像進行預處理。預處理[5]包括：圖像灰度化、平滑、銳化、圖像分割、輪廓提取。圖像包括多種特征，如顏色、形狀、紋理、灰度等等，待提取的特征要根據(jù)待識別目標的差別來確定，本文主要是提取煤和矸石圖像的灰度直方圖[6]、灰度均值、灰度方差等特征，利用支持向量機，對煤和矸石進行識別分類。最后利用質心法給矸石加最小矩形框將矸石框選出來，實現(xiàn)煤和矸石的分選。從而提高煤矸石檢測的精確度，提高煤炭的質量，避免使用浪費。

2 物料圖像采集及預處理算法

2.1 圖像采集

圖像采集系統(tǒng)主要由計算機、攝像機、光源和輸送帶組成，如圖2所示。本實驗采用2臺LED芯片燈，將其對稱布置在攝像機兩側，形成左右對稱給光，使得光源能均勻的覆蓋在輸送帶的整個堆疊表面。

圖2 圖像采集系統(tǒng)Fig.2 Imageacquisition system

2.2 圖像預處理

輸送帶上煤渣粉塵較多、光線不足，采集的煤和矸石圖像清晰度不夠[7]。為了能夠更好地識別煤和矸石圖像，通過中值平滑和拉普拉斯銳化對圖像進行預處理，調整煤和矸石圖像的亮度以及對比度，使煤和矸石圖像的特征更加明顯，便于分類識別。

每幅圖像都含有噪聲[8]，噪聲是由某些原因造成的灰度值的變化。采集到的煤和矸石圖像在獲取轉換時，會因攝像機的不同、拍攝環(huán)境的不同產生噪聲，圖像的信息將會受到影響。

2.2 .1 圖像平滑

對煤矸石圖像進行平滑處理，圖像平滑[9]的作用是去除噪聲，為后續(xù)的煤與矸石圖像特征提取和識別做準備。本文采用中值濾波，中值濾波[10]能夠有效地抑制隨機噪聲的影響，可以很好地保留煤和矸石的邊緣輪廓。

2.2 .2 圖像銳化

圖像的銳化[11]是為了增強圖像的灰度反差，煤和矸石在輸送帶上顏色差異相對較小，使用圖像銳化處理可以增強煤和矸石與輸送帶的灰度反差?？梢詾閳D像分割提供基礎。煤和矸石本身形狀不規(guī)則，采集的圖像灰度不均勻。本文采用拉普拉斯算子對圖像進行銳化處理，拉普拉斯算子[12]無方向性，可以對任何走向的界限和線條進行銳化。

2.2 .3 圖像分割

圖像分割[13]的目的是將圖像分割劃分為若干個特定的、具有獨特性質的區(qū)域。在實際的煤和矸石分選系統(tǒng)中，煤和矸石在輸送帶上勻速運輸，采集的圖像中煤和矸石與輸送帶在顏色上差異不大，為后續(xù)的煤和矸石的特征提取以及SVM分類識別帶來困難。因此本文利用圖像分割對煤與矸石圖像進行處理。

本文采用Otsu算法[14]，該算法使用的是聚類的思想，把采集到的煤和矸石圖像的灰度數(shù)按照灰度級分為灰度值差異最大的2個部分。按灰度值將煤和矸石與輸送帶分割開，能夠在采集到的圖像中明顯地呈現(xiàn)出煤和矸石圖像。

2.2 .4 邊緣輪廓提取

邊緣輪廓[15]的提取目的是為了得到煤和矸石圖像中煤和矸石的邊緣輪廓，提取煤和矸石的整體目標，最后用質心法定位確定煤和矸石的位置。邊緣檢測的步驟為：濾波—增強—檢測。本文采用Canny算子[16]進行邊緣輪廓的提取，Canny算子的原理是通過圖像信號函數(shù)的極大值來判定圖像的邊緣像素點。Canny算子的檢測效果相對于其他的梯度算子有較好的處理能力，對于圖像比較細的邊緣輪廓能夠有效地提取。

3 煤和矸石特征提取

在實際工作中，人工分選煤和矸石主要是根據(jù)煤和矸石的紋理特征、灰度來區(qū)分煤和矸石。一般情況下，煤塊的顏色比較黑而且發(fā)亮，灰度級比較低；矸石的顏色[17]是灰白色的，灰度級比較高。所以人們將煤和矸石的灰度分布狀況以及灰度均值、灰度方差來作為煤和矸石的分選特征。

灰度直方圖是圖像的重要特征，根據(jù)直方圖可以看出圖像的灰度分布。在實際獲取的圖像中，煤看起來比較黑，灰度值比較低，灰度直方圖的圖像區(qū)域相對較窄；矸石呈灰白色，灰度值比較高，灰度直方圖圖像比較寬。從灰度直方圖中可以直觀的看出煤和矸石的的灰度分布。

其中，均值和方差是2個常用的與灰度有關的特征參數(shù)[18]?；叶染凳怯嬎忝汉晚肥瘓D像中的平均灰度值。方差[18]是對一幅圖像中灰度值偏離均值情況的度量。假設圖像為L級灰度圖，灰度為b的像素點有hb個，圖像區(qū)域包含的總像素為S，則圖像的均值μ和方差σ2為：

4 基于支持向量機的煤和矸石分類與識別算法

支持向量機[19]是一種新的學習算法，它在文本分類、手寫識別、圖像分類、生物信息學等領域中獲得較好的應用。支持向量的主要思想是在給定訓練樣本中支持向量機建立一個超平面作為決策曲面，使得正例和反例之間的隔離邊緣最大化。

本文中給定2個數(shù)據(jù)集：一個作為數(shù)據(jù)集；另一個作為測試集。讀入煤和矸石的訓練圖像，用PCA降維去除像素之間的相關性。將圖像數(shù)據(jù)實現(xiàn)規(guī)格化，選擇徑向基核函數(shù)處理圖像。構建SVM分類器，經過訓練，識別出煤和矸石，最后得出測試結果。

5 基于質心法的矸石定位算法

本文已經將煤和矸石的邊緣輪廓提取出來，經過預處理提取的輪廓相對完整清晰。為了后續(xù)將煤和矸石分離開，需要在圖像中確定煤和矸石的位置信息，本文采用質心法確定煤和矸石的位置，并用邊框框選出矸石在圖像中的位置。

圖像的質心[20]也稱為圖像灰度的重心，設一幅二維圖像的大小為M×N，像素點（i，j）的灰度值用g（i，j）表示，（x，y）為圖像的質心[12]。圖像的質心坐標為：

公式（4）求的是煤和矸石的整副圖像的質心，而本研究需要的是煤和矸石在經過邊緣提取后所加的最小矩形框的中心位置。設最小矩形框為s，則最小矩形框中心位置坐標為：

式（5）中I（x，y）為像素點（x，y）的灰度值，由于為二值圖像，且求取的為煤和矸石最小矩形框的中心，所以I（x，y）=1。

6 實驗及結果分析

6.1 圖像特征分析

基于機器視覺的煤矸石識別是對煤和矸石的圖像進行識別。在實驗中采集了多張煤和矸石的圖片，對其進行預處理，得到煤和矸石的灰度直方圖，如圖3所示。表1為部分煤和矸石的均值和方差。

圖3 煤和矸石的灰度直方圖Fig.3 Gray histogram of coal and gangue

從圖3可知，煤的灰度值分布相對較窄；矸石的灰度值分布比較寬。從表1中可知煤的灰度均值70～85，方差為15～20；矸石的灰度均值為90～100，方差為25～30。表1中只是選取了大量數(shù)據(jù)中的10副圖像的數(shù)據(jù)，從表1中可以看出煤和矸石的灰度均值和灰度方差具有一定的差異性。

表1 煤和矸石的均值和方差Tab.1 Mean and varianceof coal and gangue

6.2 分類識別結果分析

對上述圖像特征分析可知，煤和矸石的灰度直方圖從直觀上可以看出不同，灰度均值和灰度方差也存在差異。利用煤和矸石存在的差異進行SVM分類識別，識別結果如表2所示。從表2中可知，煤塊的識別率平均達到91.04%，矸石的識別率平均達到91.8%，具有較好的識別效果。

表2 基于灰度信息的識別結果Tab.2 Recognition resultsbased on gray level information

很多研究都是模擬實際現(xiàn)場，進行仿真得到的實驗結果，而在現(xiàn)實生產中，矸石和煤是運行在勻速進行的輸送帶上，所以需要考慮算法的處理時間與輸送帶的帶速、煤與矸石量和PLC控制機械手動作時間的匹配等問題。本文中單張圖像的識別時間在40 ms左右，識別速度較快，能夠很好地實現(xiàn)實時性的要求。

6.3 定位結果分析

根據(jù)質心法的矸石定位算法，對煤和矸石進行定位，并對矸石加最小矩形框。圖4為在煤塊和矸石混合的圖像中，通過SVM識別，判斷出矸石所在的位置，框選并標出位置，圖中矸石的位置坐標為（61，60）；圖5為在矸石混合圖像中，通過SVM識別，判斷出矸石所在的位置，框選并標出位置，圖中矸石的位置坐標分別為（97，102）和（127，95）；圖6為在煤塊混合圖像中，通過SVM識別，判斷沒有矸石所在，便不框選以及定位。

圖4 矸石和煤塊混合圖像Fig.4 Images of gangue and coal mixed

圖5 矸石混合圖像Fig.5 Imagesof ganguemixed

圖6 煤塊混合圖像Fig.6 Imagesof coal mixed

由圖4、圖5和圖6可知，利用質心法能夠很好地確定矸石的位置，為矸石加最下矩形框并標記位置。將位置信息發(fā)送給控制機構，用機械手分選煤和矸石，進而實現(xiàn)矸石的檢測。

7 結論

本文提出了一種基于機器視覺和支持向量機的帶式輸送機矸石檢測方法，該方法完成：

（1）利用攝像機采集帶式輸送機運輸?shù)奈锪希汉晚肥﹫D像；

（2）采用中值濾波、拉普拉斯銳化、Otsu算法圖像分割以及Canny算子邊緣檢測對物料圖像進行預處理，實現(xiàn)對圖像的平滑、銳化、圖像分割以及邊緣檢測處理，提高圖像的質量；

（3）采用直方圖算法提取煤和矸石圖像的直方圖，灰度均值和灰度方差等特征參數(shù)；

（4）采用支持向量機算法對煤和矸石進行分類與識別；

（5）采用質心法確定矸石在圖像中的位置，并標出位置。

結果表明：該方法能夠在線檢測帶式輸送機運輸?shù)奈锪现械捻肥?，矸石的識別率能夠達到91.8%，準確率高；單張?zhí)幚韴D像的時間在40 ms左右，能夠很好地實現(xiàn)實時檢測。