传统的机械化选煤方式如跳汰法、浮选法和重介浅槽法等,均会造成不可逆转的空气污染、水质污染和地质污染。现存的人工选矸方式,成本高,工人工作环境差,分拣效率低[1-2]。随着计算机计算能力和高速电路的发展,基于传感器的煤矸光电分选技术广受关注。光电分选技术不仅不消耗水资源和化学试剂,而且能耗低、效益大,在工业生产中逐渐应用[3-4]。目前,光电分选主要有2 种技术手段:①基于可见光成像的图像识别技术,即采用线阵相机对输送带上原煤流进行成像;②基于透射成像的图像识别技术,即采用高能射线(如γ 射线、X 射线)对输送带上原煤流进行透射成像[5-6]。
基于可见光成像的图像识别技术,DOU Dongyang等通过建立Relief-SVM 分类器,分析了煤和矸石表面干、湿2 种情况的识别效果[7]。王家臣等讨论了不同光照强度下煤和矸石的分类识别[8]。SUN Zhiyuan 等提出一种纹理融合超像素算法,以解决煤和矸石成像背景与前景难以分割问题[9]。LI Man 等以LS-SVM为分类器,发现联合煤和矸石图像偏斜度、对比度特征识别效果较好[10]。徐志强等通过对比多种深度卷积神经网络框架下模型对煤和矸石识别情况,发现SqueezeNet 网络综合能力最优[11]。上述采用可见光成像的识别方法,易受光源、粉尘、成像背景和物料表面等不确定因素影响,在面向不同场景时,往往需要建立复杂的识别模型,导致决策能力受限。
最初采用的煤矸γ 射线的透射识别技术,因辐射难以控制问题,未被推广使用。相较于γ 射线,X 射线辐射可控性较高,且基于X 射线透射成像的图像识别技术对环境敏感性较弱,目前被工业界普遍接受[12]。针对X 射线透射识别技术,笔者通过建立NP-FSVM 分类器,融合单能X 射线图像灰度、纹理特征对煤矸进行识别,获得较高识别率[13]。但采用单能X 射线,完全忽视了厚度效应影响,易将较厚的煤识别为矸石、 较薄的矸石识别为煤。VON Ketelhodt L 等采用双能X 射线获取煤和矸石的等效原子序数,依据等效原子序数差异来设定阈值分离煤和矸石[14]。KUERTEN Ariane Salvador 采用等效原子序数分割图像,计算了煤和矸石图像中矸石像素面积占比,以此对煤和矸石进行分类[15]。由于射源放射的X 射线为连续能谱,而简化计算中将连续能谱等效为单一能谱,所以余晖效应、厚度效应和射束硬化效应仍然存在,导致煤和矸石的等效原子序数特征存在波动和交叉重叠。为了增强特征可分性,李振华等通过联合矿石高能图像灰度均值I,将矿石一维物质属性R 值特征,扩展至二维R-I 平面对厚度进行矫正[16]。徐明刚等提出采用二维隶属度分割方法用于安检系统物质鉴别,矫正厚度影响,可基本区分开不同物质R 值重叠区域[17]。由此可见,对煤和矸石X射线图像识别,消除厚度效应的同时,还应考虑融入高、低能图像特征,并引入通过阈值分割后计算得到的矸石面积占比特征,进行多维度分析。
笔者通过研究双能X 射线图像目标区域R 值均值与密度和灰分的关系,以此确定物质属性R 值阈值。采用R 值阈值和灰度均值对R 值图像和高、低能图像进行分割,进而计算出不同物质在单个目标中的面积比例,即矸石含量特征。进一步地,度量R 值均值、矸石含量特征、高低能级图像灰度特征、纹理特征的重要性,建立多维度分析识别模型,设计分类试验,并通过试验验证不同煤种:肥煤、焦煤和气煤分别混合矸石的识别情况。最终得到多维度特征中的最优特征组合,同时实现一个模型识别多个环境场景下的差异煤质。
1 图像获取与缺陷分析
1.1 图像获取
本文研究所用的煤和矸石分别取自于临涣选煤厂变质程度较高的焦煤、许疃煤矿变质程度中等的肥煤以及来自顾桥煤矿变质程度较低、挥发程度较高的气煤。所选用的煤和矸石粒径分布在30～100 mm,厚度分布在5～45 mm,密度分布在1.3～(+)1.8 kg/L((+)表征密度大于1.8 kg/L)。依据煤炭与矸石分类标准,将其中密度大于1.8 kg/L 的样本归为矸石[18-20]。
获取煤和矸石X 射线透射图像的试验平台隶属于安徽中科光电色选机械有限公司与安徽理工大学产学研合作项目。核心部件包括:伟杰科技有限公司型号CISSY16 的双能X 射线源和DT 北京有限公司型号CISTCQ16 的探测器。其中,X 射线源与安检机同规格,电压160 kV,电流2 mA,探测器的分辨率为1.5 mm。试验平台外壳内部贴附铅板层,厚度5 mm,用于阻隔X 射线辐射。在距离平台外壳2～200 cm 测定辐射剂量,检测值均小于1 μSv,远低于国家射线辐射剂量标准要求[21]。图像获取过程,如图1所示。
图1 试验图像获取
Fig.1 Test image acquisition
射源正下方排列有16 个探测卡,每个探测模块可以采集64 个数据,一次可采集2 048 个数据。所采数据中有1 024 个数据为低能X 射线图像数据,余下为高能X 射线图像数据。每采集1 000 组射线强度信号,便在上位机中形成一张图像,图像像素为1 000×1 024。
1.2 图像缺陷分析
1.2.1 厚度效应及射束硬化效应
由Lambert-Beer 定律可知[13],单一能量的高、低能X 射线穿透煤和矸石时:
式中,I 为透射后X 射线探测器检测到的信号强度;I0为入射的高、低能X 射线强度;μ 为高、低能X 射线下同一个物质的衰减系数;h 为被检测物料厚度;ρ 为被检测物质的密度。
将式(1)变换:
式(2)表明物质衰减系数μ 与物质密度ρ 以及物质厚度h 三个因素相互关联。其中物质衰减系数μ 与物质密度ρ 为相关参数,而物质厚度h 则为自由参数。
目前,双能X 射线透射技术常通过提取物质属性R 值来识别物质,即首先获取高、低2 种不同能量的信号,然后采用比值法消除厚度和密度的影响。具体原理如下,假设低能区X 射线未透射煤和矸石前强度为Il0,透射后强度Il。高能区X 射线未透射煤和矸石前强度为Ih0,透射后强度Ih,代入Lambert-Beer 公式:
由式(3),(4)可得
式中,μl 为低能区的物质衰减系数;μh 为高能区的物质衰减系数。
物质属性R 值[20]表示为
然而,X 射线源产生的是连续能谱的X 射线,此时物质衰减系数μ 不是一个固定的参数,而是与X射线能量相关的函数μ(E)。那么,对任意能量为E的X 射线[22],有
式中,I0(E)为入射前的高、低能X 射线强度; I(E)为入射后的高、低能X 射线强度。
此外,X 射线探测器对不同能量的X 射线探测效率不同,且不具有能量分辨能力。因而最终探测器获取的数据信号是关于X 射线的能量进行积分后得到的结果[22]:
式中,Tj 为探测器接收到的信号;I(E)为能量为E 时的X 射线强度;Em 为X 射线的能量谱上限;Pd(E)为探测器对能量为E 的X 射线探测效率。
由式(8)可知,物质厚度信息以指数形式包含在积分项内,无法通过比值法消除,进而引发了厚度效应。而不同能量的X 射线在同样物质中的衰减系数也不相同,由此引发了射束硬化作用[22]。厚度效应与射束硬化效应产生的直接影响是通过计算获取的不同物质的物质属性R 值存在波动,甚至交叉,如图2(a)所示。
1.2.2 余晖效应
当煤或矸石随胶带运送至X 射线透射区域时,采集到的透射信号强度并不会突然衰减,而是在缓慢的减小,随后趋于稳定,这种衰减延迟现象称为X 射线探测器的余晖效应。如图2(b)所示,余晖效应主要体现在煤和矸石低能X 射线图像单列像素灰度值变化。余晖效应一方面会导致图像灰度信息偏差,致使分割时无法精确提取物体边缘信息,另一方面导致计算的物质属性R 值出现偏差。
图2 图像缺陷影响
Fig.2 Image defect impact
上述3 种缺陷,可通过一定方法进行矫正,但不能完全消除,而且矫正算法较为复杂。鉴于此,笔者将选择保留缺陷影响,采用多个维度的特征来对煤和矸石进行识别,以求降低缺陷对识别率的影响。
2 特征提取方法
2.1 R 值均值
将连续能谱X 射线等效为单一能谱X 射线,因为X 射线透射前后信号强度可由图像灰度值近似表达[23],所以计算物质属性R 值前首先需要获得空胶带运转下的X 射线高、低能透射图像,作为入射前射线强度信号。由式(5),(6)可知R 值图像的计算表达又可表示为
式中,fl0(x,y)为空胶带高能X 射线灰度值低能区图像;fl(x,y)为物料在胶带上高能X 射线灰度值低能区图像;fh0(x,y)为空胶带低能X 射线灰度值高能区图像;fh(x,y)为物料在胶带上低能X 射线灰度值高能区图像;R(x,y)为计算得到的R 值图像。
定义Rk(x,y)为R(x,y)被分割后单个目标区域子图像。那么,R 值均值Ra 特征计算式为
式中,Ra 为Rk(x,y)图像矩阵元素均值;T 为Rk(x,y)图像矩阵元素不为0 的个数;a(i,j)为Rk(x,y)图像矩阵元素值;p,q 分别为Rk(x,y)图像长度和宽度。
2.2 基于R 值的矸石含量特征
双能X 射线透射煤矸时,物质属性R 值仅与物质密度与厚度有关,利用双能X 射线可以减小厚度效应影响,因此在一定粒级范围内可通过物质密度来确定R 值阈值。通过对不同密度级下的肥煤、焦煤和气煤进行分析,提取其R 值均值,得到R 值均值与密度关系,如图3(a)所示。同理,对不同密度级的肥煤、焦煤和气煤进行灰分检测,得到3 种煤不同密度级下对应灰分含量,如图3(b)所示。
由图3(a)可知,密度与R 值均值呈正相关;由图3(b)可知,密度与灰分含量也呈正相关。原煤灰分含量越高,其发热量越低,并且燃烧时产生污染物越多。中国国标规定:煤炭洗选利用中,灰分小于5%,称为特低灰煤;灰分介于5.01%～10%称为低灰煤;灰分介于10.01%～20% 称为低中灰煤;灰分介于20.01%～30% 称为中灰煤;灰分介于30.01%～40%称为中高灰煤;灰分介于40.01%～50%称为高灰煤。并且冶炼用炼焦精煤灰分一般小于12%,其他炼焦精煤灰分一般介于12.5%～16.0% [24]。从图3(b)中可知,当3 种煤灰分约为16%时,平均密度约为1.48 kg/L,其对应R 值均值约为1.3;当3 种煤灰分约为50%时,平均密度约为1.74 kg/L,其对应R值均值约为1.42。
选择肥煤、焦煤和气煤100 块,并选择矸石100块,提取其R 值均值,R 值分割阈值选取如图4所示。利用R 值均值阈值对R 值图像进行划分,并进行伪色彩处理。结果如图5所示,绿色表示煤,红色表示矸石。
图3 密度与R 值和灰分之间关系
Fig.3 Relationship between density and R-value and ash
图4 R 值分割阈值选取
Fig.4 R-value segmentation threshold selection
由图5可知,针对R 值图像5(a),当划定R 值阈值为1.3 时,有较多的煤被判定为矸石,如图5(b)所示(右2 列为煤);而划定R 值阈值为1.42 时,只有少量煤被判定为矸石,如图5(c)所示。表现在图像像素上,即图5(c)绿色面积域相对图5(b)明显增加。增加的部分R 值分布在1.30～1.42,表示密度分布在1.48～1.74 kg/L 的高灰分煤或由厚度效应和射束硬化效应影响产生的错误信息,如图5(d)蓝色区域所示。
图5 R 值阈值图像分割结果
Fig.5 R-value image threshold segmentation results
为了更大程度的提取原煤中的煤块,避免资源浪费,必须要求R 值阈值尽可能的大,以至于将高灰分煤图像像素面积域划分为低灰煤的面积域。因此笔者将选取1.42 为阈值对R 值图像进行分割。
图像分割后经伪色彩处理,进行连通域检测和连通域分离;将分离连通域后的图像与伪色彩处理前图像掩膜处理,得到单个目标区域子图像。统计提取各目标矸石像素占比Rc,表达式为
式中,r 为单个目标区域图像中红色像素个数;v 为绿色像素个数。
2.3 高低能图像灰度、纹理特征
煤和矸石X 射线透射成像时,2 者灰度均值区分度最大[13],即灰度均值作为输入特征分类表现较好。对消除背景后的灰度图像进行连通域检测与连通域分离,得到每张仅含有一个目标区域的子图像。灰度均值计算公式为
式中,G 为灰度均值;T 为子图像像素灰度值不为0的个数;b(i,j)为子图像像素灰度值。
基于灰度共生矩阵,常提取有较好辨识能力的能量(ASM)、熵(ENT)、对比度(CON)、相关性(COR)等纹理特征值。灰度共生矩阵的求解受生成距离l和灰度级压缩等级k 的影响,同时在不同方向θ =0°,45°,90°,135°上均具有匹配的计算特征值。文中提取纹理特征选择生成距离l=1,灰度压缩等级k=8,并将各方向上的特征求解值取平均作为最终特征。又因上述4 个特征中相关性在煤和矸石之间有较高区分度[13],所以笔者将提取相关性作为纹理特征。记高、低能图像灰度均值为Gl,Gh,纹理特征为Tl,Th。
2.4 基于高、低能图像灰度的矸石含量特征
选取肥煤、焦煤和气煤100 块,矸石100 块,提取其高、低能图像灰度均值,并以3 种煤和矸石均值之和的1/2 作为灰度分割阈值。对于高能图像,其分割阈值为66.438, 对于低能图像, 其分割阈值为48.728。灰度均值分布与划分阈值如图6所示。
图7为高低能图像灰度阈值分割结果。同理,求取伪色彩处理后单个目标图像红素面积占据整个目标的比例。记高、低能图像矸石含量特征为Glc,Ghc。
综上,对煤和矸石的图像共提取8 组特征,此多维度特征组合形成一种强特征向量。一方面等效消除、矫正了煤和矸石的厚度效应;另一方面结合了不同能级下的图像特征,进而弱化了余晖效应和射束硬化效应的影响。
3 Relief 特征选择和分类模型
3.1 Relief 特征选择
由于图像特征提取过程消耗大量时间,而且并不是每一个特征都对分类起到关键作用,因此所提取特征中势必存在冗余或对分类结果影响不明显的特征。基于Relief 的过滤式特征选择方法,根据各特征和类别的相关统计量赋予特征不同的权重,能够很好的去除冗余[7]。给定训练集{(x1,y1),(x2,y2),…,(xi,yi)},Relief 首先随机选择D 个样本,然后对样本内每个xi,先在其同类样本寻找一个最近邻xi,nh,称为猜中近邻(Near-Hit);从xi 异类样本中寻找一个最近邻样本xi,nm,称为猜错近邻(Near-Miss)。相关统计量对应属性j 上的分量[25]为
其中,δj 为相关统计量对应属性j 上的分量;xji 为属性j 上的样本;xji,nh 为属性j 同类样本寻找的1 个最近邻样本;xji,nm 为异类样本寻找的一个最近邻样本;diff 为一种函数运算表示,煤矸数据集属性j 为数值变量,则
,表征曼哈顿距离,即取差的绝对值,xj a, xjb 归一化在[0,1]内,
为样本xa 在属性j上的取值,
取决于属性j 的类型。
图6 高、低能图像灰度阈值选取
Fig.6 High and low energy image gray value threshold selection
图7 高、低能图像灰度阈值分割结果
Fig.7 High and low energy image gray threshold segmentation results
根据下述规则更新特征的权重。若xi 和Near-Hit(xi,nh)在属性j 上的距离小于xi 和Near-Miss(xi,nm)上的距离,则该属性j 对区分同类和异类样本是有益的,即增加该属性j 对应统计分量的权重;反之亦然。重复以上过程L 次,最后得到每个特征的平均权重。特征的权重越大,表示该特征的可分性越强。Relief 算法的运行时间随样本抽样次数M 和原始特征数的增加线性增加,运行效率非常高[25]。
3.2 分类模型
3.2.1 SVM(Support Vector Machines)
支持向量机是一种以监督学习方式对数据进行二元分类的广义线性分类器,其依据样本学习建立最大边距超平面决策边界。SVM 分类方法能很好地解决煤和矸石这种非线性、小样本分类问题。本文建立的支持向量机分类超平面判别函数与核函数[26-28]分别表示为
式中,sgn 为符号函数;K 为高斯径向基核函数;SV 为支持向量,为1 个集合;g 为高斯径向基核函数宽度。
3.2.2 PSO(Particle Swarm Optimization)
支持向量机分类模型建立过程中,超参数惩罚因子c 和高斯径向基核函数宽度g 的选取直接影响到模型分类准确率和模型泛化能力。对参数c,g 常见的选择方法有试凑法、网格搜索法和交叉法等,这些方法均存在运算复杂、结果收敛性差等问题。而粒子群算法基于进化计算,通过群体中个体之间的协作与信息共享寻优,在参数选取、收敛速度具有很大优势[13]。
因此本文使用粒子群算法寻找超参数c,g 的组合。PSO-SVM 模型优化过程中,PSO 参数初始设置见表1。
表1 PSO 参数设置
Table1 PSO parameter setting
注:n 为进化次数;e 为种群规模;l1,l2 为学习因子。
n c e g l1 l2 200 0.1～100 30 0.01～1 000 1.6 1.5
4 讨论与结果
4.1 模型分类结果分析
获取密度分布在1.3～1.8 kg/L 的肥煤、焦煤和气煤的单个目标图像270 张,同时获取矸石单个目标图像270 张,密度大于1.8 kg/L。提取图像8 组特征,给定煤的标签为1,矸石标签为2,组成数据集为540×9 的特征矩阵。部分特征提取结果见表2。
基于Relief 算法,对8 组特征赋予不同权重,设定抽样次数为M =80,取L=20 次重复运行,计算权重平均值并绘制各特征权重曲线,如图8所示。
表2 部分目标特征提取结果
Table 2 Partial target feature extraction results
种类 标签 Ra Rc Gl Tl Glc Gh Th Ghc肥煤 1 1.25 0.14 79.81 0.213 0.133 54.39 0.512 0.153 1 1.25 0.24 80.26 0.182 0.082 56.51 0.404 0.103焦煤 1 1.19 0.02 73.43 0.247 0.063 50.16 0.600 0.290 1 1.19 0 86.99 0.153 0.081 57.97 0.432 0.089气煤 1 1.18 0 89.62 0.147 0.105 59.17 0.396 0.116 1 1.28 0.69 89.82 0.147 0.086 60.06 0.396 0.115矸石 2 1.53 0.75 50.24 0.380 0.768 44.51 0.593 0.055 2 1.48 0.60 58.32 0.293 0.603 40.50 0.701 0.641
图8 Relief 特征选择结果
Fig.8 Relief feature selection result
由图8可知,权重的大小排列顺序为:Rc>Glc>Gl>Ra>Ghc>Gh>Tl>Th。矸石含量Rc,Glc,Ghc 作为煤和矸石分选时的统计特征,权重系数较高,也即对煤和矸石的区分程度最好。 R 值图像特征与高、低能图像特征Rc,Glc,Gl,Ra,Ghc 在总体特征上权重较高,而高、低能图像特征Gh,Tl,Th 在总体特征上权重系数较小。可见,对煤和矸石采用双能X 射线识别,应重点关注R 值图像特征与高能图像特征。
将数据集进行随机排序,为验证数据集的稳定性,将其分为10 组,采用10 折交叉验证方法,对数据集训练并测试。以10 次试验测试集分类准确率均值作为最终测试结果。每次试验剔除一个权重较低的特征量。以多组机器学习中常用分类器模型,如逻辑回归(LRC)、判别分析法(DAC)、 集成学习法(ELRF)、K 最近邻(KNN)、决策树(TREES)、BP 神经网络(BP)为参照,对比分析剔除权重较低特征后分类模型分类准确率变化趋势。
试验过程中,记录每组分类器训练时间,将统计结果绘制为折线图用于趋势分析,如图9所示。
图9表明,随着每次剔除一个权重系数较低的特征,不同的分类器识别率均先增加,后趋于稳定。输入特征较多时,在高维空间中,一些权重较低的特征存在交叉,可分性弱,因此识别率较低。伴随权重较低的特征被剔除,高维空间统计特征交叉减轻,可分性增强,因此识别率增加。但随着特征数量进一步减少,受余晖效应、厚度效应以及射束硬化效应影响,煤和矸石的统计特征在低维空间再次出现交叉,因此分类器识别率又大幅降低。
输入特征的减少与分类器消耗时间总体呈负相关。其中PSO-SVM,LRC,KNN,BP 分类器对肥煤、焦煤和气煤混合矸石识别效果较好。本文建立的PSO- SVM 分类模型识别准确率最高,可达到99.4%,同时耗时最短。其中最优特征组合为[Rc,Glc,Gl,Ra],分类模型的最佳超参数组合为:c=99.063 6,g=0.01。
图9 分类测试结果
Fig.9 Classification test results
4.2 不同方法对比分析
将本文提出多维度分析方法与其他4 种方法进行比较,例如:采用单能X 射线图像特征中灰度特征(灰度均值、灰度方差)联合纹理特征(对比度、相关性、能量、熵)的识别方法[13];基于等效原子序数的煤和矸石识别方法[14];基于等效原子序数分割图像,提取目标区矸石像素面积占比的方法[15];基于物质属性R 值联合高能图像灰度均值特征I 的识别方法[16-17],结果见表3。
表3 不同方法对比
Table 3 Comparison of different methods
方法 双能X 射线 机器学习模型 多维度 识别率/%灰度& 纹理[13] × √ × 91.6等效原子序数[14] √ × × 96.6矸石含量[15] √ × × 96.5 R 值&灰度[16-17] √ × √ 97.7本文方法 √ √ √ 99.4
由表3可知,本文提出方法对煤和矸石的识别率高于上述4 种方法,且具有以下优势:①采用双能X射线消除、矫正了厚度效应影响;②通过多维度分析判断,降低了余晖效应和射束硬化效应影响;③建立了基于机器学习算法的分类识别模型,提高了识别效率。
5 试验验证
在中国境内,不同矿区煤变质程度不一,因此其品质均存在差异。例如:在中国河北开滦庒煤矿、山东枣庄山家林煤矿和山西古交镇城底煤矿等多产肥煤;河北峰峰二矿、安徽淮北张庄矿和四川攀枝花的大宝顶煤矿等多产焦煤;而淮南望峰岗等矿区多产出气煤。在第4.1 节试验中,以3 种不同品质的煤和矸石训练模型分类器,然后对3 种煤混合矸石进行识别,取得较好效果。若对某一处产煤品质较为单一的矿区,例如某矿区煤的品质趋于肥煤、焦煤或气煤中的一种,那么还要测试模型对单一品质煤矸混合识别效果。
基于PSO-SVM 模型分类器,采用最优特征组合[Rc,Glc,Gl,Ra]对单一品质的煤和矸石进行分类识别。试验分别获取肥煤、焦煤和气煤子图像各90 张,矸石图像各90 张。以第4 章节试验中训练好的PSO-SVM 模型对验证数据进行分类,每组验证数据包含90 组煤和90 组矸石特征信息,结果见表4。
表4 单一品质煤混合矸石识别结果
Table 4 Single-quality coal mixed gangue identification results
项目 肥煤 焦煤 气煤c 99.063 6 99.063 6 99.063 6 g 0.01 0.01 0.01训练识别率/% 99.16 99.16 99.16验证识别率/% 98.89 100 99.44
验证结果显示,分类模型对肥煤混合矸石识别率为98.89%,焦煤混合矸石的识别率为100%,气煤混合矸石的识别率为99.44%。实际工程应用中,依据文中方法预调整参数后,可基本保持参数统一不变。
6 结 论
(1)联合R 值图像特征与高、低能图像特征对煤和矸石进行多维度分析,降低了图像识别过程余晖效应、厚度效应和射束硬化效应带来的误判影响。PSO-SVM 分类模型联合最优特征组合[Rc,Glc,Gl,Ra],应对单一品质煤块混合矸石分类准确率均在98%以上;应对多种煤质混合并混合矸石的识别率可达99.4%。
(2)R 值图像与高能图像特征,在煤和矸石之间的可区分性较强,尤其涉及基于R 值图像与高能图像提取的矸石含量特征。
(3)双能X 射线物质识别技术,对不同产地、不同种类的煤敏感性低,结合多维度分析方法,减少了工程应用中根据矿区煤质差异进行参数调整的频次。
[1] GUI Xiahui,LIU Jionghian,CAO Yihun,et al.Coal preparation technology:Status and development in China[J].Energy & Environment,2015,26(6-7):997-1013.
[2] JONG R DE,TAKO P,VAN Houwelingen,et al.Automatic sorting and control in solid fuel processing:Opportunities in European perspective[J].Geologica Belgica,2004,7:325-333.
[3] ROBBEN Christopher,HERMANN Wotruba.Sensor-based ore sorting technology in mining—Past,present and future[J].Minerals,2019,523(9):1-25.
[4] SUN Zhiyuan,LU Wenhao,XUAN Pengcheng,et al.Separation of gangue from coal based on supplementary texture by morphology[J].International Journal of Coal Preparation and Utilization,2019,39:1-17.
[5] VERAS Moacir Medeiros.Detecção de minério portador de elementos de terras raras do depósito de Pitinga/AM,Brasil assistido por tecnologia de sensor-based sorting[D].Rio de Janeiro:Universidade Federal Do Rio Grande Sul,2018:7-12.
[6] ROBBEN Christopher,PEDRO Condori,ANGEL Pinto,et al.Xray-transmission based ore sorting at the San Rafael tin mine[J].Minerals Engineering,2020,145:1-10.
[7] DOU Dongyang,WU Wenze,YANG Jianguo,et al.Classification of coal and gangue under multiple surface conditions via machine vision and relief-SVM[J].Powder Technology,2019,356:1024-1028.
[8] 王家臣,李良晖,杨胜利.不同照度下煤矸图像灰度及纹理特征提取的实验研究[J].煤炭学报,2018,43(11):3051-3061.WANG Jiachen,LI Lianghui,YANG Shengli.Experimental research on the extraction of gray and texture features of coal gangue images under different illumination[J].Journal of China Coal Society,2018,43(11):3051-3061.
[9] SUN Zhiyuan,XUAN Pengcheng,SONG Zhiqiang,et al.A texture fused superpixel algorithm for coal mine waste rock image segmentation[J].International Journal of Coal Preparation and Utilization,2019 39:1-12.
[10] LI Man,DUAN Yong,HE Xianli,et al.Image positioning and identification method and system for coal and gangue sorting robot[J].International Journal of Coal Preparation and Utilization,2020 4:1-19.
[11] 徐志强,吕子奇,王卫东,等.煤矸智能分选的机器视觉识别方法与优化[J].煤炭学报,2020,45(6):2207-2216.XU Zhiqiang,LÜ Ziqi,WANG Weidong,et al.Machine vision recognition method and optimization for coal gangue intelligent sorting[J].Journal of China Coal Society,2020,45(6):2207-2216.
[12] YOUNG,AARON Samuel.Uso da separação automática por sensor de raio X na pré-concentração de minérios:Ferro e zinco[D].Rio de Janeiro:Universidade Federal Do Rio Grande Sul,2017:19-40.
[13] 郭永存,于中山,卢熠昌.基于PSO 优化NP-FSVM 的煤矸光电智能分选技术研究[J].煤炭科学技术,2019,47(4):13-19.GUO Yongcun,YU Zhongshan,LU Yuchang.Research on intelligent technology of coal gangue optoelectronic sorting based on PSO optimized NP-FSVM[J].Coal Science and Technology,2019,47(4):13-19.
[14] VON Ketelhodt L,CARL Bergmann.Dual energy X-ray transmission sorting of coal[J].Journal of the Southern African Institute of Mining and Metallurgy,2010,110(7):371-378.
[15] KUERTEN,ARIANE Salvador.Pré-concentração de carvão mineral da Mina de Moatize com tecnologia Sensor Based Sorting-SBS[D].Rio de Janeiro:Universidade Federal Do Rio Grande Sul,2017:48-68.
[16] 山东大学.基于伪双能射线成像的矿石分选系统及方法[P].中国专利:CN104138854B,2016-06-22.
[17] 徐明刚,鲍旭东.伪双能X 射线透射系统矫正厚度影响的物质鉴别方法[J].电子器件,2007,30(1):219-221.XU Minggang,BAO Xudong.Pseudo dual-energy X-ray transmission system to correct the thickness effect of substance identification method[J].Electronic devices,2007,30(1):219-221.
[18] GB/T 5751—2009.中国煤炭分类[S].
[19] GB/T 29162—2012.煤矸石分类[S].
[20] 冯岸岸.智能分选过程中煤矸X 射线识别技术的研究[D].淮南:安徽理工大学,2019:17-19.FENG An’an.Research on coal gangue X-ray recognition technology in intelligent sorting process[D].Huainan:Anhui University of Science and Technology,2019:17-19.
[21] GB 22448—2008,500 kV 以下工业X 射线探伤机防护规则[S].
[22] 张进.基于X 射线特性的物质识别方法研究[D].南京:东南大学,2015:17-19.ZHANG Jin.Research on substance identification method based on X-ray characteristics[D].Nanjing:Southeast University,2015:17-19.
[23] 王艳翔.双能X 射线物质识别系统的研究[D].太原:中北大学,2017:36-37.WANG Yanxiang.Research on dual-energy X-ray material recognition system[D].Taiyuan:North Central University,2017:36-37.
[24] GB/T 15224.1—2018.煤炭质量分级[S].
[25] 周志华.机器学习[M].北京:清华大学出版社,2016:249-250.
[26] HU Feng,ZHOU Mengran,YAN Pengcheng,et al.Multispectral imaging:A new solution for identification of coal and gangue[J].IEEE Access,2019,7:697-704.
[27] MANTELA Aikaterini.Rock image classification ore/waste-ut off identification for decision making[D].Thessaloniki:International Hellenic University,2020:32-33.
[28] 吴永辉,计科峰,李禹,等.利用SVM 的极化SAR 图像特征选择与分类[J].电子与信息学报,2008,30(10):2347-2351.WU Yonghui,JI Kefeng,LI Yu,et al.Polarimetric SAR image feature selection and classification using SVM[J].Journal of Electronics and Information,2008,30(10):2347-2351.
