摘要(Abstract)：
为了提高煤矸石分选的识别率,研究煤与煤矸石在同一场景下不同特征的数据差异;将煤与煤矸石各分为2类,从各类中抽取样本,经预处理后分析灰度特征、纹理特征、灰度分布直方图,以及不同阈值时各类样本灰度级为255的像素点频率;基于灰度特征与纹理特征,采用支持向量机对样本进行训练。结果表明,各类煤与煤矸石在灰度特征的灰度能量与灰度熵、纹理特征的能量与熵、灰度分布直方图特征以及阈值为55～70且灰度级为255时的频率存在明显差异,基于支持向量机与多种特征的煤矸石识别率最高可达96.4%。
关键词(KeyWords)： 图像处理;煤矸石识别;灰度特征;纹理特征;支持向量机
基金项目(Foundation): 国家自然科学基金项目(51875250);; 山东省自然科学基金项目(ZR2017MF023);; 山东省高等学校“青创科技支持计划”项目(2019KJB018)
作者(Author): 范振,陈乃建,黄玉林,张来伟,李映君
DOI: 10.13349/j.cnki.jdxbn.20201203.002
参考文献(References)：
[1] 曹现刚，李莹，王鹏，等.煤矸石识别方法研究现状与展望[J].工矿自动化，2020,46(1):38-43.
[2] WANG W D,ZHANG C.Separating coal and gangue using three-dimensional laser scanning[J].International Journal of Mineral Processing,2017,169:79-84.
[3] 杨慧刚，乔志敏.基于X射线和机器视觉的煤与煤矸石分选系统设计[J].工矿自动化，2017,43(3):85-89.
[4] LIU K,ZHANG X,CHEN Y Q.Extraction of coal and gangue geometric features with multifractal detrending fluctuation analysis[J].Applied Sciences,2018,8(3):463-477.
[5] PU Y Y,APEL D B,SZMIGIEL A,et al.Image recognition of coal and coal gangue using a convolutional neural network and transfer learning[J].Energies,2019,12(9):1-11.
[6] 兰添才，郑汉垣.基于纹理特征融合的煤矸石分选技术研究[J].龙岩学院学报，2008,26(6):56-59.
[7] 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.
[8] 何敏，王培培，蒋慧慧.基于SVM和纹理的煤和煤矸石自动识别[J].计算机工程与设计，2012,33(3):1117-1121.
[9] 高韩，肖中俊，严志国.基于Canny算法的图像边缘提取研究[J].齐鲁工业大学学报，2020,34(1):25-29.
[10] 田相军，罗琳.综合图像灰度熵和灰度值的人脸识别方法[J].现代电子技术，2005(24):46-48.
[11] 余乐，郑力新，杜永兆，等.采用部分灰度压缩扩阶共生矩阵的煤和煤矸石图像识别[J].华侨大学学报(自然科学版),2018,39(6):906-912.
[12] HARALICK R M,SHANMUGAM K,DINSTEIN I.Textural features for image classification[J].IEEE Transactions on Systems,Man,and Cybernetics,1973,SMC-3(6):610-621.
[13] 段佩祥，钱海忠，何海威，等.基于支持向量机的线化简方法[J].武汉大学学报(信息科学版),2020,45(5):744-752,783.
[14] 张世杰，陈泽华.基于梯度下降算法的煤矸石分割识别方法[J].煤矿机械，2014,35(8):128-130.
[15] 丛成，吕哲，高翔，等.基于支持向量机的钢板缺陷分类问题的研究[J].物联网技术，2020,10(4):33-35,40.
[16] 林升梁，刘志.基于RBF核函数的支持向量机参数选择[J].浙江工业大学学报，2007,35(2):163-167.
[17] 叶晓波，秦海菲，吕永林.基于支持向量机的人脸识别应用研究[J].楚雄师范学院学报，2019,34(3):121-127.
