基于機器視覺的煤炭自動識別分揀系統(tǒng)研究

黃洪濤，關建軍

（河南能源化工集團焦煤公司趙固二礦 河南 焦作454150）

基于機器視覺的煤炭自動識別分揀系統(tǒng)研究

黃洪濤，關建軍

（河南能源化工集團焦煤公司趙固二礦 河南 焦作454150）

為了解決煤炭人工識別分揀勞動強度大，效率和精度低的問題。基于機器視覺技術，設計了一套由硬件系統(tǒng)和軟件系統(tǒng)組成的煤炭自動識別分揀系統(tǒng)。為實現(xiàn)煤炭和矸石的自動識別，提出了基于灰度共生矩陣的紋理分析識別算法，并通過支持向量機（SVM）對煤炭圖像和矸石圖像樣本進行訓練和分類從而實現(xiàn)自動識別功能，并完成圖像處理算法與系統(tǒng)界面軟件編程。實驗結(jié)果表明，該系統(tǒng)硬件選型合理，算法穩(wěn)定性高，效率高，提高了煤炭識別分揀的效率與精度，具有很高的實際意義和經(jīng)濟價值。同時，該系統(tǒng)也可推廣到其他物料的自動識別分揀中。

機器視覺；煤炭；灰度共生矩陣；紋理；支持向量機

我國的煤炭資源非常豐富，煤炭在工業(yè)和生活的應用有很多，是我國主要消耗能源之一。但是，煤炭的開采結(jié)果中會混合大量矸石，矸石的燃燒利用率低，如果工業(yè)用煤中混合矸石，將嚴重影響工業(yè)生產(chǎn)，甚至污染環(huán)境，因此煤炭的識別分揀是煤炭生產(chǎn)中必需的環(huán)節(jié)。傳統(tǒng)的煤炭識別分揀主要采用人工方法。人工方法的效率低、成本高、勞動強度大，制約了煤炭行業(yè)企業(yè)的發(fā)展壯大。因此亟需研發(fā)煤炭自動識別分揀系統(tǒng)，提高煤炭識別分揀的效率，并降低識別分揀成本。

近年來，隨著機器視覺技術的蓬勃發(fā)展，其與PLC技術的結(jié)合使用，在工業(yè)檢測中的應用越來越普遍，如各種機械零部件檢測等。煤炭自動識別分揀系統(tǒng)主要是采用機器視覺算法完成煤炭和矸石的自動識別功能，并結(jié)合PLC技術和整個運動控制機構(gòu)完成煤炭和矸石的自動分揀功能。

1 系統(tǒng)總體方案

機器視覺是利用相機、鏡頭、光源和數(shù)字圖像處理算法等代替人來進行判斷分析檢測。一個機器視覺檢測系統(tǒng)主要包括硬件結(jié)構(gòu)和軟件系統(tǒng)。硬件結(jié)構(gòu)的設計包括光源、鏡頭、相機及照明方式的選型以及運動控制機構(gòu)的設計，軟件系統(tǒng)的設計包括圖像處理算法的研究編寫及系統(tǒng)軟件界面的設計編寫。基于機器視覺的煤炭自動識別分揀系統(tǒng)的工作過程如圖1所示：首先接通電源給整個系統(tǒng)供電，當PLC控制系統(tǒng)在通電之后，PLC會推動傳送帶傳送煤炭，當煤炭被傳送到工作臺時，光電傳感器會檢測到煤炭并產(chǎn)生模擬觸發(fā)信號，信號經(jīng)過模數(shù)轉(zhuǎn)換后，發(fā)送給計算機，計算機發(fā)送相應的控制指令給PLC，PLC接收指令并轉(zhuǎn)換后會控制傳送帶停止運動，同時上述的信號會觸發(fā)相機抓拍煤炭圖像，并通過USB口將抓拍到的圖像輸入到計算機內(nèi)部，然后通過圖像處理算法和圖像識別算法對采集到的圖像進行預處理、識別，若識別結(jié)果為煤炭，則計算機反饋信號給PLC，PLC控制氣動閥A動作選出煤炭，若識別結(jié)果為矸石，則計算機反饋信號給PLC，PLC控制氣動閥B動作選出矸石。

圖1 系統(tǒng)總體方案示意圖

2 系統(tǒng)硬件設計

在煤炭自動識別分揀系統(tǒng)的硬件設計中，相機，鏡頭，光源以及照明方案的選擇直接關系到所采集到圖像的質(zhì)量，對煤炭識別結(jié)果至關重要，因此本系統(tǒng)對以上硬件做了如下選型。

2.1 光源的選擇

在機器視覺系統(tǒng)中，光源的作用是增加采集目標和背景的對比度，增加圖像的質(zhì)量。常用的光源有熒光燈，鹵素燈和LED光源等，對比各種光源的價格、亮度、穩(wěn)定性、控制裝置、壽命、光線均勻度和復雜設計等各項，其中LED光源的穩(wěn)定性高，壽命高，且有控制裝置，可以控制光源明暗，因此本系統(tǒng)選擇LED光源。

基于機器視覺的煤炭自動識別分揀系統(tǒng)的照明方案主要分為兩種，分別為正面光源照射和背面光源照射。采用正面光源照射的方法，可以將采集物體的細節(jié)明顯的顯示出來，采用背面光源照射的方法，是一種透光的方法，可以將采集物體和背景準確并且明顯的顯示出來。結(jié)合檢測對象煤炭的特點，需要得到煤炭表面的詳細信息，因此本系統(tǒng)照明方案選擇正面光源照射。光源選用同軸光源，既可得到較高的對比度，也能夠得到煤炭表面的信息。

2.2 工業(yè)攝像機的選擇

按照像素排列方式劃分，工業(yè)攝像機可以分為面陣攝像機和線陣攝像機，線陣攝像機的檢測精度高，檢測范圍大，價格高。結(jié)合本系統(tǒng)所要檢測的煤炭對象的特點，選用面陣攝像機。相機的芯片類型又可分為CCD和CMOS，CCD和CMOS的工作原理大致一致，兩者的結(jié)構(gòu)和性能有所區(qū)別，性能對系統(tǒng)的影響較大，因此只關注性能上的區(qū)別，區(qū)別是CCD傳感器的價格較高，功耗較高，圖像質(zhì)量較好。因此，經(jīng)過以上比較，系統(tǒng)選用大恒水星系列MER—310—12UC(-L)攝像機型號，此款相機為CCD行曝光的USB接口相機，分辨率高達3 664×2 748。

2.3 鏡頭的選擇

選擇鏡頭時，首先要確定幾個重要的參數(shù)，分別是視場，工作距離和景深。視場是指觀測物體的可視范圍。工作距離是指從鏡頭前部到受檢驗物體的距離。景深是指相機可以清楚獲得圖像的前后浮動距離。待檢測煤塊的測量范圍是110 mm×70 mm，所以視場為110 mm×70 mm。根據(jù)高斯成像公式：

其中，f為焦距，u為物距，v為像距。根據(jù)公式計算得焦距為17.63 mm，圖像傳感器尺寸為6.17 mm×4.55 mm，工作距離為300 mm，因此本系統(tǒng)選擇KAWA千萬像素鏡頭LM16JC10M。

3 系統(tǒng)軟件設計

系統(tǒng)軟件設計主要包括研究并編寫圖像處理與識別算法，設計并編寫系統(tǒng)界面軟件，圖像處理和圖像識別算法是本系統(tǒng)的核心內(nèi)容，對采集到的圖像進行圖像預處理、圖像識別等操作，利用煤炭圖像和矸石圖像基于灰度共生矩陣的各種紋理特征數(shù)據(jù)，結(jié)合SVM來實現(xiàn)煤炭圖像和矸石圖像的識別。

3.1 圖像采集

本系統(tǒng)設計的圖像采集流程如圖2所示，首先對相機初始化，配置相應的相機參數(shù)和采集參數(shù)，之后調(diào)用采集函數(shù)采集圖像，在圖像采集完成后，釋放相機資源。

圖2 攝像機圖像采集流程圖

3.2 煤炭圖像預處理

為了消除圖像中的噪聲，必須對采集到的圖像進行預處理操作，常用的圖像預處理操作主要包括圖像增強與圖像濾波。

圖像增強是為了能夠?qū)D像中的有價值內(nèi)容進行突出，同時削弱圖像中無價值信息的影響。系統(tǒng)使用常用的直方圖均衡化方法對煤炭圖像進行圖像增強操作，增強以后的圖像如圖3所示，從圖中可見，增強后的圖像整體變亮，灰度值變高，特征更加明顯，但是增強后的圖像和原圖像相比有一定的模糊和失真。

圖3 圖像增強

采用圖像增強的方法對煤炭圖像預處理，造成了煤炭圖像發(fā)生一定程度的模糊和失真，因此決定通過圖像濾波獲得更好的處理效果。圖像濾波方法比較多，根據(jù)具體算法執(zhí)行步驟的不同，可以分為均值濾波、中值濾波和高斯濾波等。由于中值濾波和均值濾波的計算量比較小，算法效率高。因此，系統(tǒng)分別采用均值濾波和中值濾波方法對圖像進行平滑，平滑效果如圖4所示，圖4（a）和（b）分別是均值濾波和中值濾波的結(jié)果。從圖中可見，均值濾波使圖像變模糊，特征不再清晰，而中值濾波很好地保留了邊緣信息，又能夠有效降低噪聲，因此本系統(tǒng)選用中值濾波的圖像預處理方法。

圖4 圖像濾波算法比較

3.3 圖像灰度分析

灰度直方圖是圖像的灰度統(tǒng)計，可以從灰度直方圖中得到各灰度值及其對應的像素在圖像中的個數(shù)，是圖像的重要特征之一。在所采集到的圖像中，煤炭看起來比較黑，灰度值比較低，而矸石看起來比較亮，灰度值較高。因此煤炭和矸石的灰度直方圖可以直觀的反映它們的灰度值、灰度分布及灰度頻率。

3.4 圖像紋理分析

紋理是一種描述一個區(qū)域中像素灰度級空間分布的屬性。分析過程主要采用由Haralick定義的灰度共生矩陣，它是描述紋理的一種常用的統(tǒng)計方法[11-12]。灰度共生矩陣 P（i，j，δ，θ）包含了圖像的方向、相鄰間隔、變化幅度等信息。通過煤炭和矸石的灰度共生矩陣，可以提取出二階矩、對比度、相關、熵、逆矩差等特征參數(shù)值來定量描述煤炭圖像和矸石圖像的紋理特性[13]。其中二階矩表明了圖像灰度分布均勻程度和紋理粗細程度，對比度描述了圖像的清晰度，相關是用來衡量灰度共生矩陣在行或列方向上的相似度，而熵則表明了圖像中紋理的復雜程度和非均勻度。其計算公式如下：

對煤炭圖像和矸石圖像進行灰度共生矩陣分析，求出圖像在 0°、45°、90°、135°4 個方向上的灰度共生矩陣，并根據(jù)求得的灰度共生矩陣，分別求出4個方向的二階矩、對比度等特性，并取4個方向上各特征的平均值作為圖像所對應特性的值。

3.5 系統(tǒng)界面設計

結(jié)合前面的研究，設計了基于機器視覺的煤炭自動識別分揀系統(tǒng)系統(tǒng)軟件。軟件平臺采用Windows操作系統(tǒng)，編程環(huán)境采用Microsoft Visual Studio 2010，編程語言采用Visual C++。

本軟件主要包括參數(shù)設置模塊和檢測模塊，參數(shù)設置包括設置相機參數(shù)、采集參數(shù)、預處理參數(shù)及圖像識別參數(shù)，檢測模塊主要實現(xiàn)檢測功能，有手動檢測和自動檢測，檢測界面實時顯示工作臺上對象的圖像，檢測內(nèi)容是實現(xiàn)矸石和煤炭的識別。

4 實驗結(jié)果與分析

圖5中(a)是矸石圖像，(b)和(c)分別是煤炭和矸石的灰度直方圖。從圖中可以看出煤炭的灰度大部分集中0-100低灰度區(qū)間，而矸石集中在50-200灰度區(qū)間，并在灰度為175時達到高峰。由此，可知僅用灰度特征無法完全的將煤炭和矸石分開來。

表1和表2分別是煤炭圖像和矸石圖像灰度共生矩陣特征能量、熵、慣性矩、相關性和逆矩差的數(shù)據(jù)。從表中可以看出，煤炭的逆矩差值近似0.09，而矸石的逆矩差值近似0.02，

圖5 灰度直方圖

煤炭的能量近似0.1，而矸石的能量近似0.02，煤炭的熵近似3.4，而矸石的熵近似4.33，煤炭的慣性矩近似1.99，而矸石的慣性矩近似3.72，煤炭的相關性近似0.12，而矸石的相關性近似0.09。可知煤炭和矸石的相關性數(shù)據(jù)較接近，差距范圍不大，不能反映煤炭和矸石的不同點，而能量、熵、慣性矩和逆矩差的范圍差距較大，考慮利用這些特征值之間的明顯差異來識別煤炭和矸石。對于煤炭和矸石而言，有多個顯著特征，因此選用LIB-SVM軟件包對這些數(shù)據(jù)特征進行訓練。

表1 煤炭圖像的紋理特征參數(shù)

支持向量機（SVM）于1995年被提出，是在統(tǒng)計學習理論的VC維理論和結(jié)構(gòu)風險最小原理基礎上創(chuàng)建的，依據(jù)有限的樣本信息在模型的復雜性和學習能力之間尋求最佳折中，以期獲得最好的推廣能力。本文選用支持向量機來完成圖像分類，從而實現(xiàn)煤炭和矸石的自動識別。

選用能量、熵、慣性矩和逆矩差等參數(shù)作為訓練的參數(shù)，并且將這些值都映射到0-1范圍內(nèi)。將煤炭和矸石的標號設定為[0，1]，選用RBF核樣本數(shù)據(jù)映射到高維空間。實驗中選用煤炭和矸石共56張圖像作為樣本來訓練SVM，用50張圖像作為測試樣本，訓練結(jié)果顯示支持向量機能正確識別48張圖片，識別正確率為96%。可知，選用本文的方法能夠較好地完成煤炭圖像和矸石圖像的自動識別。

表2 矸石圖像的紋理特征參數(shù)

5 結(jié)束語

文中從硬件系統(tǒng)和軟件系統(tǒng)兩方面介紹了一種基于機器視覺算法的煤炭自動識別分揀系統(tǒng)，并通過實際實驗結(jié)果加以分析說明。在圖像處理算法上，選用中值濾波的預處理方法，很好地保留了邊緣信息。在圖像識別算法上，利用圖像的基于灰度共生矩陣的各種紋理特征數(shù)據(jù)，結(jié)合SVM實現(xiàn)了煤炭圖像和矸石圖像的快速準確識別。該系統(tǒng)硬件穩(wěn)定，算法穩(wěn)定性好，與以往的人工識別煤炭和矸石相比，該自動識別方法效率明顯提高，檢測精度較好，具有很高的實際意義。

[1]周少雷，單忠健，鄧曉陽．中國選煤業(yè)現(xiàn)狀與發(fā)展趨勢[J]．中國煤炭，2006，32（11）：11-14.

[2]閏俊旭，李曄．圖像處理在煤矸石識別系統(tǒng)中的應用[J]．兵工學報，2009，30（11）：16-20.

[3]孫鐵波，李宏．基于機器視覺的帶線縫合針尾孔鉆頭檢測研究[J]．現(xiàn)代制造工程，2013（11）：3，118-121．

[4]劉硯秋．機器視覺技術的發(fā)展動態(tài)[J]．電子元件與材料，2014（5）：93-94．

[5]朱虎成，孫大為，陸文淵，等．采用機器視覺的汽車活塞最終質(zhì)量自動檢測系統(tǒng) [J]．現(xiàn)代制造工程，2012（5）：105-108．

[6]李博，李仕奇，譚振豪．基于機器視覺的封印產(chǎn)品字符編碼檢測系統(tǒng) [J]．現(xiàn)代制造工程，2013（6）：88-91．

[7]沈偉，龐全，范影樂，等．基于機器視覺的全自動汽車零件篩選系統(tǒng)[J]．儀表技術與傳感器，2009（9）：97-100．

[8]STEGER C,ULRICH M,WIEDEMANN C．機器視覺算法與應用[M]．楊少榮，吳迪靖，段德山，譯．北京：清華大學出版社，2008．

[9]Rafael C.Gonzalez,Richard E.Wood.數(shù)字圖像處理[M].阮秋琦，阮宇智，譯.3版 北京：電子工業(yè)出版社，2011.

[10]張艷玲，劉桂雄 ，曹東，等．數(shù)學形態(tài)學的基本算法及在圖像預處理中應用[J]．科學技術與工程，2007，7（3）：356-359．

[11]白雪冰，王克奇，王輝．基于灰度共生矩陣的木材紋理分類方法的研究[J]．工業(yè)大學學報，2005，37（12）：1667-1670.

[12]David M Hobson，Robert M Carter，Yong Yanl，et al.Differentiation between coal and stone through image analysis of texture features [C]//IEEE International Workshop on Imaging Systems and Techniques，2007:1-4.

[13]何敏，王培培，蔣慧慧．基于SVM和紋理的煤和煤矸石自動識別 [J]．計算機工程與設計，2012，33（3）：1117-1121.

[14]Monica Marcuzzo，Pedro Quelhas，Ana Campilho.Automated arabidopsis plant root cell segmentation based on SVM classification and region merging[J].Computers In Biology and Medicine，2009，39（9）：785-793.

[15]蔣媛．基于Contourlet變換和SVM的SAR圖像目標識別[J].信息技術，2010，34（11）：105-110.

Research on automatic coal recognition and sorting system based on machine vision

HUANG Hong-tao，GUAN Jian-jun
（Henan Energy&Chemical Jiao Zuo Coal Company，Jiaozuo 454150，China）

In order to solve the problems of labor-intensive，low efficiency and accuracy in recognition and sorting of coal，designed an automatic coal recognition and sorting system based on machine vision which consisted of hardware and software.In order to achieve the automatic identification of coal and gangue，a new method based on gray-level co-occurrence and texture analysis was proposed，realized the automatic recognition through training and classifying the images of coal and gangue with SVM，programmed the image processing software and system interface software.The test results show that the system hardware selection is rational，and the system software is highly stable and efficient which improved the efficiency and accuracy in recognition and sorting of coal with practical significance and high economic value.Meanwhile，the system can also be extended to sorting of other materials.

machine vision； coal； gray-level co-occurrence matrix； grain； SVM

TN99

：A

：1674－6236（2017）14-0162-05

2016-06-28稿件編號：201606220

黃洪濤（1978—），男，河南焦作人，工程師。研究方向：采礦工程與生產(chǎn)設計。