不同混合度下液體介入難辨別煤矸紅外圖像識別準確率

張錦旺，何 庚，王家臣

(1.中國礦業大學 (北京)能源與礦業學院，北京 100083；2.放頂煤開采煤炭行業工程研究中心，北京 100083)

高準確率的煤矸自動識別對綜放開采智能放煤至關重要。綜放開采的放煤過程可分為純煤放出、煤矸混合放出、純矸放出3個階段。現場實際放煤中可通過放出部分矸石來換取更高的頂煤回收率，因此綜放開采煤矸識別主要在煤矸混合放出階段進行。該階段矸石的放出量會逐步增加，故綜放開采放煤過程中煤矸識別的對象是動態變化的，大大增加了識別的復雜性和難度，也是其與綜采工作面煤巖界面識別的最大區別。因此需要深入研究煤矸混合度變化對識別準確率的影響，探索適用于綜采放頂煤場景的高準確率煤矸識別技術。

國內外學者針對綜放開采中煤矸混合度識別進行了一系列的研究。王增才等提出了利用煤與矸石中的自然γ射線差異來檢測放頂煤過程中煤、矸混合度的方法，并推導了煤矸混合體中的矸石含量與檢測儀器自然γ射線計數率的數學關系。張寧波等提出了采用雙能γ射線技術對煤矸混合體中的矸石含量進行測定的方法，并建立了煤矸混合體灰分與含矸量間的量化關系。王家臣等研究了不同照度下煤矸圖像灰度及紋理特征，采用面積模型計算獲得了混矸率，并分析了照度因素對煤矸識別正確率的影響。張錦旺等提出了液體介入提升煤矸識別效率的思路，并通過實驗研究了不同液體種類、液體溫度、紅外儀發射率等因素對識別效果的影響。以上研究大都基于固定的混煤矸混合度，但實際放煤過程中變化的煤矸混合度會對識別準確率產生重要影響。

紅外探測技術在穿過煤塵和水霧時衰減較小，能很好適應粉塵大、能見度低的煤礦井下環境。筆者基于“液體介入+紅外檢測”的煤矸識別新思路，針對難辨別煤矸種類進行了不同混合度條件下液體介入煤矸混合試樣后不同時刻的紅外圖像采集，借助ImageJ圖像處理軟件定量計算了煤矸圖像的混合度，深入分析了煤矸混合度、介入時間、圖像處理方法對識別準確率的影響，并從紅外溫變速率場的角度探討了提高液體介入煤矸識別準確率的技術路徑，研究結果對提高液體介入難辨別煤矸紅外圖像識別準確率、完善“液體介入+紅外檢測”煤矸識別方法具有重要意義。

1 “液體介入+紅外檢測”識別思路

圖像識別是目前智能放煤領域廣泛應用的一種技術手段，其主要是基于灰度原理，圖1(a)為韓城礦區煤矸(瘦煤和頁巖)的灰度均值，圖1(b)為焦作礦區煤矸(無煙煤和砂質泥巖)的灰度均值。

由圖1可以看出不同區域的煤矸巖性差異會引起煤矸石灰度差異的變化。對于大部分煤層條件，其煤、矸石的灰度差異較大，采用可見光圖像進行煤矸識別效果很好；但對于少部分灰度差異較小的難辨別煤矸種類，可采用“液體介入+紅外檢測”的方法以提高煤矸識別準確率，如圖2所示。

圖1 不同礦區煤矸灰度均值分布曲線Fig.1 Distribution curves of coal/gangue average gray value

圖2 “液體介入+紅外檢測”煤矸識別及混合度計算示意Fig.2 Schematic diagram of “liquid intervention + infrared detection” coal/gangue recognition and mixture calculation

采用液體介入方法進行煤矸識別的核心思想是難辨別煤矸雖然表面顏色相近，但其微觀結構和化學成分并不相同，通過在煤矸混合體表面噴灑特定液體，使其與煤、矸石發生不同程度的反應，主動增大煤、矸間的溫度差，從而顯著提高紅外圖像煤矸識別準確率。以清水為例，液體介入后煤和矸石的溫度，及煤與矸石間的溫差數據變化如圖3所示，圖3中溫變是指液體介入后某一時刻煤/矸試樣的溫度與介入前溫度的差值，溫變為負意味著出現了溫降現象；溫差是指某一時刻矸石溫度與煤溫度的差值，溫差為正意味著矸石溫度高于煤的溫度。

由圖3可知，液體介入后煤和矸石均會出現明顯的溫降現象。筆者前期研究表明溫降現象主要是由液體揮發作用引起的；而由于煤相較矸石具有更好的疏水性，液體介入后，煤樣表面會存在水滴的匯聚現象，水珠的滯留導致揮發帶走的熱量更多，因此煤樣表面溫度低于矸石，最終出現液體介入后煤、矸間溫差增大的現象。

圖3 液體介入后煤/矸溫變及煤-矸溫差隨時間變化曲線[13]Fig.3 Temperature vibration of coal/gangue and temperature difference between coal and gangue after liquid intervention [13]

2 不同混合度液體介入煤矸識別試驗

2.1 試驗系統

為了獲取不同混合度、不同介入時間煤矸混合體在液體介入下條件下的紅外圖像，搭建了“不同混合度液體介入煤矸識別試驗系統”，如圖4所示。

圖4 液體介入下不同混合度的煤矸識別試驗系統Fig.4 Coal/gangue recognition test system with different mixing degree under liquid intervention

試驗系統中紅外熱像儀型號為UTi260B，該紅外儀具有紅外光和可見光2種鏡頭，可實現物體表面溫度測量和實時熱圖像相結合監測，其紅外光譜帶寬8～14 μm，測溫范圍為-15～550 ℃，熱靈敏度0.05 K，視場角56.0°×42.2°。實驗過程中在PC終端通過UTi-Live Screen軟件對紅外圖像變化進行實時采集。此外，所有試驗組均在密閉且較恒溫環境下進行，可減少周圍空氣流動對試驗過程的影響。

2.2 試驗材料

2.2.1 煤矸試樣材料

試驗所采用的煤矸試樣為焦作礦區的煤(無煙煤)與直接頂矸石(砂質泥巖)，如圖5所示。

圖5 試驗所用煤矸材料Fig.5 Coal and gangue samples used in the test

由圖5可知，由于煤與矸石樣品的顏色較為接近，其可見光圖像差別不大，很難通過肉眼將2者進行有效區分，屬于典型的難辨別煤矸。

2.2.2 介入液體選取

根據前期的研究結果，發現在酸液、堿液、清水3種代表性液體中，清水介入后的煤矸識別的效果最為顯著，同時考慮酸、堿等液體在現場應用的環境影響及安全性，選取清水作為介入液體來開展相關的研究，故下文中液體均指清水。液體介入前后煤矸紅外圖像如圖6所示。可以看出無液體介入時，從煤矸混合體的紅外圖像中無法區分出煤、矸樣品，如圖6(a)所示；液體介入后煤、矸石所在區域在紅外圖像上能形成顯著差異，如圖6(b)所示，這種差異為基于紅外圖像的煤矸混合度定量計算奠定了基礎。

圖6 液體介入前后煤矸混合體紅外圖像差異Fig.6 Comparison of infrared images of coal gangue mixture before and after liquid intervention

2.3 試驗方案設計

由于綜放開采中矸石的混入是逐步增加的，為了研究不同的混合度對液體介入煤矸識別準確率的影響，本次試驗進行了9組不同煤矸混合度條件下的煤矸識別試驗，不同方案的試樣布置方式，如圖7所示。

圖7 不同混合度的煤矸試樣布置 (藍色代表煤樣，紅色代表矸石樣)Fig.7 Layout of coal and gangue samples with different mixing degrees (blue ones are coal and red ones are gangue)

圖7中各方案煤、矸試樣面積數據值以及對應的煤矸混合度見表1。由于每組試驗所選用煤矸試樣塊度大小不一，故表1中方案1～9的煤矸總面積并不完全相同，但矸石占比是逐漸增加的。煤矸混合物中的煤矸比例即為煤矸混合度，為了便于計算，采用混矸率(Gangue Mixed Ratio，)來定量表征煤矸混合度，其具體含義為

(1)

式中，為煤矸混合圖像中的混矸率(為實測結果，為識別結果)，%；為圖像范圍內的矸石面積，cm；為煤樣面積，cm。

表1 不同煤矸混合度試驗方案

2.4 液體介入方式

考慮到放煤時的噴霧降塵是必需的工序，“液體介入+紅外檢測”技術可采用放頂煤工作面已有的降塵噴霧系統來實現液體介入。因此為了模擬降塵噴霧的介入效果，試驗時9組方案采用量筒量取相同體積的液體、通過噴瓶將其以噴霧形式噴灑在煤矸表面的方式來進行液體介入，介入液體的溫度為25.9 ℃。在介入前后的不同時刻均采用紅外熱像儀來采集煤矸試樣的紅外圖像變化。

3 試驗結果與分析

3.1 不同混合度煤矸紅外圖像特征

試驗結束后，分別對9組試驗進行液體介入前和液體介入后不同時刻的紅外圖像進行提取(提取時間段為0<<20 s，間隔1 s)，以方案1，3，6，9為例，其紅外圖像隨時間變化如圖8所示。由圖8可知：

(1)不同的煤矸混合度，液體介入后紅外圖像中矸石樣品所在區域與周圍環境色彩接近，無法有效區分；而煤樣所在區域則發生了明顯的溫降現象，其紅外色彩與矸石及周邊環境產生了明顯且穩定的差異，因此可以將煤矸紅外圖像中的煤樣作為識別對象，通過圖像處理軟件對其面積進行分割和計算，從而作為煤矸自動識別與混合度計算的基礎。

圖8 不同混合度條件下液體介入煤矸紅外圖像Fig.8 Variation of thermal image of different coal/gangue mixing degrees after liquid intervention

(2)當混矸率較低時，煤樣溫度在煤矸混合體的紅外圖像變化中起控制作用，液體介入后煤矸混合體整體溫降明顯，如圖8(a)，(b)所示；隨著放煤的繼續進行，混矸率會逐步增大，紅外圖像中直接識別對象(煤樣)的面積占比逐漸減少，因此識別的準確率可能會有一定程度的降低。

(3)液體介入后，隨著時間的推移，紅外圖像中煤樣與環境間的差異有一定程度減弱，意味著液體介入引起的煤、矸間溫差逐漸減小，特別是在混矸率比較高的情況下，這種減弱特征尤為顯著，如圖8(c)，(d)所示。

3.2 不同混合度煤矸自動識別

3.2.1 基于ImageJ的煤矸混合度自動識別

ImageJ軟件是醫學中常用的圖像處理軟件，是一種基于Java語言開發并能夠運行于多平臺的開放數據源軟件。該軟件具有強大的智能計算功能，可提取指定區域的面積(規則及不規則面積)、標準偏差、灰度值、質心、直徑、峰度、中值、偏斜等。該軟件占用空間小，但圖像處理快捷簡便，處理方法多元，如銳化濾波、邊緣探測、二值化、明場圖像分割以及快速傅里葉變換等，且支持多種格式圖像。目前該軟件在醫學、材料科學、農業科學等領域的圖像處理與分析方面有廣泛的應用，但在綜放煤矸圖像識別領域的應用較少，因此，將ImageJ軟件引入采礦領域進行煤矸圖像的處理及煤矸混合度定量計算，是一種有意義的嘗試。

對試驗中采集到的煤矸混合體紅外圖像，在ImageJ圖像處理軟件中選擇灰度圖像轉換、邊緣探測、二值化、去除背景、形態學運算等不同功能，以獲取紅外圖像中的煤樣面積，從而實現對煤矸混合度的自動計算，具體計算流程如圖9所示。

圖9 基于ImageJ的煤矸混合度自動識別流程示意Fig.9 Automatic recognition process of coal/gangue mixing degrees based on ImageJ software

采用ImageJ軟件進行煤、矸石識別的過程中，在對紅外圖像進行灰度轉換之后，可以直接進行二值化處理，也可以通過增加邊緣探測、去除背景等處理步驟，來增強處理效果。以二值化處理法為例，通過3個步驟可以獲得紅外圖像中所有煤樣顆粒的面積：① 灰度圖像轉換。通過軟件命令：Image→Type→8 bit，將圖像轉變為灰度圖；② 二值化處理。打開Process→Binary→Make Binary，將灰度圖像二值化；③ 形態學運算給出煤樣面積結果。打開Analyze→Analyze Particles(Show:Outline)，點擊OK得到形態學運算結果，獲得的圖像及數據結果如圖10及表2所示。圖中3種方法的原始紅外圖像相同。

由圖10可知，不同路徑的最終分割結果差異較大，對紅外像進行灰度處理后，直接二值化及形態學運算，雖然對圖像邊界處煤、矸的分割出現一定的黏連，如圖10(a)所示，但識別出的煤顆粒數量較少，有利于識別效率的提高，見表2；在二值化之前通過

圖10 3種不同方法的處理流程Fig.10 Process flow of three different methods

表2 不同方法處理煤顆粒面積識別結果

增加去除背景處理，有利于削弱背景環境及矸石區域的影響，但也減弱煤中部分對比度較弱的區域，導致在后期形態學運算時會導致煤樣區域的面積出現一定的空洞和缺失現象，如圖10(b)所示；在二值化之前增加邊緣探測處理步驟，可增加對試樣邊緣的識別與提取，但可能會導致有相當部分矸石區域在形態學運算時被誤判為煤，如圖10(c)所示，還會增加計算時間、降低識別效率；因此3種處理方法各有利弊，接下來將從煤矸混合度識別結果及準確率的角度，對不同方法進行定量比較和深入分析。

3.2.2 混矸率識別結果

為了定量分析不同處理路徑對煤矸混合度識別結果的差異，采用以上3種方法對9個方案的紅外圖像進行處理，計算得到不同時刻(0<<20 s)混矸率值，如圖11所示。混矸率采用式(1)計算方法。由圖11可以看出：

(1)隨著矸石混入量的增大，當煤矸混合度小于50%時，3種方法的逐漸向實測值靠近，如圖11(a)～(f)所示；但當混矸率為大于50%時，3種方法值波動較大，尤其是邊緣探測+二值化法，如圖11(g)～ (i)所示。

(2)在放煤初始混矸階段(方案1～3)，二值化法的自動識別結果在不同時刻均比邊緣探測及去除背景更接近實測結果；隨著混矸率繼續增大，邊緣探測及去除背景的自動識別值會接近混矸率實測值，但相比之下，采用二值化法獲得的混矸率自動識別結果隨著介入時間的增加更為穩定。

(3)在煤矸混合放出階段的后期(方案7～9)，矸石大量混入，煤矸混合體中煤占比減小，導致與差異較大，這是由于煤矸紅外圖像識別主要利用液體介入后引起煤的快速溫降來提取紅外圖像中的煤體面積，因此煤樣減小意味著可檢測對象減少，從而導致自動識別出的誤差相對較大。

為了更系統地表達3種方法與的差異，分別繪制了不同煤矸混合度下的波動范圍圖，并與進行對比，如圖12所示。

由圖12(a)可知，采用單純二值化法時，隨著混矸率的增大，其各個階段與的趨勢大致相似，特別當20.27%<<65.41%時與基本重合且波動范圍較小，尤其當混矸率為54.81%時，在監測階段任一時刻的與幾乎完全重合。而在混矸初期、煤矸混合階段后期，與會產生一定差異；而當采用去除背景+二值化法時，在煤矸混合初期及中期，其識別結果與實測結果差異較大，僅在煤矸混合放出階段的后期(54.81%<<73.47%)時，與兩者出現局部重合，如圖12(b)所示；采用邊緣探測+二值化法時，隨著混矸率的增大，與呈負相關，如圖12(c)所示，且相較單純二值化法和去除背景+二值化法，其自動識別的混矸率數值的波動范圍較大。

3.2.3 識別準確率

將混合度識別結果與實測結果進行比較分析，計算不同煤矸混合度條件下3種處理方法的識別準確率。準確率的算法有很多，不同算法代表的含義不同。本研究中采用分類準確率算法，該算法將實例分成正類(Positive)或負類(Negative)。對一個二分問題來說，會出現4種情況：如果一個實例是正類并且也被預測成正類，即為真正類(True Positive,)，如果實例是負類被預測成正類，稱之為假正類(False Positive,)。類似地，如果實例是負類被預測成負類，稱之為真負類(True Negative,)，正類被預測成負類則為假負類(False Negative,)，見表3，其中1代表正類(本研究中為煤)，0代表負類(本研究中為矸石)。

圖11 不同煤矸混合度條件下混矸率的識別結果Fig.11 GMR_R values under different coal/gangue mixing degree conditions

圖12 不同方法混矸率的識別結果與實測結果比較Fig.12 Comparison of GMR_R and GMR_M values with different methods

表3 識別結果與實測結果關系

分類準確率算法中，準確率(Accuracy，)定義為正確分類的樣本數與總樣本數之比，其計算公式為

(2)

由式(2)可以看出，分類準確率算法與常規準確率算法的區在于，不管屬于哪個類別，只要識別正確，其樣本數都計入正確分類的樣本數。根據式(2)計算3種方法煤矸識別準確率(Recognition Accuracy，)，并繪制準確率隨煤矸混合度及介入時間的關系云圖，如圖13所示。

圖13 煤矸混合度與介入時間對識別準確率的影響Fig.13 Influence of coal gangue mixing degree and intervention time on AR

由圖13可知，不同的圖像處理方法會顯著影響煤矸識別準確率的高低，采用單純二值化法時，識別準確率隨混矸率的增大呈現先增大后減小的規律，如圖13(a)所示，且高準確率區間的位置存在一定的介入時間效應：當混矸率小于20%，煤矸識別準確率隨著混矸率增大而增大，液體介入后10 s內的平均準確率約85.78%；當混矸率在20%～60%時，識別準確率較高且較為穩定，平均準確率約94.38%，且液體介入時間長短對其影響很小；而當混矸率大于60%時，液體介入后需要較長的時間才能達到較高的識別準確率，因此圖13(a)中高準確率區域呈現“傾斜條帶狀”分布特征，傾角約為78°。

采用去除背景+二值化法，混矸率較低時(0%～20%)識別準確率整體偏低，如圖13(b)所示，高準確率區域出現在混矸率50%～70%內，其平均識別準確率為90.53%，且高準確率區域的分布仍呈現“傾斜條帶狀”特征，傾角約為85°，說明該方法較單純二值化法受介入時間效應有所減弱。故采用該方法時，高準確率區域主要集中在煤矸混合階段的后期且較為穩定。

與單純二值化法及去除背景+二值化法相比，邊緣探測+二值化法識別準確率整體較低，整個實驗過程中識別準確率在19.48%～99.64%內波動，低準確率區域主要出現在混矸率大于75%的階段；而高準確率區域出現在混矸率30%～55%內，如圖13(c)所示，其平均準確率為90.84%。該種方法的高準確率區域呈現“近直立條帶狀”分布特征，雖然整個區域寬度收窄趨勢，但其近直立的特征有利于高準確率在不同介入時間下的穩定性。

綜上，3種不同的圖像處理方法獲得的高準確率識別區域特征不同，考慮到現場放煤過程中煤矸識別的時效性，計算液體介入后10 s內識別準確率數據的均值及標準差，定量分析3種處理方法下混合度對識別準確率的影響，如圖14所示。

由圖14可以看出，在煤矸混合放出階段的初期及中期(<60%)，不同處理方法在液體介入前10 s內的平均識別準確率均隨混矸率的增大先增大后穩定，其中單純二值化法在不同混矸率條件下的準確率均值均相對較高，而離散性相對較低；當混矸率大于60%后，識別準確率均值呈下降趨勢，同時離散性急劇增加，但考慮到現場綜放煤矸識別往往是在煤矸混合放出階段的初期及中期，因此識別準確率在后期的降低對實際應用的影響不大。

3.3 煤矸混合體紅外溫變場

通過液體介入方法實現煤矸紅外圖像識別的主要原理，是液體介入后煤、矸間溫差增大，導致煤矸混合體的紅外溫度場發生顯著變化。紅外溫度場(Infrared Temperature Field,)是指某一時刻紅外溫度(Infrared Temperature,)的空間分布，理論上，為紅外溫度()關于時間和空間的連續函數。

圖14 識別準確率均值及標準差σ(0

文獻[21]將某時刻紅外溫度變化速率的空間分布定義為紅外溫變場(Infrared Temperature Variation Field,)，紅外溫度變化速率是紅外溫度對時間求導的結果，即：

(3)

式中，為紅外溫度的變化速率；(，，，)為空間某一點某一時刻的紅外溫度；為時間。

由于紅外溫變場的解析式難以從理論上推導出，而是通過提取被測物體表面若干采樣點的某些時刻的紅外溫度，構成離散的紅外溫度矩陣；再由紅外溫度矩陣的時間序列求差分得到紅外溫度差分矩陣序列，來近似地定量描述這些時刻的紅外溫變場。紅外溫差矩陣中的各元素分別代表對應采樣點的紅外溫變速率，計算公式為

(4)

式中，TVR_為時刻采樣點(，)的紅外溫變速率；(，，+Δ)，(，，)分別為+Δ，(0<Δ≤1 s)時刻采樣點(，)的紅外溫度。

根據紅外溫變速率的概念，可以將紅外溫變劃分為溫升、溫降兩類。由于煤、矸親疏水性的差異，液體介入后煤樣會出現快速的溫降現象，而矸石試樣溫降速率相對較慢，因此紅外圖像中低溫區域一般為煤樣所在區域，而圖像中的相對高溫區域一般為矸石及周圍環境，故煤矸識別準確率與液體介入后煤矸表面紅外溫度場變化幅度密切相關。為了定量分析煤矸混合體表面紅外溫度場的變化，對液體介入后紅外溫度、溫差Δ的變化范圍進行統計。紅外溫差Δ定義為某一時刻紅外圖像范圍內最高溫與最低溫間的差值，可由下式求出：

Δ=-

(5)

式中，Δ為某一時刻紅外溫度場中的最大溫差，℃；為該時刻紅外溫度場中的最高溫，℃；為該時刻紅外溫度場中的最低溫，℃。

根據上式，繪制紅外溫度、溫差Δ與煤矸混合度之間關系，如圖15所示。

圖15 紅外溫度場變化與煤矸混合度的關系Fig.15 Relation between ITVF and GMR

由圖15可知，隨著混矸率的增大，紅外圖像中溫度變化范圍逐漸收窄(圖15(a))，溫差變化呈現較為平緩的下降趨勢(圖15(b))，故液體介入引起的溫度場變化在混矸率較低時較為明顯，這有利于在煤矸混合放出階段的初期達到較高的識別準確率。

液體介入煤矸識別準確率一方面與不同的圖像處理方法有關，另一方面也與液體介入后煤矸間溫差大小及煤矸混合體溫度場的變化程度密切相關。圖16為平均識別準確率、煤矸圖像平均紅外溫差與混矸率之間的關系。

圖16 平均溫差和平均準確率與混矸率之間的關系Fig.16 Relation between average temperature difference,average accuracy and GMR

4 結 論

(1)對于灰度差異較小的難辨別煤矸種類，可采用“液體介入+紅外檢測”的方法提高煤矸識別準確率。不同的煤矸混合度下，液體介入后紅外圖像中煤樣所在區域均出現顯著溫降現象，可作為煤矸混合度自動識別的基礎。

(2)混矸率較低時，煤樣溫度在煤矸混合體的紅外圖像特征變化中起控制作用；當混矸率小于20%時，煤矸識別準確率隨混矸率增大而增大，液體介入后10 s內平均識別準確率約85.78%；當混矸率在20%～60%時，識別準確率較高且較為穩定，平均準確率約為94.38%，且液體介入時間長短對其影響很小。

(3)混矸率大于60%后，不同處理方法的識別準確率均值隨混矸率增大呈下降趨勢，同時離散性急劇增加；煤矸圖像平均紅外溫差的減小是煤矸混合放出后期識別準確率降低的根本原因，可通過選取合理的液體介入參數以增大紅外溫度場的變化程度，從而提高識別準確率。