一种移动煤岩实时分拣方法和装置

1.本发明涉及煤岩分拣技术领域，特别是涉及一种移动煤岩实时分拣方法和装置。


背景技术：

2.在综合开采领域，煤岩识别技术是提高安全性和资源开采效率的关键技术。现有煤岩识别方法主要包括人工伽马射线识别方法、雷达探测识别方法和煤岩冲击振动测量方法。其中人工伽马射线识别方法由于其具有放射性，无法保障技术人员的人身安全；雷达探测识别方法以电磁波传播为基础，测量范围和精度不可兼得的矛盾难以彻底解决；而煤岩冲击振动的测量方法易于实现，但精度不高。


技术实现要素：

3.本发明的目的是提供一种移动煤岩实时分拣方法和装置，结合了高光谱成像技术，提高了煤岩分拣的精度，实现了煤岩分拣的自动化。
4.为实现上述目的，本发明提供了如下方案：
5.一种移动煤岩实时分拣方法，包括：
6.获取待识别高光谱图像；所述待识别高光谱图像中包括传送带上实时输送的待分拣的煤块-岩块混合流；
7.利用训练好的煤-岩分类模型对所述待识别高光谱图像中的每个像素进行种类识别，得到煤岩分类结果；所述煤岩分类结果包括对所述待识别高光谱图像中每个像素的种类识别结果，所述种类识别结果包括煤类、岩类和无法识别的种类；
8.根据所述煤岩分类结果对所述待识别高光谱图像中的煤块和岩块进行识别，得到煤块-岩块识别结果；所述煤块-岩块识别结果包括各煤块和各岩块在所述待识别高光谱图像中的位置信息；
9.根据所述煤块-岩块识别结果，控制分拣执行单元对传送带上的煤块和岩块进行分拣。
10.可选地，所述方法还包括：
11.构建训练数据集；所述训练数据集中包括训练高光谱图像，所述训练高光谱图像中的煤块和岩块标记有对应的煤类标签和岩类标签；
12.采用支持向量机算法构建所述煤-岩分类模型；
13.利用所述训练数据集对所述煤-岩分类模型进行训练，得到训练好的煤-岩分类模型。
14.可选地，所述根据所述煤岩分类结果对所述待识别高光谱图像中的煤块和岩块进行识别，得到煤块-岩块识别结果，具体包括：
15.利用边缘检测算法检测所述待识别高光谱图像中的物体轮廓；
16.根据所述煤岩分类结果，确定所述物体轮廓中所有像素的类别；
17.根据所述物体轮廓中所有像素的类别，确定所述物体轮廓的种类；
18.确定所述物体轮廓的质心，将其质心坐标确定为所述物体轮廓的位置信息。
19.可选地，利用robert边缘检测算法检测所述待识别高光谱图像中的物体轮廓。
20.可选地，所述根据所述煤块-岩块识别结果，控制分拣执行单元对传送带上的煤块和岩块进行分拣，具体包括：
21.根据所述煤块-岩块识别结果以及所述传送带的运行速度，确定煤块或岩块到达拾取点的时间；
22.根据所述分拣执行单元到达拾取点所需的时间以及所述煤块或岩块到达拾取点的时间，控制所述分拣执行单元对煤块和岩块进行分拣。
23.可选地，所述方法还包括：对所述待识别高光谱图像进行平滑处理和归一化变换处理。
24.另一方面，本发明还提供了一种移动煤岩实时分拣装置，包括：
25.传送带，用于输送待分拣的煤块-岩块混合流；
26.高光谱成像模块，固定设置在所述传送带上方，用于获取待识别高光谱图像；所述待识别高光谱图像中包括所述传送带上实时输送的待分拣的煤块-岩块混合流；
27.计算机，与所述高光谱成像模块信号连接，用于接收所述待识别高光谱图像，并利用训练好的煤-岩分类模型对所述待识别高光谱图像中的每个像素进行种类识别，得到煤岩分类结果；所述煤岩分类结果包括待识别高光谱图像中每个像素的种类识别结果，所述种类识别结果包括煤类、岩类和无法识别的种类；还用于根据所述煤岩分类结果对所述待识别高光谱图像中的煤块和岩块进行识别，得到煤块-岩块识别结果；所述煤块-岩块识别结果包括各煤块和各岩块在所述待识别高光谱图像中的位置信息；
28.煤岩分拣模块，与所述计算机信号连接，用于获取所述煤块-岩块识别结果，并根据所述煤块-岩块识别结果对传送带上的煤块和岩块进行分拣。
29.可选地，所述高光谱成像模块包括：
30.卤素灯，用于产生光源；
31.高光谱相机，用于采集待识别高光谱图像。
32.可选地，所述装置还包括：降尘花洒，设置在所述传送带上方，与计算机电连接，用于对所述传送带上的灰尘进行压制。
33.可选地，所述煤岩分拣模块包括：
34.分拣控制单元，用于根据所述煤块-岩块识别结果以及所述传送带的运行速度，确定煤块或岩块到达拾取点的时间；还用于根据所述分拣执行单元到达拾取点所需的时间以及所述煤块或岩块到达拾取点的时间，产生分拣控制指令；
35.分拣执行单元，与所述分拣控制单元控制连接，用于根据所述分拣控制指令对所述传送带上的煤块和岩块进行分拣。
36.根据本发明提供的具体实施例，本发明公开了以下技术效果：
37.本发明提供的一种移动煤岩实时分拣方法和装置，包括以下步骤：获取待识别高光谱图像；利用训练好的煤-岩分类模型对所述待识别高光谱图像中的每个像素进行种类识别，得到煤岩分类结果；根据所述煤岩分类结果对所述待识别高光谱图像中的煤块和岩块进行识别，得到煤块-岩块识别结果；所述煤块-岩块识别结果包括各煤块和各岩块在图像中的位置信息；根据所述煤块-岩块识别结果控制分拣执行单元对传送带上的煤块和岩
块进行分拣。本发明充分考虑了煤岩成分不同对光谱吸收也不同的原理，结合了高光谱成像技术，相较于雷达探测识别方法和煤岩冲击振动测量方法，高光谱成像技术能够充分反映煤岩物理结构及化学成分的差异，提高了对煤岩分类识别的准确性；而且煤岩实时分拣的过程完全由计算机处理，不需要人为进行干预，相比较现有技术中通过人工伽马射线进行煤岩识别的方法，节省了人力成本并且保障了人身安全。
附图说明
38.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
39.图1为本发明实施例1提供的一种移动煤岩实时分拣方法的流程图；
40.图2为本发明实施例1提供的方法中步骤b1-b3的流程图；
41.图3为本发明实施例1提供的方法中步骤a3的流程图；
42.图4为本发明实施例2提供的一种移动煤岩实时分拣装置的结构示意图。
43.符号解释：
44.1：传送带；2：高光谱成像模块；3：计算机；4：煤岩分拣模块；5：降尘花洒；21：卤素灯；22：高光谱相机；41：分拣控制单元；42：分拣执行单元。
具体实施方式
45.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
46.本发明的目的是提供一种移动煤岩实时分拣方法和装置，结合了高光谱成像技术，提高了煤岩分拣的精度，实现了煤岩分拣的自动化。
47.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
48.实施例1：
49.如图1所示，本发明提供了一种移动煤岩实时分拣方法，该方法包括以下步骤：
50.a1、获取待识别高光谱图像；所述待识别高光谱图像中包括传送带上实时输送的待分拣的煤块-岩块混合流；
51.a2、利用训练好的煤-岩分类模型对所述待识别高光谱图像中的每个像素进行种类识别，得到煤岩分类结果；所述煤岩分类结果包括对所述待识别高光谱图像中每个像素的种类识别结果，所述种类识别结果包括煤类、岩类和无法识别的种类；
52.a3、根据所述煤岩分类结果对所述待识别高光谱图像中的煤块和岩块进行识别，得到煤块-岩块识别结果；所述煤块-岩块识别结果包括各煤块和各岩块在所述待识别高光谱图像中的位置信息；
53.a4、根据所述煤块-岩块识别结果，控制分拣执行单元对传送带上的煤块和岩块进
行分拣。
54.如图2所示，所述方法还可以包括：
55.b1、构建训练数据集；所述训练数据集中包括训练高光谱图像，所述训练高光谱图像中的煤块和岩块标记有对应的煤类标签和岩类标签；
56.b2、采用支持向量机算法构建所述煤-岩分类模型；
57.b3、利用所述训练数据集对所述煤-岩分类模型进行训练，得到训练好的煤-岩分类模型。
58.如图3所示，在本实施例中，步骤a3具体包括：
59.a31、利用边缘检测算法检测所述待识别高光谱图像中的物体轮廓；
60.a32、根据所述煤岩分类结果，确定所述物体轮廓中所有像素的类别；
61.a33、根据所述物体轮廓中所有像素的类别，确定所述物体轮廓的种类；
62.a34、确定所述物体轮廓的质心，将其质心坐标确定为所述物体轮廓的位置信息。
63.在具体的实施方式中，可以利用robert边缘检测算法检测所述待识别高光谱图像中的物体轮廓。
64.在本实施例中，步骤a4具体包括：
65.a41、根据所述煤块-岩块识别结果以及所述传送带的运行速度，确定煤块或岩块到达拾取点的时间；
66.a42、根据所述分拣执行单元到达拾取点所需的时间以及所述煤块或岩块到达拾取点的时间，控制所述分拣执行单元对煤块和岩块进行分拣。
67.为了使得高光谱图像获得更好的显示效果，还可以对所述待识别高光谱图像进行平滑处理和归一化变换处理。
68.下面结合一个例子来对本发明提出的方法进行说明：
69.101、对煤块和岩石进行成像后得到的高光谱图像。
70.本实例中，高光谱图像是利用高光谱相机对煤岩流进行成像得到。高光谱相机可以是：近红外和短波红外相机。煤岩流可以是传送带上传输的煤块、岩块或煤块-岩块混合流。
71.在本发明的一些实施方式中，在利用高光谱相机对煤块和岩块进行成像得到高光谱图像之后，可以使用viewspec软件和matlab软件对该高光谱图像进行处理，具体处理可以是对图像的每个像素点的高光谱数据进行预处理，比如对高光谱数据进行平滑处理和归一化变换处理。具体的步骤可以是：用viewspec软件打开高光谱图像对应的图像文件，转化为ascii码形式，导入到excel表格中，使用matlab对excel表格数据进行处理，得到处理好的高光谱图像。
72.其中，matlab是美国mathworks公司出品的商业数学软件，matlab是matrix&laboratory两个词的组合，意为矩阵工厂(矩阵实验室)，软件主要面对科学计算、可视化以及交互式程序设计的高科技计算环境。
73.在本发明的一些实施方式中，该方案还包括：在matlab软件中使用预先设定好的预处理方法对高光谱数据进行预处理，可以包括平滑处理和归一化变换处理。应理解的是，对高光谱图像进行平滑处理和归一化变换处理，可以使得高光谱图像获得更好的显示效果。
74.高光谱相机是通过高光谱技术，可在多达几百个成像通道上对目标进行成像的设备，一个成像通道对应一个波段；高光谱相机具有受物体表面水分影响小、并且体积小，便于安装调试，因此高光谱相机可以方便地运行于煤矿井之下或煤矿井之上。
75.由于高光谱相机中具有几百个成像通道，一个成像通道对应一个波段，在对煤块和岩石成像时并不会使用到所有的通道，可以选择其中的部分通道进行成像。在本技术的一些实施方式中，上述高光谱图像中部分成像通道包括：可以区分煤和岩石的多个波段对应的成像通道，波段与成像通道一一对应。在该种实施方式中，成像通道为可以区分煤和岩石的多个波段对应的成像通道，说明成像通道具有识别煤和岩石的效果，基于该类成像通道得到的高光谱图像再使用目标分类器对煤和岩石进行分类，可以进一步提高识别准确性，提升煤岩分选效率。
76.具体的，确定成像通道的一种方式可以包括以下操作：步骤1，利用高光谱相机中全部的成像通道对煤块进行成像，得到煤块的高光谱图像；步骤2，利用高光谱相机中全部的成像通道对岩石进行成像，得到岩石的高光谱图像；步骤3，将同一成像通道的煤块的高光谱图像，和岩石的高光谱图像进行比较和分类，获取分类精度表；步骤4，将上述分类精度表中，精度最高的成像通道确定为目标成像通道。
77.102、基于预先训练得到的煤-岩分类模型对高光谱图像进行煤岩分类，得到高光谱图像中各像素的种类。
78.上述煤-岩分类模型基于预先标注后的训练样本训练得到，训练样本包括矿区多张高光谱相机成像得到的煤流图像，种类包括煤块、岩石和皮带。作为目前较好的二分类模型，煤-岩分类模型采用支持向量机svm进行分类。以viewspec软件和matlab软件为例，在viewspec软件中对目标图像进行ascii码转换，利用matlab软件中对该目标图像的ascii码进行svm识别，并建立煤块、岩石和皮带三种类别，并针对划分的类别，使用svm进行识别。
79.应理解的是，利用煤-岩分类模型对高光谱图像中的每个像素点进行分类，确定每个像素点所属的种类为煤、岩石或皮带。当然，若存在像素点不是上述三类别，则该像素点会被标记为无法识别的类别。
80.另外容易理解的是，根据不同应用场景的需要，煤-岩分类模型可以只对煤块和岩块两者中其中一种的位置信息进行识别，也可以两者同时识别。例如，在选煤车间中，煤块需要在煤流传送带上继续传送至煤仓中，此时可以只识别岩块及其位置信息即可实现将岩块从煤流传送带上分拣出的目的。
81.103、基于待分选物体的物体轮廓及种类信息，获取物体轮廓的位置信息。
82.在使用煤-岩分类模型得到每个像素点的类别之后，即获知了高光谱图像中煤类这个类别的所有像素点、以及是岩类这个类别的所有像素点。因此，煤-岩分类模型便可以得到煤块和岩块在高光谱图像中的分类结果即分布。
83.采用robert边缘检测算法对高光谱图像和待识别物体的轮廓进行边缘检测，获得待识别物体的轮廓，确定煤块和岩块在高光谱图像中的位置区域。
84.使用质心法得到煤块和岩块的质心，并确定质心坐标，将质心坐标作为煤块和岩块在目标图像中的位置信息。
85.在得到煤块和/或岩块的识别结果之后，需要对煤块和/或岩块进行定位，以便于后续的分选步骤。首先，采用robert边缘检测得到煤块和岩石的轮廓，确定煤块和岩石在目
标图像中的位置区域。然后，使用质心法得到位置区域的质心，并确定质心坐标。最终，将质心坐标作为煤块和岩块在目标图像中的位置信息。这样就实现了对煤块和/或岩块在目标图像中的定位。
86.104、根据煤块和/或岩块的位置信息，控制机械手臂执行分拣操作，以分选煤块和岩块。
87.在这一步骤中，可以选择单独对煤块或者对岩块进行分选，即决定机械手臂抓取煤块还是岩块，例如，如果我们让机械手臂对岩块进行抓取，那么就需要将识别到的岩块的坐标位置发送给机械手臂，然后机械手臂接收到坐标位置之后，先将其转换为机械手臂自身的坐标系中对应的坐标位置。然后结合皮带移动的速度以及机械手臂移动到指定抓取位置需要的时间，给机械手臂一个超前的坐标偏移δx，根据坐标位置和坐标偏移δx，控制机械手臂进行抓取。例如：如果我们识别到一块岩块，岩块在高光谱图像中的像素坐标位置为(x1,y1)，然后机械手臂将该像素坐标位置转化为机械手臂自身坐标系的坐标(x1,y1)，然后综合考虑皮带的运行及手臂的移动时间，最终，机械手臂需要从初始位置移动到坐标(x1+δx,y1)处执行抓取动作，这里坐标横坐标x表示方向的是皮带的运行方向，纵坐标y代表的方向是传送带运行方向的垂直方向。机械手臂将岩块抓取到运行岩块的皮带上，煤块仍然留在煤流皮带上，这就完成了一次使用机械手臂对煤岩进行分选的任务。
88.本实施例中，综合考虑了由于煤块和岩石的成分不同，且不同成分对光谱的吸收不同，进而表现出不同的光谱特征信息，从而根据煤块和岩石的光谱图像特征信息确定的目标成像通道可以对煤块和岩石进行区分；其次，利用目标识别模型对煤流的高光谱图像进行识别，并且该目标识别模型是通过对煤块和岩石的高光谱图像进行数据训练得到的，使用大数据方式对煤块和岩石进行位置信息识别；因此，使用本技术中利用煤块和岩石两者表现出的光谱图像特征不同的特性，并以用大量数据进行训练的方式对煤块和岩石进行识别，可以有效的避免煤流环境下粉尘和水分等环境因素的影响，从而准确地对煤块和岩石进行识别，提高煤块和岩石分选的准确度，进一步提高煤块和岩石分选的效率。
89.实施例2：
90.如图4所示，本发明还提供了一种移动煤岩实时分拣装置，包括：
91.传送带1，用于输送待分拣的煤块-岩块混合流；
92.高光谱成像模块2，固定设置在所述传送带1上方，用于获取待识别高光谱图像；所述待识别高光谱图像中包括所述传送带1上实时输送的待分拣的煤块-岩块混合流；
93.计算机3，与所述高光谱成像模块2信号连接，用于接收所述待识别高光谱图像，并利用训练好的煤-岩分类模型对所述待识别高光谱图像中的每个像素进行种类识别，得到煤岩分类结果；所述煤岩分类结果包括待识别高光谱图像中每个像素的种类识别结果，所述种类识别结果包括煤类、岩类和无法识别的种类；还用于根据所述煤岩分类结果对所述待识别高光谱图像中的煤块和岩块进行识别，得到煤块-岩块识别结果；所述煤块-岩块识别结果包括各煤块和各岩块在所述待识别高光谱图像中的位置信息；
94.煤岩分拣模块4，与所述计算机3信号连接，用于获取所述煤块-岩块识别结果，并根据所述煤块-岩块识别结果对传送带1上的煤块和岩块进行分拣。
95.在本实施例中，所述高光谱成像模块2包括：
96.卤素灯21，用于产生光源；
97.高光谱相机22，用于采集待识别高光谱图像。
98.在本实施例中，所述装置还包括：降尘花洒5，设置在所述传送带1上方，与计算机3电连接，用于对所述传送带1上的灰尘进行压制。
99.在本实施例中，所述煤岩分拣模块4包括：
100.分拣控制单元41，用于根据所述煤块-岩块识别结果以及所述传送带1的运行速度，确定煤块或岩块到达拾取点的时间；还用于根据所述分拣执行单元42到达拾取点所需的时间以及所述煤块或岩块到达拾取点的时间，产生分拣控制指令；
101.分拣执行单元42，与所述分拣控制单元41控制连接，用于根据所述分拣控制指令对所述传送带1上的煤块和岩块进行分拣。
102.本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。