1 绪论
1.1 课题研究背景及意义
煤炭是古代植物由于地壳运动被掩埋地下并长期与空气隔绝，经过复杂的物理化学变化形成的一种沉积岩，主要由碳、氢、氧、氮和硫等元素构成[1-3]，其中碳的含量决定煤炭的煤化程度和煤炭的质量。煤炭是我国的主导能源，约占能源生产和消费总量的 66%、60%左右[4-5]，为国民经济注入源源不断的活力。虽然目前由于环保等原因，煤炭去产能力度逐渐加大，但是煤炭作为我国主要能源的基本国情在今后很长一段时间内不会发生重大变化。
........................
1.2 国内外研究现状
本文将从传统的煤矸石分选方法和基于机器视觉的煤矸石分选两个方面，对国内外的相关研究现状进行分析。
1.2.1 机器视觉用于煤矸石分选的研究现状
随着人工智能技术发展，计算机视觉与图像处理技术也逐渐应用到煤矸石分选环节中。由于煤和矸石反射的光线强度不同，因此生成图像上像素点值是不同的，两者之间的灰度分布也是不同的。基于此，丁泽海等、陈立等、武国平等学者将机器视觉引入煤矸石自动分选方法的研究当中。与其他方式相比，该方法没有化学试剂损耗以及成本相对较低，具有可操作性。
现阶段，基于机器视觉的煤矸石分选技术尚未成熟，研究内容主要包括图像分割、特征提取以及模型建立三个方面。在图像分割方面，图像二值化是常用的分割方法，但是存在目标当作背景过滤、附着在矸石的煤颗粒图像无法分离等缺点。针对上述问题，张世杰等[17]首先通过阈值分割的方法标记连通域，保留矸石图像，继而采用梯度下降法分割出附着在矸石的煤块，框定标记矸石位置；胡倍倍[18]引入形态学作为补充，对传统的阈值分割方法加以改进。同时还有由于 RGB空间域中颜色信息复杂，背景分割效果不佳，武国平等[19]将采集到的图像转换为HSV 系统作进一步的分析；马宪明等[20]为了更好的分割效果和消除图像中的随机噪声，基于小波变换进行边缘检测提取矸石轮廓。
在特征提取方面，由于煤与矸石的灰度直方图峰值以及分布是不尽相同，因此陈立[21]将其作为特征值用于煤与矸石的区分；纹理是一种通过像素及其周围空间邻域的灰度分布来表现的视觉特征，Hobson, DM 等[22]将其引入并以此区分煤与矸石；在 Haralick 提出的灰度共生矩阵特征值的基础上，余乐[23]通过扩阶、局部灰度的方式改进灰度共生矩阵用于纹理特征的分析。除了常用的灰度、纹理特征之外，刘凯[24]基于多重分形趋势波动分析(Multifractal detrended fluctuation analysis, 简称 MFDFA) 提取煤和矸石的几何特征，提高煤与矸石的区分率。提取的特征数据作为分类模型的输入，从而建立起用于区分煤或是矸石的分类模型。在已有的相关研究成果中，支持向量机、神经网络是目前最常见的分类模型构建方法[25-28]。Debi Prasad Tripathy 等提出了三种基于共生矩阵扩展的方法，并结合神经网络的分类模型进行煤矸石分选[29]。
...........................
...........................
2.1 图像处理
2.1.1 图像增强
图像增强是图像预处理中的关键步骤，图像增强往往包括增强图像对比度，亮度以及突出图像中特定区域[46-48]。本实验图像增强为增强煤矸石，煤与背景的对比度，对采集到的图像进行图像增强。图像增强包括有通过对灰度变换增强图像，直方图变换增强图像，以及通过滤波的方法增强图像对比度。
2.1.1 图像增强
图像增强是图像预处理中的关键步骤，图像增强往往包括增强图像对比度，亮度以及突出图像中特定区域[46-48]。本实验图像增强为增强煤矸石，煤与背景的对比度，对采集到的图像进行图像增强。图像增强包括有通过对灰度变换增强图像，直方图变换增强图像，以及通过滤波的方法增强图像对比度。
（1）直方图均衡化
灰度直方图是通过描述图像中每个灰度在图像的频率从而描述图像的灰度分布情况。当图像灰度大多集中在某一个范围时，会导致图像对比度不高，直方图均衡化是通过对图像的灰度直方图进行非线性的拉伸，将图像中的像素值重新分配。
高斯滤波属于线性平滑滤波，常用于消除高斯噪声，高斯滤波对于服从正态分布的噪声能够起到很好的消除作用。方法的基本思路为：对图像的高斯函数进行离散化，将离散点对应的高斯函数值作为这个点对应的权值，对图像的每个像素点做某个领域内的加权平均从而消除噪声。
.........................
2.2 图像分类灰度直方图是通过描述图像中每个灰度在图像的频率从而描述图像的灰度分布情况。当图像灰度大多集中在某一个范围时，会导致图像对比度不高，直方图均衡化是通过对图像的灰度直方图进行非线性的拉伸，将图像中的像素值重新分配。
高斯滤波属于线性平滑滤波，常用于消除高斯噪声，高斯滤波对于服从正态分布的噪声能够起到很好的消除作用。方法的基本思路为：对图像的高斯函数进行离散化，将离散点对应的高斯函数值作为这个点对应的权值，对图像的每个像素点做某个领域内的加权平均从而消除噪声。
.........................
图像分类是机器视觉中的一个研究热点，被广泛引用于航空航天，工业，交通等多个领域[58-61]。图像分类通过输入一个图像，输出对于图像内容的分类。传统的图像分类方法通过图像特征提取然后结合机器学习进行检测分类，如图 2.2所示，展示了传统机器学习方法的图像分类算法的基本流程图。
............................
3 图像分割在煤矸石分选中的应用研究 ......................... 17
3.1 图像获取与图像预处理 .................................. 17
3.2 传统的图像分割方法 .............................. 21
3.3 基于改进的分水岭算法的煤矸石图像分割 ....................... 23
4 基于分类方法与特征结合的煤矸石分选 ........................... 27
4.1 支持向量机 ................................ 27
4.2 随机森林 ....................................... 29
5 基于深度卷积神经网络的煤矸石识别 ............................ 37
5.1 卷积神经网络 .......................... 37
5.2 卷积神经网络在煤矸石分选中的应用 ........................... 37
5 基于深度卷积神经网络的煤矸石识别
5.1 卷积神经网络
近年来，运用多层神经网络的深度学习发展迅速，在军事、医疗、语音以及图像等各个领域发展迅速。卷积神经网络是深度学习中的一个重要代表，主要应用于图像视频上，已经称为深度学习在图像领域的主流算法。卷积神经网络最早是由纽约大学的 Yann Lecun 于 1998 年提出的，其主要优点是有效降低模型复杂程度，当输入是图像时，这种优点尤其明显，使得图像可以直接作为模型的输入，不需要经过繁琐的特征提取以及数据重建过程，在图像处理中占据很大优势。尤其在 2006 年后 Hinton 提出深度学习以及最近几年深度学习得到迅速发展之后，深度卷积网络在处理图像分类，目标检测，行为识别以及目标跟踪等一系列图像视频任务时取得明显的突破。
目前卷积神经网络开源的深度学习框架有 Caffe、Torch、Theano 、Tensorflow以及 keras 等。本文实验主要基于 keras 深度学习框架搭建的卷积神经网络模型，keras 是由 Pyhon 语言编写，基于 Tensorflow 以及 Theano 等后端的深度学习框架，具有简便快捷等优点。
近年来，运用多层神经网络的深度学习发展迅速，在军事、医疗、语音以及图像等各个领域发展迅速。卷积神经网络是深度学习中的一个重要代表，主要应用于图像视频上，已经称为深度学习在图像领域的主流算法。卷积神经网络最早是由纽约大学的 Yann Lecun 于 1998 年提出的，其主要优点是有效降低模型复杂程度，当输入是图像时，这种优点尤其明显，使得图像可以直接作为模型的输入，不需要经过繁琐的特征提取以及数据重建过程，在图像处理中占据很大优势。尤其在 2006 年后 Hinton 提出深度学习以及最近几年深度学习得到迅速发展之后，深度卷积网络在处理图像分类，目标检测，行为识别以及目标跟踪等一系列图像视频任务时取得明显的突破。
目前卷积神经网络开源的深度学习框架有 Caffe、Torch、Theano 、Tensorflow以及 keras 等。本文实验主要基于 keras 深度学习框架搭建的卷积神经网络模型，keras 是由 Pyhon 语言编写，基于 Tensorflow 以及 Theano 等后端的深度学习框架，具有简便快捷等优点。
...........................
6 结论
6.1 总结
煤炭是我国最主要的化石能源之一，采煤的过程中难免会混合着一些杂质。煤矸石是这些杂质中含量最多的部分，约占原煤生产总量的 15%-20%。煤矸石含碳量低，燃烧效益低而且容易产生以 SO2为主的大量有害气体，加重大气环境污染，同时煤矸石由于其硬度较大，容易对碎煤机器造成损伤。煤矸石分选不仅能够提高煤炭质量，高效清洁开发煤炭，而且能够将回收的煤矸石变废为宝。因此煤矸石分选过程十分重要。传统的煤矸石分选方法主要还是以人工分选为主，人工分选耗时耗力，而且效率低下，无法满足煤炭生产与洗选的要求。随着人工智能的发展和视频监控的普及，机器视觉广泛应用于各个领域。本文尝试将机器视觉的方法应用于煤与煤矸石的分选任务，进一步实现智能化选煤过程。煤炭与煤矸石外形都为黑色，大体相似，但是其纹理与光泽的不同为机器视觉应用于其分类提供了可能性。本文为了模拟传输带上煤与矸石分选过程，选取黑色背景拍摄若干煤矸石与煤图像作为实验数据。为实现煤矸石识别，本文主要研究内容如下：
煤炭是我国最主要的化石能源之一，采煤的过程中难免会混合着一些杂质。煤矸石是这些杂质中含量最多的部分，约占原煤生产总量的 15%-20%。煤矸石含碳量低，燃烧效益低而且容易产生以 SO2为主的大量有害气体，加重大气环境污染，同时煤矸石由于其硬度较大，容易对碎煤机器造成损伤。煤矸石分选不仅能够提高煤炭质量，高效清洁开发煤炭，而且能够将回收的煤矸石变废为宝。因此煤矸石分选过程十分重要。传统的煤矸石分选方法主要还是以人工分选为主，人工分选耗时耗力，而且效率低下，无法满足煤炭生产与洗选的要求。随着人工智能的发展和视频监控的普及，机器视觉广泛应用于各个领域。本文尝试将机器视觉的方法应用于煤与煤矸石的分选任务，进一步实现智能化选煤过程。煤炭与煤矸石外形都为黑色，大体相似，但是其纹理与光泽的不同为机器视觉应用于其分类提供了可能性。本文为了模拟传输带上煤与矸石分选过程，选取黑色背景拍摄若干煤矸石与煤图像作为实验数据。为实现煤矸石识别，本文主要研究内容如下：
（1）煤矸石与煤的图像分割方法研究。因为煤、煤矸石以及背景三者都是黑色，视觉上感受相似，为了使得分割结果更好，本文首先将其进行图像预处理，包括对煤矸石与煤对比度，亮度增强以及对其进行图像平滑，去除图像内部噪音等过程。在经过预处理之后，需要对图像进行分割操作，本文尝试多种图像分割算法，包括阈值分割算法，K 均值分割算法，以及基于距离变换的分水岭分割算法，通过比较上述分割算法发现基于距离变换的分水岭分割算法能够取得最好的分割效果。
（2）传统分类算法的煤矸石识别。在完成图像分割，将煤矸石与煤从背景中提取出来之后，采用传统的基于特征提取以及分类器组合的分类算法，进行图像分类，识别煤矸石与煤块。本文选取了支持向量机与随机森林两种不同的分类算法构建分类模型；同时采取 HOG 特征提取以及灰度共生矩阵特征获得图像特征信息。依据上述分类方法依据特征提取的组合，对煤矸石与煤进行图像分类识别。对比四种组合方式发现，基于支持向量机与 HOG 特征提取相结合的传统分类方法在煤矸石与煤的分选过程中取得最好的效果，分类准确率可以达到91.9%。
（2）传统分类算法的煤矸石识别。在完成图像分割，将煤矸石与煤从背景中提取出来之后，采用传统的基于特征提取以及分类器组合的分类算法，进行图像分类，识别煤矸石与煤块。本文选取了支持向量机与随机森林两种不同的分类算法构建分类模型；同时采取 HOG 特征提取以及灰度共生矩阵特征获得图像特征信息。依据上述分类方法依据特征提取的组合，对煤矸石与煤进行图像分类识别。对比四种组合方式发现，基于支持向量机与 HOG 特征提取相结合的传统分类方法在煤矸石与煤的分选过程中取得最好的效果，分类准确率可以达到91.9%。
参考文献（略）