0.   引言

煤炭是我国最主要的能源之一，并被誉为“工业之粮”，为我国的经济增长提供了坚实的后盾，因此国家高度重视并鼓励煤炭资源的环保使用^[1-2]。矸石是一种在采煤过程中与煤一起开采出来的伴生产物，如果不将煤中的矸石分选出来，矸石的燃烧过程会释放出众多的有毒有害气体（CO，H₂S，SO₂等），造成巨大的污染，并破坏居民的生活环境，损害人体健康^[3-4]，不符合国家对煤炭资源清洁利用的要求。因此，在实际生产中需对煤和矸石进行分选。传统的人工分选方法劳动量大，分选效率较低，已逐渐被淘汰^[5-7]。目前，煤和矸石分选方法主要有重介选煤、跳汰选煤、浮选、干法选煤、γ射线检测法等，普遍存在投资成本高、分选效率低、环境污染严重等问题^[8]。伴随着机器视觉和图像处理技术的飞速进步，国内外研究人员通过CCD相机获得煤和矸石的可见光图像，用机器视觉和图像处理技术相结合的方法对煤和矸石进行分选。王家臣等^[9]探究了煤和矸石在不同照度下的响应特性，对煤和矸石可见光图像的灰度、纹理特征进行了提取，以支持向量机（Support Vector Machine，SVM）模型对煤和矸石进行识别，正确率达98.39%。吴开兴等^[10]利用灰度共生矩阵描述煤矸纹理特征，并用SVM进行识别。上述研究主要涉及对可见光图像特征的提取，但井下工况复杂，且存在因煤矸扬起的粉尘，CCD相机获得的煤和矸石可见光图像质量不高，进而分选率较低。随着光电技术的不断进步，X射线在煤矸分选领域得到了广泛研究和应用。郭永存等^[11]利用双能X射线技术对煤和矸石进行透射和成像，提出了一种结合R值图像和高低能图像特征来进行煤和矸石多维度分析的方法，能够对不同的煤种实现较高的识别准确率。王文鑫等^[12]提出一种X射线透射煤矸智能识别方法，提取煤矸图像灰度特征和纹理特征，采用多层感知机（Multilayer Perceptron，MLP）模型实现煤矸识别。上述煤矸分选方法均能达到良好的分选效果，但X射线会对工作人员的健康带来伤害。

红外热成像技术^[13]具有不受光照、粉尘影响的特点，且不会对人体造成伤害，在发电^[14]、冶炼矿物^[15]、绿色环保^[16]、煤岩界面识别^[17-19]等领域广泛应用。本文提出一种基于红外热成像的煤矸识别方法。考虑煤和矸石在室温下表面温度接近，导致它们在红外图像中没有较大差异，将煤和矸石在传送带的输送下依次经过加热区域，由红外热成像仪对煤和矸石进行拍摄，得到煤和矸石加热后的红外图像，对红外图像进行预处理并提取特征，采用SVM进行分类识别，达到识别煤和矸石的目的。

1.   平台搭建及实验原理

1.1   实验平台搭建

为了获取煤和矸石加热后的红外图像，搭建了煤矸识别红外热成像实验装置，如图1所示。

图  1  煤矸识别红外热成像实验装置

Figure  1.  Experimental device for coal and gangue recognition

下载: 全尺寸图片 幻灯片

实验装置由计算机、红外热成像仪、加热区域、传送带、带速控制器、控温器组成。红外热成像仪在监测物体表面温度和实时热成像的同时，可获取物体的红外灰度图像及各种色彩模板下的红外伪彩色图像。本实验使用的红外热成像仪的红外响应波段为8～14 μm，测温范围为−40～400 ℃，红外热成像仪的红外分辨率为320×240。加热区域由3盏碳纤维加热灯组成。加热区域和红外热成像仪通过钢架固定在传送带上方，加热区域距离传送带的高度为20 cm，红外热成像仪距离传送带的距离为50 cm，通过数据线与计算机相连，控温器和带速控制器固定在传送带一侧。控温器带有测温探头，可控制加热区域温度。加热区域的温度越高，煤和矸石加热后的红外图像特征差异越明显，但考虑到实验室的具体条件限制及真实的井下环境，过高的温度可能带来安全隐患，因此本实验加热区域的温度通过控温器控制在70 ℃。煤炭的燃点因煤炭的种类不同而有所不同，但基本都在300 ℃以上，加热区域的温度为70 ℃，远远没有达到煤炭的燃点，可避免引燃风险。传送带的速度为0.06 m/s，保持恒定。

1.2   实验原理

自然界中任何表面温度高于绝对零度的物体都会向周围环境辐射电磁波，波长介于0.75～1 000 μm的电磁波被称为红外线^[20]。红外热成像技术主要是探测物体表面的红外辐射能量，以获得物体表面的温度。红外热成像技术基于斯蒂芬−玻耳兹曼定律，该定律指出，物体单位面积在单位时间内的热辐射能量为

式中：σ为斯蒂芬−玻耳兹曼常数； ε为物体表面发射率；T为物体的热力学温度。

根据斯蒂芬−玻耳兹曼定律可知，物体的热辐射能量与物体的表面发射率成正比，与物体热力学温度的4次方成正比。由于物体的表面发射率一般非常小，所以物体的热辐射能量主要和物体的热力学温度有关，物体的热力学温度越高，红外辐射的能量就越强。

红外热成像仪通过红外探测器捕获物体发出的红外线辐射，并将这些红外辐射能量的分布图显示在红外探测器的光敏部件上，进一步由探测器将这些红外辐射能转换为电信号，并对其进行进一步处理，将处理后的数据传输到红外设备显示器上，得到被测物体的红外图像。

由于煤和矸石的颜色、纹理、光泽和其他物理性质不同，它们表面的吸热能力也不同。为了更直观体现二者吸热能力的差异，在煤矸样本中随机选择煤和矸石样本各20块，在传送带的输送下经过加热区域，经红外热成像仪获取煤和矸石中心点的温度，得到煤和矸石加热后的温度，如图2所示。初始煤和矸石样本的温度与室温（22 ℃）相同。由图2可看出，经过相同时间的加热后，煤的表面温度明显高于矸石的表面温度，从而导致煤和矸石的红外图像有较大不同，因此，利用二者红外图像的差异对煤和矸石进行分选。

图  2  煤矸加热后温度

Figure  2.  Temperature of coal and gangue after heating

下载: 全尺寸图片 幻灯片

2.   图像获取及预处理

2.1   图像获取

本文选用安徽省淮南矿区的烟煤作为实验样本，样本煤和矸石在传送带的输送下依次经过加热区域。利用红外热成像仪对经均匀加热后的煤和矸石进行拍摄，得到煤和矸石的红外灰度图像（物体红外光强度被红外热成像仪获取后得到的图像）和红外彩色图像（红外热成像仪高彩虹颜色模板下形成的伪彩色图像）。将捕捉到的图像传输至计算机进行保存，以便后续的图像处理。选取300块煤矸样本进行图像采集，其中煤和矸石各150块，得到煤矸样本的红外灰度图像和红外彩色图像各300张。为了提高样本训练和识别的效率，并考虑煤和矸石表面凹凸情况对温升的影响，在计算机中对每张图像进行扫描后提取平均温度最高的部分，提取后的图像大小为200×200。图3为部分样本图像。

图  3  煤矸样本图像

Figure  3.  Images of coal and gangue samples

下载: 全尺寸图片 幻灯片

2.2   图像预处理

红外图像的信噪比^[21]较可见光图像低，因此在保证图像质量的前提下，选用中值滤波、高斯滤波、均值滤波对红外图像进行滤波处理。为了确定滤波过程中卷积核的大小，选取3×3，5×5，7×7这3种卷积核分别对同一张煤样本图像进行滤波处理，结果如图4所示。可看出在卷积过程中，卷积核越大，图像越模糊，卷积核尺寸为3×3时，图像的去噪效果最佳，因此选择3×3卷积核。

图  4  煤样本图像的不同滤波处理结果

Figure  4.  Results of different filtering process for a coal sample image

下载: 全尺寸图片 幻灯片

为了客观体现图像的预处理结果，本文采用最小化平方误差（Minimum Squared−Error，MSE）和峰值信噪比（Peak Signal-to-Noise Ratio，PSNR）来评价图像的降噪效果。最小化平方误差越小，图像失真越小；峰值信噪比越大，图像失真越小。

式中：M，N为图像的维度；P（i，j）为原始图像在坐标（i，j）处的像素值；B（i，j）为降噪后的图像在坐标（i，j）处的像素值。

以3×3的卷积核对3种滤波方式的滤波效果进行比较，结果见表1，对矸石图像的滤波结果如图5所示。由表1可看出，高斯滤波的MSE和PSNR较中值滤波和均值滤波低。由图4和图5可看出，高斯滤波对煤和矸石红外图像的处理结果更为清晰，平滑度更好。因此本文选用高斯滤波对煤和矸石的红外灰度图像、红外彩色图像进行预处理。

表  1  煤矸石图像滤波结果

Table  1.  Filtering results for coal and gangue images

滤波方式	煤图像			矸石图像
	MSE	PSNR		MSE	PSNR
高斯滤波	7.1382	39.5949		1.9222	45.2929
中值滤波	7.4326	39.4194		2.3143	44.4865
均值滤波	17.9601	35.5877		9.7932	38.2216

下载: 导出CSV 

| 显示表格

图  5  矸石图像滤波结果

Figure  5.  Gangue image filtering results

下载: 全尺寸图片 幻灯片

3.   特征提取

3.1   红外灰度图像灰度特征提取

灰度特征描述的是图像区域所对应的表面性质。灰度均值、灰度方差、最大频数对应的灰度值等灰度特征可通过灰度分析得到。煤和矸石红外灰度图像的像素值和像素点分布存在差异，导致它们的灰度分布不同，因此需对它们进行灰度分析。分别从煤和矸石的样本中随机挑选75块样本，对其红外灰度图像进行灰度特征提取，得到煤和矸石灰度图像的各特征值分布（表2）。

表  2  煤矸石图像灰度特征分布范围

Table  2.  Range of grayscale feature distribution of coal and gangue images

样本	灰度均值	灰度方差	最大频数对应的灰度值	偏度
煤	89.8～163.3	106.9～3301.7	91.0～195.0	−1.8～0.7
矸石	5.4～46.7	9.4～553.6	1.0～67.0	−1.1～2.2

下载: 导出CSV 

| 显示表格

从表2可看出，煤和矸石的灰度方差和偏度的分布范围重合度较高，致使区分度低，不利于分选。相比之下，灰度均值和最大频数对应的灰度值的分布范围差异较大，有利于分选。因此，在灰度特征中选择灰度均值和最大频数对应的灰度值这2个参数作为初步的识别特征。灰度均值和最大频数对应的灰度值的分布曲线如图6所示，可看出煤和矸石的分布差异十分明显。为了方便表示，记灰度均值、最大频数对应的灰度值分别为H₁，H₂。

图  6  灰度均值和最大频数对应的灰度值的分布曲线

Figure  6.  Distribution curves of the grayscale mean and the gray value corresponding to the maximum frequency number

下载: 全尺寸图片 幻灯片

3.2   红外灰度图像纹理特征提取

灰度共生矩阵是一种用于统计图像中所有像素以描述其灰度分布的统计方法，它综合反映了图像灰度的各种信息。基于灰度共生矩阵可得到许多特征参数来反映图像的纹理特征，常用的特征参数有熵、对比度、相关性、能量、同质性。为了观察煤和矸石红外灰度图像纹理方面的差别，选取与上文相同的煤和矸石样本，对其红外灰度图像进行纹理分析，得到熵、对比度、相关性、能量、同质性纹理特征参数的分布范围（表3）。

表  3  煤矸石图像纹理特征参数的分布范围

Table  3.  Distribution range of texture feature parameters of coal and gangue images

样本	熵	对比度	相关性	能量	同质性
煤	5.2～7.1	0.03～0.14	0.97～0.99	0.11～0.30	0.93～0.98
矸石	3.2～6.2	0.03～0.25	0.93～0.99	0.11～0.36	0.88～0.98

下载: 导出CSV 

| 显示表格

为了进一步选择熵、对比度、相关性、能量、同质性纹理特征，做出其分布曲线，如图7所示。

图  7  煤矸石图像纹理特征的分布曲线

Figure  7.  Distribution curves of texture features of coal and gangue images

下载: 全尺寸图片 幻灯片

由表3和图7可看出，能量和同质性的分布范围接近，分布曲线重合较多，熵、对比度、相关性的分布范围差异较大。因此，在纹理特征中选择熵、对比度、相关性这3个参数作为初步的识别特征。记熵、对比度、相关性分别为W₁，W₂，W₃。

3.3   红外彩色图像特征提取

彩色图像特征提取是指从彩色图像中提取出能表现图像特点的属性集合。在彩色图像中，经常使用的特征包括颜色特征、形状特征和空间位置关系特征等。其中，颜色特征是最常用和基本的特征之一。煤和矸石的红外彩色图像差异很大，通过提取颜色特征可很好地反映二者之间的差异。颜色矩是一种有效的颜色特征，利用颜色的一阶、二阶和三阶矩来表示图像中的颜色分布。颜色矩具有简洁的特点，但其一般分辨能力较弱。因此，通常将颜色矩与其他特征相结合使用，以达到缩小范围的目的。选取纹理分析使用的煤和矸石样本，对其红外彩色图像进行颜色特征提取。对红外彩色图像的R，G，B通道分别提取一阶矩和二阶矩，得到各参数的分布范围（表4）。

表  4  煤矸图像颜色特征参数分布

Table  4.  Distribution of colour features of coal and gangue images

样本	R通道一阶矩	G通道一阶矩	B通道一阶矩	R通道二阶矩	G通道二阶矩	B通道二阶矩
煤	12.5～133.9	72.8～152.6	3.9～185.9	23.3～88.6	32.3～83.1	9.1～89.2
矸石	39.1～177.2	0.5～1.9	38.0～188.7	13.2～71.9	0.8～9.1	13.5～75.2

下载: 导出CSV 

| 显示表格

由表4可看出，G通道一阶矩和G通道二阶矩的特征值分布范围差异大，其分布曲线如图8所示。因此，在颜色特征中选择G通道一阶矩和G通道二阶矩这2个参数作为初步的识别特征。记G通道一阶矩、G通道二阶矩的分别为C₁，C₂。

图  8  具有高区分度的煤矸石图像颜色特征分布曲线

Figure  8.  Distribution curves of highly distinguishable colour features of coal and gangue images

下载: 全尺寸图片 幻灯片

4.   特征选择和分类模型选取

4.1   基于树模型的特征选择

由于图像特征提取过程需耗费大量时间，且提取出的特征中存在冗余特征，所以选择适当的特征选择算法来剔除冗余特征，并得到有利于分类的最优特征子集，对于改善识别性能、减少计算成本非常重要的。对H₁，H₂ ，W₁，W₂，W₃ ，C₁，C₂ 7个特征进行进一步选取。随机森林是一种集成学习方法，可作为特征选择来评估特征重要性。本文选用包含100棵树的随机森林分类器，计算上述 7个特征的重要性，结果如图9所示。

图  9  特征选择结果

Figure  9.  Feature selection results

下载: 全尺寸图片 幻灯片

由图9可看出，特征重要性的大小排列顺序为H₂＞C₂＞C₁＞H₁＞W₁＞W₃＞W₂，且前4个特征的重要性比较突出，因此选择H₂，C₂，C₁，H₁，即最大频数对应的灰度值、G通道二阶矩、G通道一阶矩、灰度均值这4个特征作为最终的分类特征，以这4个特征作为分类模型的输入。部分样本的特征见表5。

表  5  部分样本的特征

Table  5.  Characteristics of selected samples

样本序号	H2	C2	C1	H1
煤1	147	59.95	108.14	118.39
煤2	131	46.28	116.56	122.03
煤3	195	62.22	108.43	153.84
煤4	158	58.30	118.04	117.38
矸石1	9	1.77	1.25	10.89
矸石2	17	1.47	1.02	23.03
矸石3	11	1.79	1.23	13.02
矸石4	27	1.40	0.98	29.97

下载: 导出CSV 

| 显示表格

4.2   SVM分类模型

SVM是属于监督学习的分类模型，煤和矸石的分类是一种非线性、小样本的二分类问题，SVM能够对二分类数据进行有效分类^[22]，因此选用SVM作为本文的分类模型。SVM分类超平面判别函数f（x）与核函数K（x，x_i）分别为

式中：sgn为符号函数；α^*为拉格朗日乘子；y_k为第k个样本标志；n为样本总数量；K为高斯核函数；x_k为第k个样本的特征向量；x为输入的特征向量；b^*为分类阈值；g为高斯核参数。

5.   实验分析

实验得到300块煤矸样本对应的红外图像，将煤和矸石样本各75块对应的图像作为模型的训练集，另外150块样本对应的图像作为测试集对模型进行实验验证。给煤和矸石赋予不同的标签后，按照特征选择的结果对训练集中图像提取H₂，C₂，C₁，H₁特征，组成150×4的数据集矩阵，将该数据集作为分类模型的输入。将数据集随机分成5份，通过交叉验证法进行5次实验，以5次实验的平均分类准确率作为最终结果。通过实验得出，SVM分类器模型在训练集上的分类准确率为100%。

使用训练好的SVM分类模型对煤和矸石样本进行分类实验。对测试集中图像进行特征提取后，组成150×4的数据集矩阵作为分类模型的输入，训练识别率为100%，验证识别率为99.4%。

为了验证图像预处理的必要性，采用没有进行图像预处理的红外图像以相同的流程进行实验，最终得到验证识别率为98.7%。这说明对红外图像进行预处理有利于提高煤矸分选的准确率。

为了验证基于红外热成像的煤矸识别方法的普适性，分别选取无烟煤和褐煤各75块作为实验样本，分别与75块矸石样本组成测试集样本，然后进行分类实验，得到无烟煤的分类准确率为98.9%，褐煤的分类准确率为98.6%。

实验结果表明，本文提出的基于红外热成像的煤矸识别方法对3种煤炭的分类准确率均达到了98%以上。对于小样本集的分类，SVM分类模型的分类能力较强且十分稳定。因此，在实际的工程应用中，利用煤和矸石加热后红外图像的差异来对煤和矸石进行分选的方法是具体可行的。依据本文方法预调整相关参数后，可基本保证煤矸分选效果的稳定性。

6.   结论

1） 煤和矸石的表面吸热能力不同，在70 ℃的加热区域加热相同时间后，煤的表面温度明显高于矸石，二者的红外图像差异明显。

2） 卷积核为3×3的高斯滤波对煤和矸石的红外图像降噪效果最佳。

3） 对煤和矸石的红外图像提取特征，最终选取4个最有利于分选的特征作为机器学习模型的输入，利用训练好的机器学习模型能够对煤和矸石进行有效的分选。

4） 实验结果表明，基于红外热成像的煤矸识别方法对烟煤、无烟煤、褐煤的分类准确率均达到了98%以上，效果良好。

5） 初步验证了小样本集下对煤和矸石分选的可行性，在后续的研究当中，应广泛采集不同矿区的煤矸样本，进一步验证本文方法的普适性。