[发明专利]基于深度学习的煤矸石智能分拣系统

说明书

本发明公开了基于深度学习的煤矸石智能分拣系统，涉及煤矿技术领域，其包括以下步骤：首先采用单目摄像头采集煤和矸石的样本。该基于深度学习的煤矸石智能分拣系统，通过单目摄像头获取图像与高光谱传感器结合处理得到的光谱图像，实现在无强光源条件下煤矸石图像的细节增强，采用卷积神经网络对高光谱图像特征进行训练，有针对性对煤矸石特征神经网络进行强化调参防止模型过拟合，进而实现提高煤和矸石识别的精准度，并且利用余弦定理PID调控机器臂使机器臂在高光谱视觉的配合协同下完成对于煤矸石的精稳抓取，从而解决了现今普通单目成像的图像细节缺失、局部特征失真、物体轮廓提取不完整进而导致不能够对煤和矸石进行精确识别与分类的问题。

技术领域

本发明涉及煤矿技术领域，具体为基于深度学习的煤矸石智能分拣系统。

背景技术

传统的煤矸石分选方法主要包括人工选矸和湿选法，人工选矸方法是通过筛分机把原煤分成直径大于等于100mm的和小于100mm的，然后将直径大于等于100mm的矿物运送到人工排矸车间，由经过专业培训的工人结合自身经验根据灰度与纹理的差异挑选出矸石以完成分选，而小于100mm的矿物则通过湿选法的方式进行分选，湿选法包括重介法和跳汰法，它们都是利用煤炭和矸石两者密度不同的物理性质作为原理来进行分选的，重介法主要是利用密度介于煤炭和矸石之间的液体进行分选的，密度低的煤上浮，密度高的矸石下沉，跳汰法以水为介质，煤和矸石会在强烈振动产生的垂直变速介质流中因为两者的密度不同而进行分层，然后用两种不同的方法分别收取煤和矸石，从而完成煤和矸石的分选。

我国大部分矿区主要采用的方法仍是人工选矸，虽然这种方法操作简单、易于普及，但是缺点是分选的效率低下，劳动强度高，易受主观因素的影响。而湿选法以更多机械的方式代替人工，它虽然凭借着效率较高，精度较准等优点而被广泛应用，但是无论重介法还是跳汰法都需要水作为介质，这极大地浪费了水资源，与我国建立资源节约型社会相悖，随着科技水平的发展，近年来，国内外也有许多新的分选方法诞生，代表性的研究有射线法、雷达探测、机械振动、光电选矸等，γ射线法利用的是煤炭和煤矸石对 γ 射线不同的吸收系数,再根据反射回的 γ 射线强度对两者进行检测，这种射线选煤的方法虽然具有占地面积小、操作简单，但存在分选效率低下、操作过程容易爆炸的问题，γ 射线还会对人体造成极大伤害，严重威胁着身体健康。其他几种方法均由于识别精度太低且需要耗费大量的能源等问题而没有得到广泛的使用，因而现今大多数的选取方法是通过机器视觉进行的，并且是目前工业领域用于物体识别的关键技术，但是现今普通单目成像的图像细节缺失、局部特征失真、物体轮廓提取不完整，进而导致不能够对煤和矸石进行精确识别与分类，因此提出了基于深度学习的煤矸石智能分拣系统来解决这个问题。

发明内容

（一）解决的技术问题

针对现有技术的不足，本发明提供了基于深度学习的煤矸石智能分拣系统，解决了现今普通单目成像的图像细节缺失、局部特征失真、物体轮廓提取不完整进而导致不能够对煤和矸石进行精确识别与分类的问题。

（二）技术方案

为达到以上目的，本发明采取的技术方案是：基于深度学习的煤矸石智能分拣系统，包括以下步骤：首先采用单目摄像头来采集煤和矸石的样本，将单目摄像头采集的高分辨率图像映射到高光谱传感器，通过不同蔡司光谱镜片来获取不同波段光谱的煤和矸石图像，再对不同的光谱图像进行初步的图像预处理，预处理结束后的高光谱图像按比例划分成训练集和测试集，训练集部分将输入到卷积神经网络用于高光谱图像的物体轮廓特征提取，测试集部分则用来检验卷积神经网络对煤和矸石特征提取的丢失率和识别结果的正确率，最后根据煤和矸石特征的不同输出识别结果，再将识别结果转换成模拟信号通过位置-速度双环PID 算法控制机械臂实现快速稳定抓取。