CN115375675A - 一种基于图像数据的煤炭质量检测方法 - Google Patents
一种基于图像数据的煤炭质量检测方法 Download PDFInfo
- Publication number
- CN115375675A CN115375675A CN202211298518.9A CN202211298518A CN115375675A CN 115375675 A CN115375675 A CN 115375675A CN 202211298518 A CN202211298518 A CN 202211298518A CN 115375675 A CN115375675 A CN 115375675A
- Authority
- CN
- China
- Prior art keywords
- coal
- target
- information
- edge
- determining
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 239000003245 coal Substances 0.000 title claims abstract description 567
- 238000001514 detection method Methods 0.000 title claims abstract description 53
- 239000010883 coal ash Substances 0.000 claims abstract description 109
- 239000002245 particle Substances 0.000 claims abstract description 97
- 238000003708 edge detection Methods 0.000 claims abstract description 91
- 238000001228 spectrum Methods 0.000 claims abstract description 78
- 238000000034 method Methods 0.000 claims abstract description 46
- 238000012216 screening Methods 0.000 claims abstract description 28
- 230000000694 effects Effects 0.000 claims description 85
- 230000035945 sensitivity Effects 0.000 claims description 17
- 230000003044 adaptive effect Effects 0.000 claims description 14
- 239000002956 ash Substances 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000000985 reflectance spectrum Methods 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 13
- 238000002310 reflectometry Methods 0.000 description 9
- 230000005855 radiation Effects 0.000 description 8
- 230000003595 spectral effect Effects 0.000 description 7
- 230000009977 dual effect Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005266 casting Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000002285 radioactive effect Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20004—Adaptive image processing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像数据处理技术领域,具体涉及一种基于图像数据的煤炭质量检测方法,该方法包括:获取待检测煤炭的目标表面图像和反射光谱曲线图;对目标表面图像进行自适应阈值边缘检测;确定待检测煤炭对应的煤炭颗粒度;从样本煤炭信息集合中筛选出满足颗粒条件的样本煤炭信息;从目标煤炭信息集合中筛选出满足相似条件的目标煤炭信息;将相似煤炭信息包括的样本煤灰分,确定为待检测煤炭的目标煤灰分;生成目标煤炭质量信息。本发明通过对目标表面图像和反射光谱曲线图进行图像处理,解决了对煤炭质量进行检测的效率和准确度低下的技术问题,提高了对煤炭质量进行检测的效率和准确度,主要应用于对煤炭质量进行检测。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及一种基于图像数据的煤炭质量检测方法。
背景技术
在一定温度下,煤炭经过完全燃烧,残留的固态物质占煤炭质量的百分数往往可以被称为煤灰分。煤灰分是表明煤炭里无机物含量的一个重要衡量指标,煤灰分越大,往往说明煤炭中含有无机物越多,煤炭的质量越差,反之,煤灰分越小,往往说明煤炭中含有无机物越少,煤炭的质量越好。目前,对煤炭质量进行检测时,通常采用的方式为:根据煤炭的煤灰分,判断煤炭质量。其中,煤炭的煤灰分往往通过灼烧法检测得到,这种方法是应用相对广泛的一种煤炭煤灰分检测方法。现有还存在一种基于图像处理的对煤炭煤灰分进行检测的方法为:首先,获取待检测煤炭的煤炭图像,对煤炭图像进行预处理,得到目标图像,接着,根据目标图像的平均灰度值和预先训练的煤炭灰分检测模型,确定待检测煤炭的煤灰分。其中,煤炭灰分检测模型可以是根据多个训练煤炭对应的平均训练灰度值和煤灰分之间的映射关系,建立的模型。训练煤炭可以是已知煤灰分的煤炭。平均训练灰度值可以是训练煤炭图像的平均灰度值。
然而,当采用上述方式时,经常会存在如下技术问题:
第一,当采用灼烧法检测煤炭的煤灰分时,其实现过程往往较为复杂,分析周期往往较长,往往导致对煤炭质量进行检测的效率低下,并且检测结果往往会受到人为操作的影响,当人为操作不当时,往往导致对煤炭质量进行检测得到的检测结果不准确,从而对煤炭质量进行检测的准确度低下;
第二,当采用上述基于图像处理的对煤炭煤灰分进行检测的方法,对煤炭煤灰分进行检测时,往往只考虑了目标图像的平均灰度值与待检测煤炭对应的煤灰分之间的映射关系,然而待检测煤炭对应的煤灰分的确定往往受到多种因素影响,并不仅仅只受到平均灰度值的影响,因此,当采用该方法,对煤炭煤灰分进行检测时,往往导致对煤炭质量进行检测的准确度低下。
发明内容
本发明的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本发明的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
为了解决对煤炭质量进行检测的效率和准确度低下的技术问题,本发明提出了一种基于图像数据的煤炭质量检测方法。
本发明提供了一种基于图像数据的煤炭质量检测方法,该方法包括:
获取待检测煤炭的目标表面图像和反射光谱曲线图;
对所述目标表面图像进行自适应阈值边缘检测,得到目标纹理特征和煤炭颗粒轮廓集合;
根据所述目标纹理特征和所述煤炭颗粒轮廓集合,确定所述待检测煤炭对应的煤炭颗粒度;
根据所述煤炭颗粒度,从预先获取的样本煤炭信息集合中筛选出满足颗粒条件的样本煤炭信息,作为目标煤炭信息,得到目标煤炭信息集合,其中,所述样本煤炭信息集合中的样本煤炭信息包括:样本煤灰分、样本反射光谱曲线图和样本煤炭颗粒度,颗粒条件是样本煤炭信息包括的样本煤炭颗粒度与所述煤炭颗粒度相等;
根据所述反射光谱曲线图、所述目标煤炭信息集合中的各个目标煤炭信息包括的样本反射光谱曲线图和样本煤灰分,从所述目标煤炭信息集合中筛选出满足相似条件的目标煤炭信息,作为相似煤炭信息;
将所述相似煤炭信息包括的样本煤灰分,确定为所述待检测煤炭的目标煤灰分;
根据所述目标煤灰分,生成所述待检测煤炭对应的目标煤炭质量信息。
进一步的,所述对所述目标表面图像进行自适应阈值边缘检测,得到目标纹理特征和煤炭颗粒轮廓集合,包括:
根据所述目标表面图像,确定所述目标表面图像对应的目标梯度直方图;
根据所述目标梯度直方图,确定自适应阈值边缘检测的高阈值;
将与高阈值相差预先设置的预设数值的数值,确定为自适应阈值边缘检测的低阈值;
根据高阈值和低阈值,对所述目标表面图像进行边缘检测,得到边缘图像,其中,边缘图像包括:边缘集合;
根据边缘图像,确定参考纹理特征;
根据所述目标表面图像和边缘集合,确定细小边缘特征;
根据边缘集合,确定边缘完整特征;
根据参考纹理特征、细小边缘特征和边缘完整特征,确定边缘检测效果指标;
根据边缘检测效果指标和预先设置的效果指标阈值,确定目标低阈值;
将目标低阈值对应的参考纹理特征,确定为目标纹理特征;
根据高阈值和目标低阈值,对所述目标表面图像进行边缘检测,得到煤炭颗粒轮廓集合。
进一步的,所述根据边缘检测效果指标和预先设置的效果指标阈值,确定目标低阈值,包括:
当边缘检测效果指标大于效果指标阈值时,将低阈值,确定为目标低阈值;
当低阈值大于0,并且边缘检测效果指标小于或等于效果指标阈值时,将低阈值更新为低阈值减预设数值;
根据高阈值和更新后的低阈值,对所述目标表面图像进行边缘检测,得到更新边缘图像,其中,更新边缘图像包括:更新边缘集合;
根据更新边缘图像,确定更新参考纹理特征;
根据所述目标表面图像和更新边缘集合,确定更新细小边缘特征;
根据更新边缘集合,确定更新边缘完整特征;
根据更新参考纹理特征、更新细小边缘特征和更新边缘完整特征,确定更新边缘检测效果指标;
当更新后的低阈值大于0,并且更新边缘检测效果指标小于或等于效果指标阈值时,将更新后的低阈值作为低阈值,重复上述步骤,直至更新边缘检测效果指标大于效果指标阈值或更新后的低阈值不大于0时,停止重复;
当更新边缘检测效果指标大于效果指标阈值时,将更新后的低阈值,确定为目标低阈值;
当更新后的低阈值不大于0时,将边缘检测效果指标和所有的更新边缘检测效果指标中的最大值,确定为目标检测效果指标,将目标检测效果指标对应的低阈值,确定为目标低阈值。
进一步的,所述根据边缘图像,确定参考纹理特征,包括:
根据边缘图像,确定参考灰度共生矩阵;
根据参考灰度共生矩阵,确定能量和逆方差;
根据能量和逆方差,确定参考纹理特征。
进一步的,所述根据所述目标表面图像和边缘集合,确定细小边缘特征,包括:
根据所述目标表面图像,确定灰度直方图;
对所述灰度直方图进行阈值分割,得到灰度阈值;
根据灰度阈值,对所述目标表面图像进行划分,得到高亮区域集合;
根据高亮区域集合,从边缘集合中筛选出细小边缘集合;
根据高亮区域集合和细小边缘集合,确定细小边缘特征。
进一步的,所述根据边缘集合,确定边缘完整特征,包括:
对边缘集合中的边缘进行划分,得到闭合边缘集合和非闭合边缘集合;
根据非闭合边缘集合中非闭合边缘的数量、闭合边缘集合中闭合边缘的数量和面积、闭合边缘集合中闭合边缘的面积的均值,确定边缘完整特征。
进一步的,所述根据所述目标纹理特征和所述煤炭颗粒轮廓集合,确定所述待检测煤炭对应的煤炭颗粒度,包括:
根据所述煤炭颗粒轮廓集合,确定煤炭颗粒轮廓面积均值;
根据所述煤炭颗粒轮廓面积均值和所述目标纹理特征,确定所述煤炭颗粒度。
进一步的,所述根据所述反射光谱曲线图、所述目标煤炭信息集合中的各个目标煤炭信息包括的样本反射光谱曲线图和样本煤灰分,从所述目标煤炭信息集合中筛选出满足相似条件的目标煤炭信息,作为相似煤炭信息,包括:
根据所述目标煤炭信息集合中的各个目标煤炭信息包括的样本煤灰分,对所述目标煤炭信息集合中的目标煤炭信息进行分类,得到目标煤炭信息类别集合;
将所述目标煤炭信息类别集合中的每个目标煤炭信息类别中的任意一个目标煤炭信息,确定为所述目标煤炭信息类别对应的煤炭代表信息,得到煤炭代表信息集合;
根据所述煤炭代表信息集合中煤炭代表信息的数量、所述煤炭代表信息集合中的各个煤炭代表信息包括的样本反射光谱曲线图,确定预先设置的波长指标集合中的每个波长指标对应的敏感度;
根据所述反射光谱曲线图和所述煤炭代表信息集合中的每个煤炭代表信息包括的样本反射光谱曲线图,确定所述煤炭代表信息对应的初始相似度;
对于所述煤炭代表信息集合中的每个煤炭代表信息,根据所述波长指标集合中的各个波长指标对应的敏感度、所述煤炭代表信息包括的样本反射光谱曲线图、所述反射光谱曲线图、所述煤炭代表信息对应的初始相似度,确定所述煤炭代表信息对应的整体相似度;
从所述煤炭代表信息集合中筛选出对应的整体相似度最大的煤炭代表信息,作为相似煤炭信息。
进一步的,所述根据所述波长指标集合中的各个波长指标对应的敏感度、所述煤炭代表信息包括的样本反射光谱曲线图、所述反射光谱曲线图、所述煤炭代表信息对应的初始相似度,确定所述煤炭代表信息对应的整体相似度,包括:
根据所述波长指标集合,从所述煤炭代表信息包括的样本反射光谱曲线图中筛选出坐标集合,作为所述煤炭代表信息对应的目标坐标集合;
根据所述波长指标集合,从所述反射光谱曲线图中筛选出光谱坐标集合;
根据所述波长指标集合中的各个波长指标对应的敏感度、所述光谱坐标集合、所述煤炭代表信息对应的目标坐标集合和初始相似度,确定所述煤炭代表信息对应的整体相似度。
进一步的,所述根据所述目标煤灰分,生成所述待检测煤炭对应的目标煤炭质量信息,包括:
当所述目标煤灰分大于预先设置的灰分阈值时,生成表征所述待检测煤炭质量不合格的目标煤炭质量信息;
当所述目标煤灰分小于或等于灰分阈值时,生成表征所述待检测煤炭质量合格的目标煤炭质量信息。
本发明具有如下有益效果:
本发明的一种基于图像数据的煤炭质量检测方法,通过对目标表面图像和反射光谱曲线图进行图像处理,解决了对煤炭质量进行检测的效率和准确度低下的技术问题,提高了对煤炭质量进行检测的效率和准确度。首先,获取待检测煤炭的目标表面图像和反射光谱曲线图。实际情况中,对煤炭质量进行检测时,通常采用的方式为:根据煤炭的煤灰分,判断煤炭质量。其中,煤炭的煤灰分往往通过灼烧法检测得到,这种方法是应用相对广泛的一种煤炭的煤灰分检测方法。然而,当采用灼烧法检测煤炭的煤灰分时,其实现过程往往较为复杂,分析周期往往较长,往往导致对煤炭质量进行检测的效率低下,并且检测结果往往会受到人为操作的影响,当人为操作不当时,往往导致对煤炭质量进行检测得到的检测结果不准确,从而导致对煤炭质量进行检测的准确度低下。其次,在线煤炭煤灰分检测方法主要为辐射法,依靠射线进行检测。其中,辐射法可以包括但不限于:低能射线反散射法、双能量射线投射法和天然放射法。虽然在线煤炭煤灰分检测方法在一定程度减少了人为造成的影响,但辐射法往往会对工作人员以及周围环境造成安全隐患,并且使用过的废弃放射源不易处理。因此,通过对目标表面图像和反射光谱曲线图进行图像处理,从而实现对煤炭质量进行检测,可以避免检测结果受到人为操作的影响以及辐射的危害。接着,对上述目标表面图像进行自适应阈值边缘检测,得到目标纹理特征和煤炭颗粒轮廓集合。实际情况中,待检测煤炭的煤灰分往往与煤炭颗粒的大小有关。因此,对上述目标表面图像进行自适应阈值边缘检测,可以使得到的煤炭颗粒对应的煤炭颗粒轮廓更加精确,便于后续确定待检测煤炭的煤灰分,并且可以提高后续对待检测煤炭的煤灰分确定的准确度。其次,目标纹理特征可以表征待检测煤炭表面的纹理情况,可以便于后续对待检测煤炭质量进行检测。然后,根据上述目标纹理特征和上述煤炭颗粒轮廓集合,确定上述待检测煤炭对应的煤炭颗粒度。实际情况中,相对于只考虑平均灰度值,综合考虑目标纹理特征和煤炭颗粒轮廓集合,更能体现待检测煤炭的纹理情况以及煤炭颗粒大小,因此,可以提高后续对待检测煤炭煤灰分进行检测的准确度。继续,根据上述煤炭颗粒度,从预先获取的样本煤炭信息集合中筛选出满足颗粒条件的样本煤炭信息,作为目标煤炭信息,得到目标煤炭信息集合,其中,上述样本煤炭信息集合中的样本煤炭信息包括:样本煤灰分、样本反射光谱曲线图和样本煤炭颗粒度,颗粒条件是样本煤炭信息包括的样本煤炭颗粒度与上述煤炭颗粒度相等。实际情况中,从样本煤炭信息集合中筛选出目标煤炭信息集合,可以便于后续对目标煤炭信息集合进行分析,相对于直接对样本煤炭信息集合进行分析,减少了计算量,减少了计算资源的占用,从而提高了对待检测煤炭质量进行检测的效率。之后,根据上述反射光谱曲线图、上述目标煤炭信息集合中的各个目标煤炭信息包括的样本反射光谱曲线图和样本煤灰分,从上述目标煤炭信息集合中筛选出满足相似条件的目标煤炭信息,作为相似煤炭信息。由于目标煤炭信息包括样本煤灰分,所以从目标煤炭信息集合中筛选出相似煤炭信息,可以间接确定待检测煤炭的煤灰分。而后,将上述相似煤炭信息包括的样本煤灰分,确定为上述待检测煤炭的目标煤灰分。实际情况中,由于相似煤炭信息是满足相似条件的目标煤炭信息,所以目标煤灰分可以近似等于相似煤炭信息包括的样本煤灰分,其中,目标煤灰分可以是待检测煤炭的煤灰分。最后,根据上述目标煤灰分,生成上述待检测煤炭对应的目标煤炭质量信息。因此,本发明通过对目标表面图像和反射光谱曲线图进行图像处理,解决了对煤炭质量进行检测的效率和准确度低下的技术问题,提高了对煤炭质量进行检测的效率和准确度。
附图说明
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和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,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它附图。
图1为根据本发明的一种基于图像数据的煤炭质量检测方法的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的技术方案的具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一个实施例。此外,一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本发明提供了一种基于图像数据的煤炭质量检测方法,该方法包括以下步骤:
获取待检测煤炭的目标表面图像和反射光谱曲线图;
对目标表面图像进行自适应阈值边缘检测,得到目标纹理特征和煤炭颗粒轮廓集合;
根据目标纹理特征和煤炭颗粒轮廓集合,确定待检测煤炭对应的煤炭颗粒度;
根据煤炭颗粒度,从预先获取的样本煤炭信息集合中筛选出满足颗粒条件的样本煤炭信息,作为目标煤炭信息,得到目标煤炭信息集合;
根据反射光谱曲线图、目标煤炭信息集合中的各个目标煤炭信息包括的样本反射光谱曲线图和样本煤灰分,从目标煤炭信息集合中筛选出满足相似条件的目标煤炭信息,作为相似煤炭信息;
将相似煤炭信息包括的样本煤灰分,确定为待检测煤炭的目标煤灰分;
根据目标煤灰分,生成待检测煤炭对应的目标煤炭质量信息。
下面对上述各个步骤进行详细展开:
参考图1,示出了根据本发明的一种基于图像数据的煤炭质量检测方法的一些实施例的流程。该基于图像数据的煤炭质量检测方法,包括以下步骤:
步骤S1,获取待检测煤炭的目标表面图像和反射光谱曲线图。
在一些实施例中,可以获取待检测煤炭的目标表面图像和反射光谱曲线图。
其中,待检测煤炭可以是待检测质量情况的煤炭。目标表面图像可以是进行预处理后的待检测煤炭表面的图像。预处理可以包括但不限于:灰度化、去噪和图像增强。反射光谱曲线图又叫反射光谱曲线。反射光谱曲线图可以表征待检测煤炭的光谱反射率随波长变化规律的曲线。反射光谱曲线图的横坐标可以是波长,纵坐标可以是反射率。作为示例,本步骤可以包括以下步骤:
第一步,获取待检测煤炭的煤炭表面图像。
其中,煤炭表面图像可以是待检测煤炭表面的图像。
例如,可以通过相机,获取煤炭表面图像。
第二步,对煤炭表面图像进行灰度化和去噪,得到目标表面图像。
第三步,获取反射光谱曲线图。
例如,通过微型光纤光谱仪,获取反射光谱曲线图。
步骤S2,对目标表面图像进行自适应阈值边缘检测,得到目标纹理特征和煤炭颗粒轮廓集合。
在一些实施例中,可以对上述目标表面图像进行自适应阈值边缘检测,得到目标纹理特征和煤炭颗粒轮廓集合。
其中,目标纹理特征可以表征待检测煤炭表面的纹理情况。煤炭颗粒轮廓集合中的煤炭颗粒轮廓可以是通过自适应阈值边缘检测,得到的表征待检测煤炭表面包含的煤炭颗粒的闭合边缘。自适应阈值边缘检测可以是双阈值检测。煤炭颗粒可以是煤炭表面上的颗粒。
作为示例,本步骤可以包括以下步骤:
第一步,根据上述目标表面图像,确定上述目标表面图像对应的目标梯度直方图。
其中,目标梯度直方图可以是目标表面图像的梯度直方图。
本步骤可以通过现有技术实现,在此不再赘述。
第二步,根据上述目标梯度直方图,确定自适应阈值边缘检测的高阈值。
其中,高阈值可以是自适应阈值边缘检测包括的双阈值中较高的阈值。
例如,根据目标梯度直方图,通过大津阈值法,确定自适应阈值边缘检测的高阈值。
第三步,将与高阈值相差预先设置的预设数值的数值,确定为自适应阈值边缘检测的低阈值。
其中,预设数值可以是预先设置的数值。例如,预设数值可以是1。低阈值可以是自适应阈值边缘检测包括的双阈值中较低的阈值。
实际情况中,高阈值往往大于0,高阈值减预设数值得到的低阈值往往大于0。
第四步,根据高阈值和低阈值,对上述目标表面图像进行边缘检测,得到边缘图像。
其中,边缘图像可以包括:边缘集合。边缘集合中的边缘可以是边缘图像中的边缘。
例如,可以通过双阈值检测,对目标表面图像进行边缘检测,得到边缘图像,其中,该双阈值检测的两个阈值可以分别为高阈值和低阈值。边缘集合中的边缘可以不包括拍摄的待检测煤炭的边界。
第五步,根据边缘图像,确定参考纹理特征。
例如,本步骤可以包括以下子步骤:
第一子步骤,根据边缘图像,确定参考灰度共生矩阵。
其中,参考灰度共生矩阵可以是边缘图像的灰度共生矩阵。
第二子步骤,根据参考灰度共生矩阵,确定能量和逆方差。
其中,能量可以表征边缘图像灰度分布均匀程度和纹理粗细度。逆方差可以表征边缘图像纹理局部变化的大小。
第三子步骤,根据能量和逆方差,确定参考纹理特征。
比如,确定参考纹理特征对应的公式可以为:
其中,Q是参考纹理特征。exp( )是以自然常数为底的指数函数。ASM是能量。IDM是逆方差。
实际情况中,对目标表面图像进行自适应阈值边缘检测,主要是要检测出煤炭颗粒,便于后续确定煤炭颗粒度。由于拍摄的煤炭颗粒边界往往比较细致,参考纹理特征可以表征进行边缘检测后,得到的待检测煤炭表面的纹理情况,因此,参考纹理特征越大,往往说明边缘图像对应的纹理越细致,往往越可能检测到了煤炭颗粒边界,往往说明此次边缘检测效果越好。能量可以表征边缘图像灰度分布均匀程度和纹理粗细度。若灰度共生矩阵中的元素值相近,则能量ASM往往较小,往往表示纹理细致。若灰度共生矩阵中的元素值不相近,则能量ASM往往较大,往往表示纹理不细致。逆方差可以表征边缘图像纹理局部变化的大小。若边缘图像中不同区域间的纹理较均匀,变化缓慢,逆方差IDM往往会较大,反之较小。因此,当能量ASM越小,逆方差IDM越大时,参考纹理特征往往越大,往往说明边缘图像对应的纹理越细致,往往说明此次边缘检测效果越好。并且可以使参考纹理特征的取值范围为[0,1],可以便于后续的处理。确定参考纹理特征对应的公式并不限于以上公式,只要符合以上规律的公式,往往均可作为确定参考纹理特征对应的公式。
第六步,根据上述目标表面图像和边缘集合,确定细小边缘特征。
其中,细小边缘特征可以表征目标表面图像上相对细小边缘的情况。
例如,本步骤可以包括以下子步骤:
第一子步骤,根据上述目标表面图像,确定灰度直方图。
其中,上述灰度直方图可以是目标表面图像的灰度直方图。
第二子步骤,对上述灰度直方图进行阈值分割,得到灰度阈值。
其中,灰度阈值可以表征目标表面图像中组成灰暗区域的像素点,所允许的最大的灰度值。灰暗区域可以是由目标表面图像中灰度值小于或等于灰度阈值的像素点组成的区域。
比如,根据灰度直方图,可以通过大津阈值法,得到灰度阈值。
第三子步骤,根据灰度阈值,对上述目标表面图像进行划分,得到高亮区域集合。
其中,高亮区域集合中的高亮区域可以是由目标表面图像中灰度值大于灰度阈值的像素点组成的区域。
实际情况中,煤炭颗粒由于凹凸不平,拍摄到图像上往往比待检测煤炭中除了煤炭颗粒之外的区域亮,因此,划分的高亮区域往往是拍摄的煤炭颗粒。
第四子步骤,根据高亮区域集合,从边缘集合中筛选出细小边缘集合。
其中,细小边缘集合中的细小边缘可以是高亮区域内部的边缘。
第五子步骤,根据高亮区域集合和细小边缘集合,确定细小边缘特征。
比如,确定细小边缘特征对应的公式可以为:
实际情况中,对目标表面图像进行自适应阈值边缘检测,主要是要检测出煤炭颗粒,便于后续确定煤炭颗粒度。由于拍摄的煤炭颗粒中往往存在比煤炭颗粒边界更为细小的纹理,即细小边缘。这些细小边缘往往会干扰后续对煤炭颗粒度的确定。由于是细小边缘中像素点数量占目标表面图像中像素点数量的比值,所以当细小边缘中像素点数量占目标表面图像中像素点数量的比值越大时,细小边缘特征W往往越大,往往说明此次边缘检测效果越不好。确定细小边缘特征对应的公式并不限于以上公式,只要符合以上规律的公式,往往均可作为确定细小边缘特征对应的公式。
第七步,根据边缘集合,确定边缘完整特征。
其中,边缘完整特征可以表征边缘集合中边缘的完整情况。
例如,本步骤可以包括以下子步骤:
第一子步骤,对边缘集合中的边缘进行划分,得到闭合边缘集合和非闭合边缘集合。
其中,闭合边缘集合中的闭合边缘可以是首尾相连的边缘。非闭合边缘集合中的非闭合边缘可以是边缘集合中除了闭合边缘集合之外的边缘。
第二子步骤,根据非闭合边缘集合中非闭合边缘的数量、闭合边缘集合中闭合边缘的数量和面积、闭合边缘集合中闭合边缘的面积的均值,确定边缘完整特征。
比如,确定边缘完整特征对应的公式可以为:
其中,E是边缘完整特征。u是非闭合边缘集合中非闭合边缘的数量。J是闭合边缘集合中闭合边缘的数量。是闭合边缘集合中第j个闭合边缘的面积。如,闭合边缘中像素点的数量可以表征闭合边缘的面积。j是闭合边缘集合中闭合边缘的序号。s是闭合边缘集合中闭合边缘的面积的均值。
实际情况中,对目标表面图像进行自适应阈值边缘检测,主要是要检测出煤炭颗粒,便于后续确定煤炭颗粒度。由于煤炭颗粒的边界往往是闭合的,并且各个煤炭颗粒的大小往往很相似。所以检测到的非闭合边缘越多,往往说明边缘检测的效果越不好,并且各个煤炭颗粒大小的相似度越差,往往说明边缘检测的效果越不好。因此,非闭合边缘集合中非闭合边缘的数量u越多或越大,往往说明边缘完整特征越大,往往说明此次边缘检测效果越不好。确定边缘完整特征对应的公式并不限于以上公式,只要符合以上规律的公式,往往均可作为确定边缘完整特征对应的公式。
第八步,根据参考纹理特征、细小边缘特征和边缘完整特征,确定边缘检测效果指标。
例如,确定边缘检测效果指标对应的公式可以为:
其中,R是边缘检测效果指标。W是细小边缘特征。E是边缘完整特征。Q是参考纹理特征。exp( )是以自然常数为底的指数函数。
实际情况中,由于当参考纹理特征Q越大、细小边缘特征W或边缘完整特征E越小时,往往说明边缘检测效果指标R越大,往往说明此次边缘检测效果越好。并且可以使边缘检测效果指标R的取值范围为[0,1],可以便于后续处理。确定边缘检测效果指标对应的公式并不限于以上公式,只要符合以上规律的公式,往往均可作为确定边缘检测效果指标对应的公式。
第九步,根据边缘检测效果指标和预先设置的效果指标阈值,确定目标低阈值。
其中,效果指标阈值可以是预先设置的需要对低阈值进行更新时,所允许的最大的边缘检测效果指标。如,效果指标阈值可以是0.7。
例如,本步骤可以包括以下子步骤:
第一子步骤,当边缘检测效果指标大于效果指标阈值时,将低阈值,确定为目标低阈值。
第二子步骤,当低阈值大于0,并且边缘检测效果指标小于或等于效果指标阈值时,将低阈值更新为低阈值减预设数值。
第三子步骤,根据高阈值和更新后的低阈值,对上述目标表面图像进行边缘检测,得到更新边缘图像。
其中,更新边缘图像可以包括:更新边缘集合。
第四子步骤,根据更新边缘图像,确定更新参考纹理特征。
第五子步骤,根据上述目标表面图像和更新边缘集合,确定更新细小边缘特征。
第六子步骤,根据更新边缘集合,确定更新边缘完整特征。
第七子步骤,根据更新参考纹理特征、更新细小边缘特征和更新边缘完整特征,确定更新边缘检测效果指标。
步骤S2包括的第九步包括的第三子步骤至第七子步骤的具体实现方式可以参考步骤S2包括的第四步至第八步,可以将更新后的低阈值,作为低阈值,执行步骤S2包括的第四步至第八步,得到的边缘图像、边缘集合、参考纹理特征、细小边缘特征、边缘完整特征和边缘检测效果指标,即为更新边缘图像、更新边缘集合、更新参考纹理特征、更新细小边缘特征、更新边缘完整特征和更新边缘检测效果指标。
第七子步骤,当更新后的低阈值大于0,并且更新边缘检测效果指标小于或等于效果指标阈值时,将更新后的低阈值作为低阈值,重复上述步骤,直至更新边缘检测效果指标大于效果指标阈值或更新后的低阈值不大于0时,停止重复。
其中,上述步骤可以包括:步骤S2包括的第九步包括的第二子步骤至第六子步骤。
第八子步骤,当更新边缘检测效果指标大于效果指标阈值时,将更新后的低阈值,确定为目标低阈值。
第九子步骤,当更新后的低阈值不大于0时,将边缘检测效果指标和所有的更新边缘检测效果指标中的最大值,确定为目标检测效果指标,将目标检测效果指标对应的低阈值,确定为目标低阈值。
其中,目标检测效果指标对应的低阈值可以是确定目标检测效果指标时的低阈值。比如,根据边缘集合,确定的边缘检测效果指标对应的低阈值可以是得到该边缘集合时的低阈值。根据更新边缘集合,确定的更新边缘检测效果指标对应的低阈值可以是得到该更新边缘集合时的更新后的低阈值。
比如,当更新后的低阈值不大于0时,边缘检测效果指标可以为0.3、所有的更新边缘检测效果指标可以分别为:0.5、0.4和0.6。边缘检测效果指标和所有的更新边缘检测效果指标中的最大值可以为0.6。
第十步,将目标低阈值对应的参考纹理特征,确定为目标纹理特征。
其中,目标低阈值对应的参考纹理特征可以是根据目标边缘图像,确定的参考纹理特征。目标边缘图像可以是根据目标低阈值和高阈值,对目标表面图像进行边缘检测得到的边缘图像。
第十一步,根据高阈值和目标低阈值,对上述目标表面图像进行边缘检测,得到煤炭颗粒轮廓集合。
其中,煤炭颗粒轮廓集合中的煤炭颗粒轮廓可以表征拍摄的煤炭颗粒的边界。
步骤S3,根据目标纹理特征和煤炭颗粒轮廓集合,确定待检测煤炭对应的煤炭颗粒度。
在一些实施例中,可以根据上述目标纹理特征和上述煤炭颗粒轮廓集合,确定上述待检测煤炭对应的煤炭颗粒度。
其中,煤炭颗粒度可以是待检测煤炭的颗粒度。
作为示例,本步骤可以包括以下步骤:
第一步,根据上述煤炭颗粒轮廓集合,确定煤炭颗粒轮廓面积均值。
其中,煤炭颗粒轮廓面积均值可以是煤炭颗粒轮廓集合中煤炭颗粒轮廓的面积的均值。煤炭颗粒轮廓的面积可以用该煤炭颗粒轮廓中像素点的数量表征。
第二步,根据上述煤炭颗粒轮廓面积均值和上述目标纹理特征,确定上述煤炭颗粒度。
例如,确定上述煤炭颗粒度对应的公式可以为:
步骤S4,根据煤炭颗粒度,从预先获取的样本煤炭信息集合中筛选出满足颗粒条件的样本煤炭信息,作为目标煤炭信息,得到目标煤炭信息集合。
在一些实施例中,可以根据上述煤炭颗粒度,从预先获取的样本煤炭信息集合中筛选出满足颗粒条件的样本煤炭信息,作为目标煤炭信息,得到目标煤炭信息集合。
其中,上述样本煤炭信息集合中的样本煤炭信息可以包括:样本煤灰分、样本反射光谱曲线图和样本煤炭颗粒度。颗粒条件可以是样本煤炭信息包括的样本煤炭颗粒度与上述煤炭颗粒度相等。样本煤灰分可以是样本煤炭的煤灰分。样本煤炭的形状大小可以与待检测煤炭的形状大小相同。样本煤炭可以是已知煤灰分的煤炭。样本煤炭可以与样本煤炭信息一一对应。样本反射光谱曲线图可以表征样本煤炭的光谱反射率随波长变化规律的曲线。样本反射光谱曲线图的横坐标可以是波长,纵坐标可以是反射率。样本煤炭颗粒度可以是样本煤炭的颗粒度。
作为示例,获取样本煤炭信息集合中的样本煤炭信息包括的样本反射光谱曲线图和样本煤炭颗粒度可以参考上述获取反射光谱曲线图和煤炭颗粒度的方式。
实际情况中,当样本煤炭信息集合中样本煤炭信息的数量越多时,样本煤炭的种类越多,后续确定的待检测煤炭的煤灰分往往越精确。
步骤S5,根据反射光谱曲线图、目标煤炭信息集合中的各个目标煤炭信息包括的样本反射光谱曲线图和样本煤灰分,从目标煤炭信息集合中筛选出满足相似条件的目标煤炭信息,作为相似煤炭信息。
在一些实施例中,可以根据上述反射光谱曲线图、上述目标煤炭信息集合中的各个目标煤炭信息包括的样本反射光谱曲线图和样本煤灰分,从上述目标煤炭信息集合中筛选出满足相似条件的目标煤炭信息,作为相似煤炭信息。
其中,相似条件可以是样本煤炭与待检测煤炭相似。
作为示例,本步骤可以包括以下步骤:
第一步,根据上述目标煤炭信息集合中的各个目标煤炭信息包括的样本煤灰分,对上述目标煤炭信息集合中的目标煤炭信息进行分类,得到目标煤炭信息类别集合。
其中,目标煤炭信息类别中的目标煤炭信息包括的样本煤灰分相同。
例如,可以将目标煤炭信息集合中包括的样本煤灰分相同的目标煤炭信息,划分为同一个目标煤炭信息类别。
第二步,将上述目标煤炭信息类别集合中的每个目标煤炭信息类别中的任意一个目标煤炭信息,确定为上述目标煤炭信息类别对应的煤炭代表信息,得到煤炭代表信息集合。
第三步,根据上述煤炭代表信息集合中煤炭代表信息的数量、上述煤炭代表信息集合中的各个煤炭代表信息包括的样本反射光谱曲线图,确定预先设置的波长指标集合中的每个波长指标对应的敏感度。
其中,波长指标集合中的波长指标可以是预先设置的波长。比如,波长指标集合可以为:[400纳米,500纳米,600纳米,700纳米,800纳米,900纳米,1000纳米,1100纳米]。
例如,确定预先设置的波长指标集合中的每个波长指标对应的敏感度对应的公式可以为:
其中,是波长指标集合中的第k个波长指标对应的敏感度。k是波长指标集合中波长指标的序号。N是煤炭代表信息集合中煤炭代表信息的数量。是煤炭代表信息集合中的第n个煤炭代表信息包括的样本反射光谱曲线图中目标坐标点对应的坐标包括的纵坐标,其中,该纵坐标为反射率。目标坐标点对应的坐标包括的横坐标可以与第k个波长指标相等。n是煤炭代表信息集合中煤炭代表信息的序号。
实际情况中,在相同波长指标下,反射率受样本煤灰分变化的影响越大,往往说明样本煤灰分在该波长指标下越敏感,往往越可以用反射率表征样本煤灰分。由于,可以表征在第k个波长指标下,反射率受样本煤灰分变化的影响,所以,可以表征波长指标集合中的第k个波长指标对应的敏感度。确定波长指标对应的敏感度对应的公式并不限于以上公式,只要符合以上规律的公式,往往均可作为确定波长指标对应的敏感度对应的公式。
第四步,根据上述反射光谱曲线图和上述煤炭代表信息集合中的每个煤炭代表信息包括的样本反射光谱曲线图,确定上述煤炭代表信息对应的初始相似度。
其中,煤炭代表信息对应的初始相似度可以表征该煤炭代表信息包括的样本反射光谱曲线图与反射光谱曲线图之间的相似情况。
例如,可以通过形状上下文算法,确定煤炭代表信息包括的样本反射光谱曲线图与反射光谱曲线图之间的轮廓相似度,作为该煤炭代表信息对应的初始相似度。
第五步,对于上述煤炭代表信息集合中的每个煤炭代表信息,根据上述波长指标集合中的各个波长指标对应的敏感度、上述煤炭代表信息包括的样本反射光谱曲线图、上述反射光谱曲线图、上述煤炭代表信息对应的初始相似度,确定上述煤炭代表信息对应的整体相似度。
其中,煤炭代表信息对应的整体相似度可以表征样本煤炭与待检测煤炭之间的相似程度。
例如,本步骤可以包括以下子步骤:
第一子步骤,根据上述波长指标集合,从上述煤炭代表信息包括的样本反射光谱曲线图中筛选出坐标集合,作为上述煤炭代表信息对应的目标坐标集合。
其中,煤炭代表信息对应的目标坐标集合中的目标坐标包括的横坐标可以与波长指标集合中的波长指标相等。目标坐标集合中的目标坐标可以与波长指标集合中的波长指标一一对应。
第二子步骤,根据上述波长指标集合,从上述反射光谱曲线图中筛选出光谱坐标集合。
其中,光谱坐标集合中的光谱坐标包括的横坐标可以与波长指标集合中的波长指标相等。光谱坐标集合中的光谱坐标可以与波长指标集合中的波长指标一一对应。
第三子步骤,根据上述波长指标集合中的各个波长指标对应的敏感度、上述光谱坐标集合、上述煤炭代表信息对应的目标坐标集合和初始相似度,确定上述煤炭代表信息对应的整体相似度。
比如,确定煤炭代表信息对应的整体相似度对应的公式可以为:
其中,是煤炭代表信息集合中的第n个煤炭代表信息对应的整体相似度。是煤炭代表信息集合中的第n个煤炭代表信息对应的初始相似度。是波长指标集合中的第k个波长指标对应的敏感度。k是波长指标集合中波长指标的序号。K是波长指标集合中波长指标的数量。是目标光谱坐标包括的纵坐标。目标光谱坐标可以是光谱坐标集合中包括的横坐标与第k个波长指标相等的光谱坐标。是代表坐标包括的纵坐标。代表坐标可以是第n个煤炭代表信息对应的目标坐标集合中包括的横坐标与第k个波长指标相等的目标坐标。是预先设置的大于0的数值。用于防止分母为0,往往较小。
实际情况中,当煤炭代表信息集合中的第n个煤炭代表信息对应的初始相似度越大时,第n个煤炭代表信息对应的样本煤炭往往与待检测煤炭越相似。当波长指标集合中的第k个波长指标对应的敏感度越大时,往往说明煤灰分在第k个波长指标下越敏感,往往越可以用反射率表征样本煤灰分,此时采用样本煤炭与待检测煤炭之间反射率差值的绝对值,表征样本煤炭与待检测煤炭之间相似程度,往往越可信。即样本煤炭与待检测煤炭之间反射率差值的绝对值越小,往往说明样本煤炭与待检测煤炭越相似。确定煤炭代表信息对应的整体相似度对应的公式并不限于以上公式,只要符合以上规律的公式,往往均可作为确定煤炭代表信息对应的整体相似度对应的公式。
第六步,从上述煤炭代表信息集合中筛选出对应的整体相似度最大的煤炭代表信息,作为相似煤炭信息。
步骤S6,将相似煤炭信息包括的样本煤灰分,确定为待检测煤炭的目标煤灰分。
在一些实施例中,可以将上述相似煤炭信息包括的样本煤灰分,确定为上述待检测煤炭的目标煤灰分。
其中,目标煤灰分可以是待检测煤炭的煤灰分。
步骤S7,根据目标煤灰分,生成待检测煤炭对应的目标煤炭质量信息。
在一些实施例中,可以根据上述目标煤灰分,生成上述待检测煤炭对应的目标煤炭质量信息。
其中,目标煤炭质量信息可以表征待检测煤炭的质量情况。
作为示例,本步骤可以包括以下步骤:
第一步,当上述目标煤灰分大于预先设置的灰分阈值时,生成表征上述待检测煤炭质量不合格的目标煤炭质量信息。
其中,灰分阈值可以是预先设置的待检测煤炭质量合格时,所允许的最大的目标煤灰分。例如,灰分阈值可以是12%。待检测煤炭质量不合格可以表征待检测煤炭质量不符合生产标准。待检测煤炭质量合格可以表征待检测煤炭质量符合生产标准。
第二步,当上述目标煤灰分小于或等于灰分阈值时,生成表征上述待检测煤炭质量合格的目标煤炭质量信息。
本发明的一种基于图像数据的煤炭质量检测方法,通过对目标表面图像和反射光谱曲线图进行图像处理,解决了对煤炭质量进行检测的效率和准确度低下的技术问题,提高了对煤炭质量进行检测的效率和准确度。首先,获取待检测煤炭的目标表面图像和反射光谱曲线图。实际情况中,对煤炭质量进行检测时,通常采用的方式为:根据煤炭的煤灰分,判断煤炭质量。其中,煤炭的煤灰分往往通过灼烧法检测得到,这种方法是应用相对广泛的一种煤炭的煤灰分检测方法。然而,当采用灼烧法检测煤炭的煤灰分时,其实现过程往往较为复杂,分析周期往往较长,往往导致对煤炭质量进行检测的效率低下,并且检测结果往往会受到人为操作的影响,当人为操作不当时,往往导致对煤炭质量进行检测得到的检测结果不准确,从而导致对煤炭质量进行检测的准确度低下。其次,在线煤炭煤灰分检测方法主要为辐射法,依靠射线进行检测。其中,辐射法可以包括但不限于:低能射线反散射法、双能量射线投射法和天然放射法。虽然在线煤炭煤灰分检测方法在一定程度减少了人为造成的影响,但辐射法往往会对工作人员以及周围环境造成安全隐患,并且使用过的废弃放射源不易处理。因此,通过对目标表面图像和反射光谱曲线图进行图像处理,从而实现对煤炭质量进行检测,可以避免检测结果受到人为操作的影响以及辐射的危害。接着,对上述目标表面图像进行自适应阈值边缘检测,得到目标纹理特征和煤炭颗粒轮廓集合。实际情况中,待检测煤炭的煤灰分往往与煤炭颗粒的大小有关。因此,对上述目标表面图像进行自适应阈值边缘检测,可以使得到的煤炭颗粒对应的煤炭颗粒轮廓更加精确,便于后续确定待检测煤炭的煤灰分,并且可以提高后续对待检测煤炭的煤灰分确定的准确度。其次,目标纹理特征可以表征待检测煤炭表面的纹理情况,可以便于后续对待检测煤炭质量进行检测。然后,根据上述目标纹理特征和上述煤炭颗粒轮廓集合,确定上述待检测煤炭对应的煤炭颗粒度。实际情况中,相对于只考虑平均灰度值,综合考虑目标纹理特征和煤炭颗粒轮廓集合,更能体现待检测煤炭的纹理情况以及煤炭颗粒大小,因此,可以提高后续对待检测煤炭煤灰分进行检测的准确度。继续,根据上述煤炭颗粒度,从预先获取的样本煤炭信息集合中筛选出满足颗粒条件的样本煤炭信息,作为目标煤炭信息,得到目标煤炭信息集合,其中,上述样本煤炭信息集合中的样本煤炭信息包括:样本煤灰分、样本反射光谱曲线图和样本煤炭颗粒度,颗粒条件是样本煤炭信息包括的样本煤炭颗粒度与上述煤炭颗粒度相等。实际情况中,从样本煤炭信息集合中筛选出目标煤炭信息集合,可以便于后续对目标煤炭信息集合进行分析,相对于直接对样本煤炭信息集合进行分析,减少了计算量,减少了计算资源的占用,从而提高了对待检测煤炭质量进行检测的效率。之后,根据上述反射光谱曲线图、上述目标煤炭信息集合中的各个目标煤炭信息包括的样本反射光谱曲线图和样本煤灰分,从上述目标煤炭信息集合中筛选出满足相似条件的目标煤炭信息,作为相似煤炭信息。由于目标煤炭信息包括样本煤灰分,所以从目标煤炭信息集合中筛选出相似煤炭信息,可以间接确定待检测煤炭的煤灰分。而后,将上述相似煤炭信息包括的样本煤灰分,确定为上述待检测煤炭的目标煤灰分。实际情况中,由于相似煤炭信息是满足相似条件的目标煤炭信息,所以目标煤灰分可以近似等于相似煤炭信息包括的样本煤灰分,其中,目标煤灰分可以是待检测煤炭的煤灰分。最后,根据上述目标煤灰分,生成上述待检测煤炭对应的目标煤炭质量信息。因此,本发明通过对目标表面图像和反射光谱曲线图进行图像处理,解决了对煤炭质量进行检测的效率和准确度低下的技术问题,提高了对煤炭质量进行检测的效率和准确度。
以上上述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于图像数据的煤炭质量检测方法,其特征在于,包括以下步骤:
获取待检测煤炭的目标表面图像和反射光谱曲线图;
对所述目标表面图像进行自适应阈值边缘检测,得到目标纹理特征和煤炭颗粒轮廓集合;
根据所述目标纹理特征和所述煤炭颗粒轮廓集合,确定所述待检测煤炭对应的煤炭颗粒度;
根据所述煤炭颗粒度,从预先获取的样本煤炭信息集合中筛选出满足颗粒条件的样本煤炭信息,作为目标煤炭信息,得到目标煤炭信息集合,其中,所述样本煤炭信息集合中的样本煤炭信息包括:样本煤灰分、样本反射光谱曲线图和样本煤炭颗粒度,颗粒条件是样本煤炭信息包括的样本煤炭颗粒度与所述煤炭颗粒度相等;
根据所述反射光谱曲线图、所述目标煤炭信息集合中的各个目标煤炭信息包括的样本反射光谱曲线图和样本煤灰分,从所述目标煤炭信息集合中筛选出满足相似条件的目标煤炭信息,作为相似煤炭信息;
将所述相似煤炭信息包括的样本煤灰分,确定为所述待检测煤炭的目标煤灰分;
根据所述目标煤灰分,生成所述待检测煤炭对应的目标煤炭质量信息。
2.根据权利要求1所述的一种基于图像数据的煤炭质量检测方法,其特征在于,所述对所述目标表面图像进行自适应阈值边缘检测,得到目标纹理特征和煤炭颗粒轮廓集合,包括:
根据所述目标表面图像,确定所述目标表面图像对应的目标梯度直方图;
根据所述目标梯度直方图,确定自适应阈值边缘检测的高阈值;
将与高阈值相差预先设置的预设数值的数值,确定为自适应阈值边缘检测的低阈值;
根据高阈值和低阈值,对所述目标表面图像进行边缘检测,得到边缘图像,其中,边缘图像包括:边缘集合;
根据边缘图像,确定参考纹理特征;
根据所述目标表面图像和边缘集合,确定细小边缘特征;
根据边缘集合,确定边缘完整特征;
根据参考纹理特征、细小边缘特征和边缘完整特征,确定边缘检测效果指标;
根据边缘检测效果指标和预先设置的效果指标阈值,确定目标低阈值;
将目标低阈值对应的参考纹理特征,确定为目标纹理特征;
根据高阈值和目标低阈值,对所述目标表面图像进行边缘检测,得到煤炭颗粒轮廓集合。
3.根据权利要求2所述的一种基于图像数据的煤炭质量检测方法,其特征在于,所述根据边缘检测效果指标和预先设置的效果指标阈值,确定目标低阈值,包括:
当边缘检测效果指标大于效果指标阈值时,将低阈值,确定为目标低阈值;
当低阈值大于0,并且边缘检测效果指标小于或等于效果指标阈值时,将低阈值更新为低阈值减预设数值;
根据高阈值和更新后的低阈值,对所述目标表面图像进行边缘检测,得到更新边缘图像,其中,更新边缘图像包括:更新边缘集合;
根据更新边缘图像,确定更新参考纹理特征;
根据所述目标表面图像和更新边缘集合,确定更新细小边缘特征;
根据更新边缘集合,确定更新边缘完整特征;
根据更新参考纹理特征、更新细小边缘特征和更新边缘完整特征,确定更新边缘检测效果指标;
当更新后的低阈值大于0,并且更新边缘检测效果指标小于或等于效果指标阈值时,将更新后的低阈值作为低阈值,重复上述步骤,直至更新边缘检测效果指标大于效果指标阈值或更新后的低阈值不大于0时,停止重复;
当更新边缘检测效果指标大于效果指标阈值时,将更新后的低阈值,确定为目标低阈值;
当更新后的低阈值不大于0时,将边缘检测效果指标和所有的更新边缘检测效果指标中的最大值,确定为目标检测效果指标,将目标检测效果指标对应的低阈值,确定为目标低阈值。
4.根据权利要求2所述的一种基于图像数据的煤炭质量检测方法,其特征在于,所述根据边缘图像,确定参考纹理特征,包括:
根据边缘图像,确定参考灰度共生矩阵;
根据参考灰度共生矩阵,确定能量和逆方差;
根据能量和逆方差,确定参考纹理特征。
5.根据权利要求2所述的一种基于图像数据的煤炭质量检测方法,其特征在于,所述根据所述目标表面图像和边缘集合,确定细小边缘特征,包括:
根据所述目标表面图像,确定灰度直方图;
对所述灰度直方图进行阈值分割,得到灰度阈值;
根据灰度阈值,对所述目标表面图像进行划分,得到高亮区域集合;
根据高亮区域集合,从边缘集合中筛选出细小边缘集合;
根据高亮区域集合和细小边缘集合,确定细小边缘特征。
6.根据权利要求2所述的一种基于图像数据的煤炭质量检测方法,其特征在于,所述根据边缘集合,确定边缘完整特征,包括:
对边缘集合中的边缘进行划分,得到闭合边缘集合和非闭合边缘集合;
根据非闭合边缘集合中非闭合边缘的数量、闭合边缘集合中闭合边缘的数量和面积、闭合边缘集合中闭合边缘的面积的均值,确定边缘完整特征。
7.根据权利要求1所述的一种基于图像数据的煤炭质量检测方法,其特征在于,所述根据所述目标纹理特征和所述煤炭颗粒轮廓集合,确定所述待检测煤炭对应的煤炭颗粒度,包括:
根据所述煤炭颗粒轮廓集合,确定煤炭颗粒轮廓面积均值;
根据所述煤炭颗粒轮廓面积均值和所述目标纹理特征,确定所述煤炭颗粒度。
8.根据权利要求1所述的一种基于图像数据的煤炭质量检测方法,其特征在于,所述根据所述反射光谱曲线图、所述目标煤炭信息集合中的各个目标煤炭信息包括的样本反射光谱曲线图和样本煤灰分,从所述目标煤炭信息集合中筛选出满足相似条件的目标煤炭信息,作为相似煤炭信息,包括:
根据所述目标煤炭信息集合中的各个目标煤炭信息包括的样本煤灰分,对所述目标煤炭信息集合中的目标煤炭信息进行分类,得到目标煤炭信息类别集合;
将所述目标煤炭信息类别集合中的每个目标煤炭信息类别中的任意一个目标煤炭信息,确定为所述目标煤炭信息类别对应的煤炭代表信息,得到煤炭代表信息集合;
根据所述煤炭代表信息集合中煤炭代表信息的数量、所述煤炭代表信息集合中的各个煤炭代表信息包括的样本反射光谱曲线图,确定预先设置的波长指标集合中的每个波长指标对应的敏感度;
根据所述反射光谱曲线图和所述煤炭代表信息集合中的每个煤炭代表信息包括的样本反射光谱曲线图,确定所述煤炭代表信息对应的初始相似度;
对于所述煤炭代表信息集合中的每个煤炭代表信息,根据所述波长指标集合中的各个波长指标对应的敏感度、所述煤炭代表信息包括的样本反射光谱曲线图、所述反射光谱曲线图、所述煤炭代表信息对应的初始相似度,确定所述煤炭代表信息对应的整体相似度;
从所述煤炭代表信息集合中筛选出对应的整体相似度最大的煤炭代表信息,作为相似煤炭信息。
9.根据权利要求8所述的一种基于图像数据的煤炭质量检测方法,其特征在于,所述根据所述波长指标集合中的各个波长指标对应的敏感度、所述煤炭代表信息包括的样本反射光谱曲线图、所述反射光谱曲线图、所述煤炭代表信息对应的初始相似度,确定所述煤炭代表信息对应的整体相似度,包括:
根据所述波长指标集合,从所述煤炭代表信息包括的样本反射光谱曲线图中筛选出坐标集合,作为所述煤炭代表信息对应的目标坐标集合;
根据所述波长指标集合,从所述反射光谱曲线图中筛选出光谱坐标集合;
根据所述波长指标集合中的各个波长指标对应的敏感度、所述光谱坐标集合、所述煤炭代表信息对应的目标坐标集合和初始相似度,确定所述煤炭代表信息对应的整体相似度。
10.根据权利要求1所述的一种基于图像数据的煤炭质量检测方法,其特征在于,所述根据所述目标煤灰分,生成所述待检测煤炭对应的目标煤炭质量信息,包括:
当所述目标煤灰分大于预先设置的灰分阈值时,生成表征所述待检测煤炭质量不合格的目标煤炭质量信息;
当所述目标煤灰分小于或等于灰分阈值时,生成表征所述待检测煤炭质量合格的目标煤炭质量信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211298518.9A CN115375675B (zh) | 2022-10-24 | 2022-10-24 | 一种基于图像数据的煤炭质量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211298518.9A CN115375675B (zh) | 2022-10-24 | 2022-10-24 | 一种基于图像数据的煤炭质量检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115375675A true CN115375675A (zh) | 2022-11-22 |
CN115375675B CN115375675B (zh) | 2023-01-31 |
Family
ID=84074285
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211298518.9A Active CN115375675B (zh) | 2022-10-24 | 2022-10-24 | 一种基于图像数据的煤炭质量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115375675B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117649635A (zh) * | 2024-01-30 | 2024-03-05 | 湖北经济学院 | 狭窄水道场景影消点检测方法、***及存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090119981A1 (en) * | 2006-03-31 | 2009-05-14 | Drozd J Michael | Methods and systems for briquetting solid fuel |
JP2011213827A (ja) * | 2010-03-31 | 2011-10-27 | Nippon Steel Corp | 高炉用コークスの製造方法 |
CN108932529A (zh) * | 2018-06-28 | 2018-12-04 | 河南理工大学 | 一种图像识别法选煤过程中的可选性评定方法 |
CN112784396A (zh) * | 2019-11-08 | 2021-05-11 | 华为技术有限公司 | 一种焦炭质量预测方法、装置及*** |
CN112881306A (zh) * | 2021-01-15 | 2021-06-01 | 吉林大学 | 一种基于高光谱图像的煤炭灰分含量快速检测方法 |
CN112950632A (zh) * | 2021-04-18 | 2021-06-11 | 吉林大学 | 一种基于高光谱成像技术和卷积神经网络的煤炭质量检测方法 |
CN114202033A (zh) * | 2021-12-16 | 2022-03-18 | 国家能源集团乌海能源有限责任公司 | 一种煤炭分类方法、***及存储介质 |
CN114671214A (zh) * | 2022-05-27 | 2022-06-28 | 新风光电子科技股份有限公司 | 基于高压变频器的煤矿输送皮带调速方法 |
CN115082472A (zh) * | 2022-08-22 | 2022-09-20 | 江苏东跃模具科技有限公司 | 一种轮毂模具浇注成型产品的质量检测方法及*** |
CN115170567A (zh) * | 2022-09-07 | 2022-10-11 | 山东创乾海洋科技有限公司 | 一种船舶用的防水钢板缺陷检测方法 |
CN115222743A (zh) * | 2022-09-21 | 2022-10-21 | 山东汇智家具股份有限公司 | 基于视觉的家具表面喷漆缺陷检测方法 |
-
2022
- 2022-10-24 CN CN202211298518.9A patent/CN115375675B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090119981A1 (en) * | 2006-03-31 | 2009-05-14 | Drozd J Michael | Methods and systems for briquetting solid fuel |
JP2011213827A (ja) * | 2010-03-31 | 2011-10-27 | Nippon Steel Corp | 高炉用コークスの製造方法 |
CN108932529A (zh) * | 2018-06-28 | 2018-12-04 | 河南理工大学 | 一种图像识别法选煤过程中的可选性评定方法 |
CN112784396A (zh) * | 2019-11-08 | 2021-05-11 | 华为技术有限公司 | 一种焦炭质量预测方法、装置及*** |
CN112881306A (zh) * | 2021-01-15 | 2021-06-01 | 吉林大学 | 一种基于高光谱图像的煤炭灰分含量快速检测方法 |
CN112950632A (zh) * | 2021-04-18 | 2021-06-11 | 吉林大学 | 一种基于高光谱成像技术和卷积神经网络的煤炭质量检测方法 |
CN114202033A (zh) * | 2021-12-16 | 2022-03-18 | 国家能源集团乌海能源有限责任公司 | 一种煤炭分类方法、***及存储介质 |
CN114671214A (zh) * | 2022-05-27 | 2022-06-28 | 新风光电子科技股份有限公司 | 基于高压变频器的煤矿输送皮带调速方法 |
CN115082472A (zh) * | 2022-08-22 | 2022-09-20 | 江苏东跃模具科技有限公司 | 一种轮毂模具浇注成型产品的质量检测方法及*** |
CN115170567A (zh) * | 2022-09-07 | 2022-10-11 | 山东创乾海洋科技有限公司 | 一种船舶用的防水钢板缺陷检测方法 |
CN115222743A (zh) * | 2022-09-21 | 2022-10-21 | 山东汇智家具股份有限公司 | 基于视觉的家具表面喷漆缺陷检测方法 |
Non-Patent Citations (3)
Title |
---|
LINGLING SU等: "Research on Coal Gangue Identification by Using Convolutional Neural Network", 《2018 2ND IEEE ADVANCED INFORMATION MANAGEMENT,COMMUNICATES,ELECTRONIC AND AUTOMATION CONTROL CONFERENCE (IMCEC)》 * |
柴阿军等: "基于电煤图像分析的煤质指标检测方法", 《计算机工程与设计》 * |
王贺等: "图像处理与识别技术在煤矿矸石自动分选***中的应用研究", 《测试工具》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117649635A (zh) * | 2024-01-30 | 2024-03-05 | 湖北经济学院 | 狭窄水道场景影消点检测方法、***及存储介质 |
CN117649635B (zh) * | 2024-01-30 | 2024-06-11 | 湖北经济学院 | 狭窄水道场景影消点检测方法、***及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115375675B (zh) | 2023-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110020647B (zh) | 一种违禁品目标检测方法、装置及计算机设备 | |
Zalama et al. | Road crack detection using visual features extracted by Gabor filters | |
Amza et al. | Industrial image processing using fuzzy-logic | |
Fan et al. | A novel automatic dam crack detection algorithm based on local-global clustering | |
CN115222743B (zh) | 基于视觉的家具表面喷漆缺陷检测方法 | |
Kuo et al. | Automated defect inspection system for CMOS image sensor with micro multi-layer non-spherical lens module | |
JP7147974B2 (ja) | 金属組織の相の分類方法、金属組織の相の分類装置、金属材料の材料特性予測方法および金属材料の材料特性予測装置 | |
CN115375675B (zh) | 一种基于图像数据的煤炭质量检测方法 | |
CN116703909B (zh) | 一种电源适配器生产质量智能检测方法 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN116246174B (zh) | 基于图像处理的甘薯种类识别方法 | |
CN110889843A (zh) | 基于最大稳定极值区域的sar图像舰船目标检测方法 | |
CN105678734A (zh) | 一种图像匹配***的异源测试图像标定方法 | |
Enikeev et al. | Analysis of corrosion process development on metals by means of computer vision | |
Dai et al. | Recognition of tunnel lining cracks based on digital image processing | |
Gong et al. | An improved Canny algorithm based on adaptive 2D-Otsu and Newton Iterative | |
CN116740125A (zh) | 基于光线折射和深度学习实现透明流体可视化的检测方法 | |
CN117314826A (zh) | 一种显示屏的性能检测方法 | |
Leng et al. | On analysis of circle moments and texture features for cartridge images recognition | |
Wang et al. | A novel algorithm for ship detection in SAR images | |
CN112767365A (zh) | 一种探伤方法 | |
Zhao et al. | Spectral properties inspired image enhancement for crystalline polymer powder impurity detection | |
Wang et al. | Image segmentation method for an illumination highlight region of interior design effects based on the partial differential equation | |
CN118329887A (zh) | 芯片封装件的检测方法、装置、设备及存储介质 | |
Palchikova et al. | Analyses of DNA image cytometry uncertainty caused by diffractive blurring |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |