基于DSP與改進邊緣檢測算法的煤矸石自動分選系統(tǒng)

煤矸石是采煤過程中排放的固體廢物，是一種含碳量較低、比煤堅硬的黑灰色巖石。在煤礦生產(chǎn)過程中，矸石分選是必要環(huán)節(jié)。目前，煤與矸石的分選主要采用人工或機械分選。但人工分選有勞動強度大、效率低和影響工人健康等缺點；機械分選有嚴重污染環(huán)境、設備昂貴和精煤無法全部分選等缺點[1]。因此，需要一種先進技術分選煤塊與矸石。數(shù)字圖像處理技術是近年來發(fā)展起來的一種新型技術。本文采用高性能的數(shù)字信號處理器（DSP）作為系統(tǒng)的核心處理器來提高運算速度，研究利用數(shù)字圖像處理技術，對攝像機拍攝到的煤塊和矸石圖像進行實時處理，再根據(jù)模式識別技術，區(qū)分煤塊和矸石的圖像，實現(xiàn)了煤塊與矸石的實時自動分選。該技術降低了工人的勞動強度，減輕環(huán)境污染，提高了煤礦生產(chǎn)效率和選矸環(huán)節(jié)的智能化水平。

1 系統(tǒng)原理

煤塊與矸石具有不同的灰度與紋理。煤塊的顏色較黑，灰度級較低；矸石的顏色較淡，灰度級較高。根據(jù)煤塊與矸石的灰度分布不同，探討二者的分選問題。文獻[2]中的直方圖表示圖像中具有某種灰度級的像素的個數(shù)，反映圖像中每種灰度出現(xiàn)的概率，體現(xiàn)圖像的灰度范圍、灰度級的大致分布等情況[2]。因此，直方圖能反映出煤塊和矸石的灰度概率分布差異，即它們的灰度概率分布的均值和方差有差異。在計算機中，先保存標準樣品煤塊圖像和樣品矸石圖像的灰度概率分布的均值和方差，在識別時，將實際圖像的灰度概率分布的均值和方差與樣本相比，進而判斷出圖像是煤塊圖像或矸石圖像。圖像處理過程如圖1所示。

1.1 圖像預處理

由于煤塊與矸石自動分選系統(tǒng)工作環(huán)境的煤粉塵較大，所以光線較弱，采集的圖像清晰度較低，邊緣突出性較差。必須對采集到的圖像進行預處理，調(diào)整原始圖像的亮度和對比度，去掉系統(tǒng)在圖像采集時產(chǎn)生的脈沖噪聲和點狀噪聲，使原始圖像清晰、邊緣特征明顯，易于識別。中值濾波原理[2，3]是用一個含有奇數(shù)個像素的滑動窗口，將窗口正中點的灰度值用窗口內(nèi)各點的中值代替。用窗口在圖像f(s，t)上掃描，則中值濾波器的輸出gmedian(x，y)為：

中值濾波具有很強的消除孤立噪聲像素的能力，它不是簡單的取均值，所以產(chǎn)生的模糊較少。即在保持圖像細節(jié)的同時，能去除噪聲。因此系統(tǒng)采用中值濾波。

1.2 圖像分割

圖像分割是從圖像處理到圖像分析的關鍵一步。邊緣特征的檢測和提取的效果決定圖像識別和處理的性能。圖像邊緣反映圖像的灰度不連續(xù)性，勾劃出目標物體。通過提取煤塊圖像或矸石圖像的邊緣，確定它們的在圖像中區(qū)域位置，將它們從背景中分離出來，為下一步的特征提取和圖像識別做準備。本文在Pal.King模糊邊緣檢測算法[4-6]的基礎上改進了邊緣提取算子，使提取的圖像邊緣特征突出、信息清晰。具體算法如下：

Fd和Fe分別是倒數(shù)型和指數(shù)型模糊因子，于是，該圖像映射成模糊隸屬度矩陣。

(3)在模糊空間中采用非線性函數(shù)Tr變換，實現(xiàn)增強邊緣兩側像素灰度的對比度。

1.3 特征提取

利用改進的邊緣算子提取煤塊或矸石邊緣輪廓，將其映射到原始灰度圖像上，即得到煤塊或矸石的圖像區(qū)域。通過分析煤塊圖像或矸石圖像的灰度直方圖，可以得到它們的灰度分布曲線。比較二者得出，煤塊的灰度級較低，矸石的灰度級較高。從數(shù)學的方法看，它們的灰度概率分布的均值和方差均不同，因此通過分析各自的均值和方差便可區(qū)分煤塊或矸石。設一幅M×N圖像的灰度為f(i，j)，(i=1，2，…，M；j=1，2，…，N)，則公式（5）、（6）分別為其均值和方差[7]：

1.4 圖像識別

根據(jù)公式(5)、(6)，先計算出樣品煤塊圖像或矸石圖像的灰度概率分布的均值和方差，把它們作為標準值。在圖像識別時，通過實際的煤塊圖像或矸石圖像的處理結果與標準值的比較，便可判斷出煤塊或矸石。

2系統(tǒng)結構

煤塊與矸石的在線識別與自動分選系統(tǒng)框圖如圖2所示。其主要包括CCD攝像機、圖像采集設備、PC機、分揀設備和DSP數(shù)字圖像處理部分。

CCD攝像機從傳輸帶上采集原始的煤塊和矸石圖像，通過圖像采集設備轉化成數(shù)字信號。由于需實時地處理大量的數(shù)字圖像信號，要求系統(tǒng)具有較高的數(shù)據(jù)處理速度，所以整個系統(tǒng)采用了高性能的數(shù)字信號處理器TMS320DM642 DSP作為核心處理器來提高運算速度，進而實現(xiàn)實時地處理轉換后的數(shù)字圖像信號。通過無線通信傳輸Wi-Fi(Wireless Fidelity)技術實現(xiàn)DSP與PC機之間的信息傳輸。軟件環(huán)境用Visual C++語言編程。同時，DSP又控制分揀設備，實時地自動分選出煤塊和矸石。

3 圖像處理結果及分析

圖3(a)、圖3(b)為煤塊原始圖像和矸石原始圖像，分別對它們進行了中值濾波，其處理結果如圖3(c)、圖3(d)?？梢钥闯?，中值濾波實現(xiàn)了對灰度圖像的平滑濾波，去除了孤立小噪聲點，保證了目標物體的邊緣清晰度。既保持了圖像細節(jié)又去除了點狀噪聲。

為了分析灰度概率分布情況，必須通過邊緣提取來定位煤塊和矸石的區(qū)域位置，圖4為本文改進算法的圖像提取邊緣。從圖4可以看出，本文使用的算子提取煤塊圖像和矸石圖像的邊緣圖定位準確、細化、清晰，明顯優(yōu)于一些經(jīng)典邊緣算子的提取結果。

根據(jù)上述改進的提取算子，可得到圖像的邊緣輪廓圖，將此輪廓圖映射到原始灰度圖像上，就得到了沒有背景的煤塊圖像和矸石圖像。圖5（a）、圖5（b）分別是沒有背景的煤塊圖像和矸石圖像的直方圖。比較兩者可以看出，煤塊圖像的灰度值較小，矸石圖像的灰度值較大，正好說明了煤快的顏色較黑，矸石的顏色較灰。進一步分析其直方圖的灰度概率分布的均值和方差，由公式（5）、（6）計算可得，煤塊的均值和方差分別為62.853和395.512；矸石的均值和方差分別為85.378和605.326。與計算機中存儲的標準樣品的均值和方差相比較，便可分選出煤塊和矸石。

本文以高性能的微DSP為核心，結合數(shù)字圖像處理技術，提出了煤塊和矸石的自動分選系統(tǒng)。圖像處理結果表明，通過對原始圖像的預處理、邊緣提取和特征提取等處理，根據(jù)煤塊圖像和矸石圖像的灰度直方圖特性，再結合DSP的高速運算能力，實現(xiàn)了煤塊和矸石的實時自動分選。該技術為我國煤礦的選矸環(huán)節(jié)提供了一種新方法，提高了選矸環(huán)節(jié)的自動化水平和煤礦的生產(chǎn)效率。

參考文獻

[1] 蔣勇．數(shù)字圖像處理技術在煤矸石自動分選系統(tǒng)中的應用[D]．陜西：西安科技大學，2004．
[2] 王慧琴．數(shù)字圖像處理[M]．北京：北京郵電大學出版社，2006：98-100．
[3] 章毓晉．圖像工程(上冊)圖像處理(第2版)[M]．北京：清華大學出版社，2006：102-103．
[4] Pal，Sankar K.King，Robert A.Image enhancement using smoothing with fuzzy sets[J].IEEE Transactions on Systems，Man and Cybernetics，1981，11(7)：494-501.
[5] Pal，Sankar K King，Robert A.On edge detection of x-rayimages using fuzzy sets[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，1983，5(1)：69-77.
[6] 王爽．仿生算法在數(shù)字圖像處理中的應用研究[D]．安徽：安徽理工大學，2008．
[7] 劉富強，錢建生，王新紅，等．基于圖像處理與識別技術的煤礦矸石自動分選[J]．煤炭學報，2000，25（5）：534-537．