本發(fā)明屬于煤巖識別，具體涉及基于圖像深度學習的煤矸石智能分揀方法及系統(tǒng)。

背景技術(shù)：

1、本部分的陳述僅僅是提供了與本公開相關(guān)的背景技術(shù)信息，不必然構(gòu)成在先技術(shù)。

2、煤矸石分揀在礦業(yè)中具有重要的作用，通過有效分離煤炭和矸石，可以避免煤炭資源的浪費，減少矸石對環(huán)境的破壞，尤其是在堆積和填埋過程中可能產(chǎn)生的污染。同時，分揀技術(shù)還能提升煤炭產(chǎn)品的純度，改善燃料質(zhì)量，為礦業(yè)的清潔生產(chǎn)和可持續(xù)發(fā)展提供支持。

3、傳統(tǒng)煤矸石分揀主要依賴人工分揀和基于密度、硬度等物理特征的識別方式。人工分揀效率低下，容易受到工人疲勞和主觀判斷的影響，誤差較大。密度識別法通過煤與矸石的密度差異，利用液體介質(zhì)進行分離，但存在水資源浪費和成本上升等問題。硬度識別法則基于二者硬度差異，常用于井下選擇性破碎，但對破碎力及粒度要求較高。其他識別方法，如基于化學成分、導磁性、聲信號及幾何特征，雖在實驗中取得一定成效，但在實際應用中推廣有限。此外，傳統(tǒng)分揀方式伴隨較高的能耗和環(huán)境負擔，難以滿足現(xiàn)代礦業(yè)對環(huán)保和高效生產(chǎn)的要求。

4、受人工揀矸法的啟發(fā)，研究人員將自動化設(shè)備與圖像識別技術(shù)相結(jié)合，利用工業(yè)相機作為設(shè)備的“眼睛”獲取煤矸石圖像，并通過計算機作為設(shè)備的“大腦”對圖像進行處理，提取灰度、紋理等特征信息，實現(xiàn)煤矸石的自動識別。這一方法不僅有效降低了勞動強度，還大幅提升了生產(chǎn)效率。

5、然而，目前仍缺乏能夠有效應對復雜煤矸石類型的圖像識別模型，模型的識別準確性不高，同時適用于大規(guī)模生產(chǎn)的一體化智能設(shè)備也亟待優(yōu)化。此外，煤矸石智能分揀系統(tǒng)仍有待進一步完善。

技術(shù)實現(xiàn)思路

1、為克服上述現(xiàn)有技術(shù)的不足，本發(fā)明提供了基于圖像深度學習的煤矸石智能分揀方法及系統(tǒng)，能夠有序采集煤矸石圖像，并精確識別煤炭和矸石，然后根據(jù)識別結(jié)果實現(xiàn)高效的煤矸石分揀，顯著提升了分揀的精度和效率。

2、為實現(xiàn)上述目的，本發(fā)明的一個或多個實施例提供了如下技術(shù)方案：

3、第一方面，本發(fā)明提供了基于圖像深度學習的煤矸石智能分揀方法，包括：

4、獲取煤矸石的全局圖像和局部圖像；

5、對所述全局圖像和局部圖像進行預處理，得到預處理后的全局圖像和局部圖像；

6、將預處理后的局部圖像融合至全局圖像，得到融合圖像；

7、將所述融合圖像輸入至基于顏色特征注意力機制的目標檢測模型，進行煤炭和矸石的檢測識別，得到識別結(jié)果。

8、進一步的技術(shù)方案，所述預處理包括去噪、圖像增強和圖像標準化。

9、進一步的技術(shù)方案，所述將預處理后的局部圖像融合至全局圖像具體為：輸入全局圖像和局部圖像，局部圖像作為引導圖像對全局圖像進行多尺度濾波，通過在局部區(qū)域內(nèi)使用多尺度濾波，根據(jù)局部圖像確定濾波核，輸出完成濾波的全局圖像作為融合圖像。

10、進一步的技術(shù)方案，進行多尺度濾波時對輸入的全局圖像和局部圖像進行多尺度分解后濾波，所述濾波表示為：

11、

12、其中，為第級的輸出圖像的像素值，為局部圖像在第級的像素值，和為每個局部窗口內(nèi)的權(quán)重和偏移量，為當前像素的位置索引，表示為圖像的一個局部區(qū)域，是第個局部區(qū)域中所有像素或點的集合。

13、進一步的技術(shù)方案，在每個局部窗口內(nèi)，計算權(quán)重和偏移量，具體表示為：

14、，

15、其中，為局部圖像和全局圖像在級窗口內(nèi)的協(xié)方差，為局部圖像在級窗口內(nèi)的方差，是正則化參數(shù)，為全局圖像在窗口內(nèi)的均值，為局部圖像在窗口內(nèi)的均值。

16、進一步的技術(shù)方案，所述目標檢測模型為加入顏色特征提取與注意力機制的yolov5目標檢測模型，包括依次按照順序連接的特征提取器、特征融合層和檢測頭，所述特征提取器采用cspdarknet結(jié)構(gòu)，并引入基于顏色特征的注意力機制來改進cspdarknet結(jié)構(gòu)。

17、進一步的技術(shù)方案，在融合圖像輸入所述目標檢測模型之前，利用顏色直方圖從所述融合圖像的顏色通道提取顏色信息，生成特定的顏色特征圖作為注意力機制的輸入，公式表示如下：

18、

19、

20、

21、其中，、和分別是紅、綠、藍通道值為的像素數(shù)量，是指示函數(shù)，、和分別表示像素處的紅、綠、藍通道的值；

22、對每個通道的直方圖信息進行映射，生成特定的顏色特征圖：

23、

24、其中，是用于將顏色直方圖信息與像素位置相關(guān)聯(lián)的加權(quán)映射函數(shù)，表示為像素位置處的紅色通道強度經(jīng)過紅色通道的直方圖映射函數(shù)處理后的結(jié)果，表示為像素位置處的綠色通道強度經(jīng)過綠色通道的直方圖映射函數(shù)處理后的結(jié)果，表示為像素位置處的藍色通道強度經(jīng)過藍色通道的直方圖映射函數(shù)處理后的結(jié)果。

25、第二方面，本發(fā)明提供了基于圖像深度學習的煤矸石智能分揀系統(tǒng)，包括：

26、圖像采集模塊，其被配置為：獲取煤矸石的全局圖像和局部圖像；

27、圖像預處理模塊，其被配置為：對所述全局圖像和局部圖像進行預處理，得到預處理后的全局圖像和局部圖像；

28、圖像融合模塊，其被配置為：將預處理后的局部圖像融合至全局圖像，得到融合圖像；

29、目標檢測模塊，其被配置為：將所述融合圖像輸入至基于顏色特征注意力機制的目標檢測模型，進行煤炭和矸石的檢測識別，得到識別結(jié)果。

30、第三方面，本發(fā)明提供了一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，該程序被處理器執(zhí)行時實現(xiàn)如第一方面所述的基于圖像深度學習的煤矸石智能分揀方法中的步驟。

31、第四方面，本發(fā)明提供了一種計算機設(shè)備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執(zhí)行所述程序時實現(xiàn)如第一方面所述的基于圖像深度學習的煤矸石智能分揀方法中的步驟。

32、以上一個或多個技術(shù)方案存在以下有益效果：

33、本發(fā)明采用圖像融合技術(shù)，將煤矸石的全局圖像與局部圖像相融合，從而能夠提供細節(jié)豐富的煤矸石圖像信息，為后續(xù)目標檢測提供數(shù)據(jù)基礎(chǔ)?；诙喑叨确椒ㄟM行融合能夠在保留全局結(jié)構(gòu)的同時突出局部細節(jié)，使融合后的圖像在視覺上更加豐富。同時，多尺度方法通過將圖像信息分解并在多個尺度上處理，能夠有效減少單一尺度濾波在處理復雜紋理或細節(jié)豐富區(qū)域時可能會產(chǎn)生的偽影或細節(jié)損失問題，提高圖像的自然性和細節(jié)保真度。

34、本發(fā)明采用基于顏色特征注意力機制的深度學習目標檢測模型，使其能夠更有效地利用顏色信息，能夠準確識別煤炭和矸石，利用顏色特征提升了識別準確率，確保分揀過程更加精準。

35、本發(fā)明通過物料排序、圖像采集、預處理、圖像融合、目標檢測和智能分選等模塊的自動化操作，實現(xiàn)了全流程的自動化分揀，減少了人工干預，提升了生產(chǎn)效率。

技術(shù)特征：

1.基于圖像深度學習的煤矸石智能分揀方法，其特征在于，包括：

2.如權(quán)利要求1所述的基于圖像深度學習的煤矸石智能分揀方法，其特征在于，所述預處理包括去噪、圖像增強和圖像標準化。

3.如權(quán)利要求1所述的基于圖像深度學習的煤矸石智能分揀方法，其特征在于，所述將預處理后的局部圖像融合至全局圖像具體為：輸入全局圖像和局部圖像，局部圖像作為引導圖像對全局圖像進行多尺度濾波，通過在局部區(qū)域內(nèi)使用多尺度濾波，根據(jù)局部圖像確定濾波核，輸出完成濾波的全局圖像作為融合圖像。

4.如權(quán)利要求3所述的基于圖像深度學習的煤矸石智能分揀方法，其特征在于，進行多尺度濾波時對輸入的全局圖像和局部圖像進行多尺度分解后濾波，所述濾波表示為：

5.如權(quán)利要求4所述的基于圖像深度學習的煤矸石智能分揀方法，其特征在于，在每個局部窗口內(nèi)，計算權(quán)重和偏移量，具體表示為：

6.如權(quán)利要求1所述的基于圖像深度學習的煤矸石智能分揀方法，其特征在于，所述目標檢測模型為加入顏色特征提取與注意力機制的yolov5目標檢測模型，包括依次按照順序連接的特征提取器、特征融合層和檢測頭，所述特征提取器采用cspdarknet結(jié)構(gòu)，并引入基于顏色特征的注意力機制來改進cspdarknet結(jié)構(gòu)。

7.如權(quán)利要求6所述的基于圖像深度學習的煤矸石智能分揀方法，其特征在于，在融合圖像輸入所述目標檢測模型之前，利用顏色直方圖從所述融合圖像的顏色通道提取顏色信息，生成特定的顏色特征圖作為注意力機制的輸入，公式表示如下：

8.基于圖像深度學習的煤矸石智能分揀系統(tǒng)，其特征在于，包括：

9.一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，其特征在于，該程序被處理器執(zhí)行時實現(xiàn)如權(quán)利要求1-7中任一項所述的基于圖像深度學習的煤矸石智能分揀方法中的步驟。

10.一種計算機設(shè)備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，其特征在于，所述處理器執(zhí)行所述程序時實現(xiàn)如權(quán)利要求1-7中任一項所述的基于圖像深度學習的煤矸石智能分揀方法中的步驟。

技術(shù)總結(jié)
本發(fā)明公開了基于圖像深度學習的煤矸石智能分揀方法及系統(tǒng)，屬于煤巖識別技術(shù)領(lǐng)域，獲取煤矸石的全局圖像和局部圖像；對所述全局圖像和局部圖像進行預處理，得到預處理后的全局圖像和局部圖像；將預處理后的局部圖像融合至全局圖像，得到融合圖像；將所述融合圖像輸入至基于顏色特征注意力機制的目標檢測模型，進行煤炭和矸石的檢測識別，得到識別結(jié)果。采用圖像融合技術(shù)，將煤矸石的全局圖像與局部圖像相融合，從而能夠提供細節(jié)豐富的煤矸石圖像信息，并采用基于顏色特征注意力機制的深度學習目標檢測模型，能夠準確識別煤炭和矸石，利用顏色特征提升了識別準確率，確保分揀過程更加精準。

技術(shù)研發(fā)人員：許振浩,馬文,石恒,林鵬,余騰飛,李珊
受保護的技術(shù)使用者：山東大學
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/6