(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210610083.0 (22)申请日 2022.05.31 (71)申请人 东北大学 地址 110819 辽宁省沈阳市和平区文化路3 号巷11号 (72)发明人 柴天佑　黄杰　吴高昌　 (74)专利代理 机构 北京中强智尚知识产权代理 有限公司 1 1448 专利代理师 王欢 (51)Int.Cl. G06V 10/774(2022.01) G06V 10/44(2022.01) G06V 10/54(2022.01) G06V 10/56(2022.01) G06V 10/764(2022.01)G06V 10/80(2022.01) G06V 10/26(2022.01) G06N 20/00(2019.01) G01N 23/083(2018.01) (54)发明名称 基于机器学习的煤矸分选识别方法、 装置及 设备 (57)摘要 本申请公开了一种基于机器学习的煤矸分 选识别方法、 装置及设备， 可解决目前在进行煤 矸分选识别时， 误判和漏判率较高的技术问题。 包括： 获取待进行煤矸分选识别的伪双能X射线 煤矸石图像， 并将伪双能X射线煤矸石 图像剪切 为低能射线图像和高能射线图像； 基于最大类间 方差法对低能射线图像进行阈值 分割， 并依据阈 值分割结果进行连通域提取， 以确定出伪双能X 射线煤矸石图像中所包含的所有煤矸区域； 根据 低能射线图像和 高能射线图像计算每块煤矸区 域的煤矸特征， 煤矸特征包括灰度特征、 纹理特 征以及物理特征中的至少一种； 将 煤矸特征作为 特征向量输入训练完成的煤矸分选识别模型， 获 取每块煤矸区域的煤矸分选识别结果。 权利要求书2页 说明书11页 附图6页 CN 114972922 A 2022.08.30 CN 114972922 A 1.一种基于 机器学习的煤矸分选识别方法， 其特 征在于， 包括： 获取待进行煤矸分选识别的伪双能X射线煤矸石图像， 并将所述伪双能X射线煤矸石图 像剪切为低能射线图像和高能射线图像； 基于最大类间方差法对所述低能射线图像进行阈值分割， 并依据阈值分割结果进行连 通域提取， 以确定出 所述伪双能X射线煤矸石图像中所包 含的所有煤矸区域； 根据所述低能射线图像和所述高能射线图像计算每块煤矸 区域的煤矸特征， 所述煤矸 特征包括灰度特 征、 纹理特征以及物理特 征中的至少一种； 将所述煤矸特征作为特征向量输入训练完成的煤矸分选识别模型， 获取所述每块煤矸 区域的煤矸分选识别结果。 2.根据权利要求1所述的方法， 其特征在于， 所述基于最大类间方差法对所述低能射线 图像进行阈值分割， 并依据阈值分割结果进 行连通域提取， 以确定出所述伪 双能X射线煤矸 石图像中所包 含的所有煤矸区域， 包括： 根据所述低能射线图像中的像素分布， 计算所述低能射线图像中每一灰度等级下像素 值所占的比重， 基于所述每一灰度等级下像素值所占的比重迭代计算 最大类间方差； 依据所述 最大类间方差对所述低能射线图像进行阈值分割， 得到阈值分割结果； 根据所述阈值分割结果中任一当前像素与对应邻域像素的像素值， 进行连通域的标 记； 将标记完成的至少一个连通域确定为所述伪双能X射线煤矸石图像中所包含的煤矸 区 域。 3.根据权利要求1所述的方法， 其特征在于， 所述根据所述低能射线图像和所述高能射 线图像计算每块煤矸区域的煤矸特 征， 包括： 确定每块煤矸区域在所述低能射线图像中的低能像素值集合， 以及在所述高能射线图 像中的高能像素值 集合； 根据所述低能像素值集合和所述高能像素值集合计算所述每块煤矸区域的灰度均值 及灰度峰值， 将所述灰度均值及灰度峰值确定为所述每块煤矸区域的灰度特 征。 4.根据权利要求3所述的方法， 其特征在于， 所述根据所述低能像素值集合和所述高能 像素值集合计算所述每块煤矸区域的灰度均值及灰度峰值， 包括： 将所述低能像素值集合中低能像素的累加像素值确定为所述低能射线图像对应的第 一灰度均值， 将所述高能像素值集合中高能像素的累加像素值确定为所述高能射线图像对 应的第二灰度均值； 将所述低能像素值集合中低能像素的最大像素值确定为所述低能射线图像对应的第 一灰度峰值， 将所述高能像素值集合中高能像素的最大像素值确定为所述高能射线图像对 应的第二灰度峰值； 将所述第一灰度均值和所述第二灰度均值的比值确定为所述每块煤矸区域的灰度均 值， 将所述第一灰度峰值和所述第二灰度峰值的比值确定为所述每块煤矸区域的灰度峰 值。 5.根据权利要求1所述的方法， 其特征在于， 所述根据所述低能射线图像和所述高能射 线图像计算每块煤矸区域的煤矸特 征， 包括： 计算每块煤矸区域的灰度共生矩阵， 并对所述灰度共生矩阵进行归一 化处理；权　利　要　求　书 1/2 页 2 CN 114972922 A 2依据归一化处理后的灰度共生矩阵计算所述每块煤矸区域的对比度信 息， 将所述对比 度信息确定为纹 理特征。 6.根据权利要求1所述的方法， 其特征在于， 所述根据所述低能射线图像和所述高能射 线图像计算每块煤矸区域的煤矸特 征， 包括： 通过朗伯比尔定律计算每 个煤矸区域内每 个像素点的R值和Z值； 将所述每个煤矸区域内所有像素点对应R值的平均值和Z值的平均值确定为所述每块 煤矸区域的物理特 征。 7.根据权利要求1所述的方法， 其特征在于， 所述在将所述煤矸特征作为特征向量输入 训练完成的煤矸分选识别模型， 获取 所述每块煤矸区域的煤矸分选识别结果之前， 还 包括： 获取预设数量个样本伪双能X射线煤矸石图像， 并将所述样本伪双能X射线煤矸石图像 按照预设比例划分为训练集和测试集， 其中， 所述样本伪 双能X射线煤矸石图像中包含煤矸 标记数据； 确定所述训练集所包含的样本伪双能X射线煤矸石图像中每块煤矸区域的煤矸特征， 将所述每块煤矸区域的煤矸特征作为特征向量， 将所述煤矸标记数据作为特征标签， 训练 所述煤矸分选识别模型， 其中， 所述煤矸分选识别模型 是基于深度神经网络构建的； 利用所述测试集中的样本伪双能X射线煤矸石图像对所述煤矸分选识别模型进行训练 结果验证， 获取所述煤矸分选识别模型 的预测精准度， 若判断所述预测精准度大于预设阈 值， 则确定所述煤矸分选识别模型训练完成； 所述将所述煤矸特征作为特征向量输入训练完成的煤矸分选识别模型， 获取所述每块 煤矸区域的煤矸分选识别结果， 包括： 将所述灰度特征、 所述纹理特征以及所述物理特征中的至少一种输入训练完成的煤矸 分选识别模型， 得到所述伪双能X射线煤矸石图像中每块煤矸区域对应为煤块或矸石的煤 矸分选识别结果。 8.一种基于 机器学习的煤矸分选识别装置， 其特 征在于， 包括： 剪切模块， 用于获取待进行煤矸分选识别的伪双能X射线煤矸石图像， 并将所述伪双能 X射线煤矸石图像剪切为低能射线图像和高能射线图像； 提取模块， 用于基于最大类间方差法对所述低 能射线图像进行阈值分割， 并依据阈值 分割结果进行连通域提取， 以确定出所述伪双能X射线煤矸石图像中所包含的所有煤矸区 域； 计算模块， 用于根据 所述低能射线图像和所述高能射线图像计算每块煤矸区域的煤矸 特征， 所述煤矸特 征包括灰度特 征、 纹理特征以及物理特 征中的至少一种； 获取模块， 用于将所述煤矸特征作为特征向量输入训练完成的煤矸分选识别模型， 获 取所述每块煤矸区域的煤矸分选识别结果。 9.一种存储介质， 其上存储有计算机程序， 其特征在于， 程序被处理器执行时实现权利 要求1至7中任一项所述的基于 机器学习的煤矸分选识别方法。 10.一种计算机设备， 包括存储介质、 处理器及存储在存储介质上并可在处理器上运行 的计算机程序， 其特征在于， 处理器执行程序时实现权利要求1至7中任一项所述的基于机 器学习的煤矸分选识别方法。权　利　要　求　书 2/2 页 3 CN 114972922 A 3