机器视觉驱动的煤矸高效识别系统：实验与性能优化

本文主要探讨了基于机器视觉的煤矸识别系统的设计及其试验研究，针对手工选煤和湿法选煤过程中存在的效率低、劳动强度大、水资源消耗和环境污染等问题，提出了一种创新的解决方案。研究者首先在实验室搭建了试验平台，利用Microsoft Foundation Class (MFC)软件开发了一个应用平台，实现了对煤矸的实时识别。 实验中，研究者选择了山西西山、内蒙古和陕西神木的煤和矸石作为样本，构建了丰富的样本图像库，共计420张图片用于后续的特征提取和分析。他们关注了灰度均值、峰值灰度、能量、熵、对比度和逆差矩六个关键特征，通过统计和分析来评估这些特征在区分煤和矸石上的有效性。 进一步地，研究者采用了粒子群优化算法(PSO)来优化支持向量机(SVM)模型，这是一种强大的机器学习工具。PSO-SVM分类器在不同的特征输入下进行了训练和测试，结果显示，灰度特征的表现优于纹理特征，其识别准确率高达95.83%。当灰度特征与纹理特征以及它们的组合特征作为输入时，灰度特征输入下的识别准确率最高，达到了93.75%。 这项研究不仅提高了煤矸识别的精度和效率，还有助于减少劳动力需求，节约水资源，并减轻环境污染。它对于提升煤炭选煤行业的自动化水平和技术含量具有重要意义。此外，研究还强调了特征选择在机器视觉识别中的关键作用，以及粒子群优化算法在优化机器学习模型中的应用价值。 总结来说，该研究为煤矸识别技术提供了一种有效且精确的方法，为煤炭工业的可持续发展和环境保护提供了技术支持。其研究成果发表在《煤炭工程》杂志上，对于相关领域的研究人员和实践者具有较高的参考价值。