[发明专利]基于机器学习的煤矸分选识别方法、装置及设备

权利要求书

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；

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。