基于机器视觉的煤矸识别系统设计及试验研究 论文

为解决手工选煤、湿法选煤中存在的效率低下、劳动强度大、水资源耗费、环境污染等诸多问题，研究了基于机器视觉的煤矸识别方法。在实验室中搭建了试验平台，开发了MFC软件应用平台，实现了煤矸实时识别。选取山西西山、内蒙古和陕西神木的煤和矸石作为样本，建立了样本图像库，并从中取出420张图像作为实验样本。通过分析样本的灰度均值、峰值灰度、能量、熵、对比度、逆差矩这6个特征，进行统计和分析。

为了进一步提高识别准确性，研究采用了粒子群优化算法(PSO)对支持向量机(SVM)进行优化，并对分类器进行了训练和分类测试。研究结果显示，灰度特征比纹理特征具有更好的区分度。在PSO-SVM分类器测试中，以灰度、纹理、组合特征作为输入时，其识别准确率分别为95.83%、72.92%、93.75%，其中灰度特征作为输入的识别效果最佳。

如果你想深入了解PSO-SVM算法及其在不同领域的应用，可以参考以下资源：改进PSO-SVM数据回归预测、PSO-SVM分类优化算法。有关煤矸智能分选的机器视觉识别方法与优化的更多详情也可以通过这个链接获取。

对于基于视觉技术的煤岩特征分析与识别，您还可以参考这篇文章：基于视觉技术的煤岩特征分析与识别，其中包含了详细的图片展示，有助于进一步理解相关的视觉识别技术。