基于机器视觉显著特征的煤矸分类方法

摘要

针对传统煤矸分类方法无法兼顾高效、安全、环保的问题，以及深度学习方法存在数据集需求量大和不可解释性的弊端，提出了一种基于机器视觉显著特征的煤矸分类方法。通过对煤、矸石图像预处理以增强图像的特征，对煤、矸石提取的特征进行分析后，选择将灰度共生矩阵（GLCM）、定向梯度直方图（HOG）、HSV和局部二值模式（LBP）等代表性参数作为煤矸分类依据，从而构建基于分类器与特征选择算法结合的煤矸分类模型。实验结果表明，将GLCM提取的熵、同质性、能量、对比度特征、HOG特征和LBP特征作为综合特征向量输入，其用于煤矸分类的效果较好。对支持向量机（SVM）、随机森林（RF）、K-近邻（KNN）算法等分类器进行对比实验，结果显示，该特征组合与SVM分类器结合准确率达到了97.6%，效果明显优于其他机器学习方法，能够进一步提高煤矸分拣效率。

关键词

煤矸分类 / 机器视觉 / 特征选择 / 特征提取 / 图像分类

基金资助

黑龙江省省属高等学校基本科研业务费项目（2022-KYYWF-0545）