0 引 言
煤矸分选作为煤炭开采过程中一个基本的生产环节，是提高煤炭质量的重要途径之一，煤矸识别是实现自动选煤技术的关键[1]。传统的煤矸分选方法如人工捡矸是依据煤矸表面颜色、亮度、形状等差异进行判断识别，存在劳动强度大、效率和精度低的问题[2]；射线分选是根据射线透过煤和矸石的吸收、衰减量不同进行识别，易受煤矸含水量的影响、危害工人身体健康[3]；重介质选煤法、跳汰选煤法通过煤和矸石密度差异进行煤矸分离，存在工序复杂、分选精确度低等弊端[4]。由于煤和矸石的形成方式、组成元素不同，导致其物理形状、表面性质有着较明显的差异，近年来，基于图像处理的自动化新型选煤技术，以其所具有的非接触，劳动强度低、生产率高，环境污染小等优点，受到了很多人的重视[5]。基于图像处理的煤矸识别中，煤和矸石图像特征提取的效果决定煤矸识别准确度，针对这一问题，文献[6-8]利用灰度直方图的显著差异，提取灰度特征作为区分煤与矸石的条件。文献[9-10]基于灰度共生矩阵提取煤矸图像二阶矩、对比度、熵、相关性等纹理特征参数，用于煤矸图像的自动识别。文献[11]采用差分盒维法计算煤和矸石灰度图像的分形维数，得到煤矸图像的分形维数具有明显的差异。文献[12-15]分别对煤和矸石的灰度和纹理特征进行提取分析，得到以灰度、纹理联合特征作为特征向量可以取得较高识别准确率。文献[16-19]提出局部二值模式、字典学习、小波分解、二进制十字法等煤矸图像特征提取方法，均有效提高了煤矸识别准确率。文献[20]根据煤和矸石轮廓曲线中不同的多重分形结构，采用MFDFA方法提取煤和矸石的几何特征。文献[21]提出了一种基于彩色纹理分析和多层感知神经网络的视觉分类模型，分别从HSV和YCbCr颜色空间中提取颜色纹理特征，作为MLP神经网络的输入向量。煤矿生产工况条件差，外界因素易造成煤和矸石表面信息弱化，导致煤矸图像特征难以读取和识别，针对该问题，文献[22]研究了原煤外在水分对干法选煤的影响，得到孔隙度发达的煤炭颗粒表面水分是影响干法选煤的主要因素。文献[23]对不同照度下煤和矸石的灰度、纹理特征进行研究，得到考虑照度因素后的煤矸识别正确率有一定提升。文献[24]基于Relief算法权重的特征递归对煤矸表面颜色和纹理特征进行筛选，分别对表面无煤泥干燥、湿润，覆盖干煤泥、湿煤泥4种不同工况下的煤矸样本进行识别研究。
上述对煤和矸石特征提取方法的研究中考虑到了光照、颜色等特征的影响。然而，在实际工况下，煤炭中的水分不仅降低煤炭的质量，对特征提取与煤矸识别也存在严重影响[25]。文献[23]提出了经水淋、水浸的煤矸样本会在外观上发生改变、并在一定程度上影响其特征识别，但并未对其影响规律进行研究。文献[24]仅考虑了单一表面含水量，未进行多种含水量的定量研究。原煤自身的干湿状况以及煤炭生产环境易受潮湿、雨淋、喷淋、冲洗等影响，导致煤和矸石表面含水量不同，使表面状态存在差异。目前，国内外关于水分对于煤和矸石特征提取的研究较少。本文在现有的煤矸特征提取研究的基础上，研究不同外在水分对煤和矸石特征的影响，揭示不同外在水分下煤矸图像特征的变化规律，为实际工况下基于图像的煤矸识别研究提供基础数据。
1 试验方案及样本图像获取
1.1 试验方案
依据结合状态的不同，煤中的水分有化合水和游离水2类。游离水又分内在水分和外在水分，内在水分是由植物变成煤时所含的水分，外在水分是在开采、运输等过程中附在煤表面和裂隙中的水分[26]。煤矸表面的干湿程度主要由外在水分决定，采用试验法研究不同外在水分下煤和矸石表面特征的变化规律。
试验时，在已知试验环境温度和湿度的情况下，通过浸泡对试验样本进行吸水处理，直到其含水量达到饱和状态。之后将其放置于电热恒温箱中于一定温度下进行干燥，在固定的加热时间段按照一定的先后顺序对煤和矸石样本进行图片采集。图像采集过程中对每个加热时间段的煤矸样本进行称重，并记录质量。直至质量恒定，即达到干燥状态，停止采集。
1.2 图像采集系统和试验装置
图像采集系统用于不同外在水分样本图像的采集，主要有计算机，迈德威视MV-GE502GC-T-CL型号相机、MV-LD-12-10M-J型号镜头、2盏LED光源、PD6612L型号照度计，遮光罩等。其他试验装置包括202-0SB型电热恒温箱，JM-B3002电子天平，AS105温湿度传感器。光照强度设定为3 000 LUX，采用全遮光布料遮挡，相机光圈设定为F8，感光度为8，自动对焦模式，镜头到采集平面距离设定为200 mm，图像采集系统和主要试验装置如图1所示。
图1 试验系统实物
Fig.1 Physical picture of experimental system
1.3 图像样本集的建立
试验选取韩城矿区桑树坪2号矿井，粒度大小相当的煤和矸石各200块为样本，在温度28 ℃、湿度52%RH的实验室环境下浸泡至饱和状态。样本图像采集过程中电热恒温箱温度保持60 ℃，煤和矸石样本放入恒温箱进行干燥处理，每干燥10 min采集一次图片并对样本质量进行称重。试验过程中每个样本共记录7次，对应时间为0、10、20、30、40、50、60 min。
截取煤矸样本图片具有代表的区域并进行处理，处理后的图像像素大小为200 pix×200 pix。每组共获取图片400张，煤200张，矸石200张，部分煤矸样本图片如图2所示。
图2 煤矸样本
Fig.2 Coal and gangue sample pictures
通过图2a煤样本图片可以看出，煤样本在外在水分含量较高时会反射光线，形成局部高亮度区域，图像信息比较模糊。随着干燥时间的增加，外在水分含量逐渐减少，局部高亮度区域逐渐消失；煤样本快达到干燥状态时，由于煤本身的成分表现出的反光特性，导致煤表面又出现亮纹。通过图2b矸石样本可以看出，矸石样本在外在水分含量较多时会反射光线，形成局部高亮度区域，图像信息比较模糊。加热一段时间后，外在水分含量减少，局部高亮度区域消失，表面亮度降低。由于矸石本身不具有反光特性，随加热时间的增加，外在水分不断减少，矸石样本亮度有一定的提升。
2 煤矸图像特征参数的选取
2.1 灰度特征参数
灰度特征描述图像或图像区域所对应的表面性质，煤和矸石的表面颜色有一定的区别，一般煤呈亮黑色，矸石呈灰白色，两者的灰度级有一定差别。外在水分含量不同的情况下，煤和矸石的灰度特征有相应的变化。选取在干燥状态下煤和矸石灰度区分度较高的4个参数最大频数对应的灰度值、灰度均值、方差、偏度进行灰度分析[12]。
最大频数对应的灰度值是指线性灰度直方图中频数最大时对应的灰度级。
灰度均值指一幅图像的平均灰度值，其表达式：
(1)
式中，Pj为灰度强度为j时刻对应的灰度点数量。
灰度方差σj反映一幅图像中灰度值相对均值偏离量，其表达式：
(2)
偏度ξj反映灰度直方图分布的不对称程度，其表达式为
(3)
2.2 煤矸图像纹理特征
纹理特征反映图像灰度在空间的分布情况。煤和矸石外在水分产生的倒影、反射光线形成的高亮度区域，影响成像清晰度，弱化煤矸图像的纹理特征。选取在干燥状态下煤和矸石纹理区分度较高的5个参数熵、对比度、同质性、相关性、能量进行纹理分析[12]。
熵(E)是用来描述图像包含信息量的随机性，反映图像灰度分布的复杂程度，其表达式：
(4)
式中：p(i,j)为灰度共生矩阵中的元素值；L为灰度级。
对比度(C)是用来度量灰度共生矩阵中的元素值的分布以及图像中的局部变化，反映图像的清晰度和纹理沟纹的深浅程度，其表达式：
(5)
同质性(H)是用来描述图像纹理局部变化的多少，其表达式：
(6)
相关性(R)是用来度量图像的灰度级在行或列方向上的相似程度，反映图像局部区域的灰度相关性，其表达式：
(7)
其中，ui和uj为共生矩阵的均值(Mean)；i,j为像素点。
(8)
(9)
σi和σj为共生矩阵的标准差：
(10)
(11)
能量(Q)是用来描述图像纹理的灰度变化稳定程度，反映图像灰度分布均匀情况和纹理的粗细程度，其表达式为
(12)
3 不同水分煤矸图像特征分析
3.1 含水率计算
本试验采用温箱干燥法改变样本含水量，水分含量与加热时间及质量变化相关。试验中测得所有煤、矸样本7个不同干燥时刻的质量并由式(13)计算外在含水率。
(13)
式中：MFj为第j块样本的外在含水率，%；mji为第j块样本第i个时间段纪录的质量，g；mj为干燥后第j块样本恒定质量，g。
分别计算所有煤、矸石样本在7个时间段的平均外在含水率，见表1，拟合得到含水率与干燥时间的关系曲线如图3所示。
表1 煤、矸样本含水率
Table 1 Coal and gangue moisture content
加热时间/min0102030405060煤含水率/%1.090.630.350.190.090.020矸石含水率/%1.010.480.280.150.070.010
图3 煤矸样本含水率与干燥时间的关系曲线
Fig.3 Moisture content and drying time relation curve
图3中随加热时间的增加，煤和矸石的含水率不断下降，且下降速率逐渐减少，呈现负指数幂函数变化趋势。
3.2 灰度特征分析
分别对7种不同外在水分含量下煤和矸石样本图像的最大频数对应的灰度值、灰度均值、方差、偏度4个灰度特征参数进行提取，参数值见表2，其随外在含水率的变化规律如图4所示。
表2 煤矸样本灰度特征参数分布范围
Table 2 Distribution range of grayscale feature parameters
含水率/%样本最大频数对应的灰度值灰度均值方差偏度0煤28.0～86.036.1～95.87.4～46.69.2～57.60矸石45.0～97.050.0～97.75.0～20.52.8～23.50.02煤25.0～117.036.9～109.87.2～46.99.3～57.40.01矸石47.0～101.048.6～101.44.8～22.80.6～26.70.09煤23.0～93.033.9～111.710.3～50.610.4～46.90.07矸石40.0～99.047.0～97.14.6～18.22.2～27.80.19煤23.0～123.029.3～112.87.1～48.65.4～56.00.15矸石37.0～118.041.4～115.54.8～20.52.0～25.00.35煤17.0～101.023.0～116.58.8～56.310.0～53.50.28矸石35.0～95.036.2～100.44.7～21.52.2～19.70.63煤14.0～121.021.4～116.28.3～49.14.8～49.360.48矸石25.0～96.030.4～90.14.9～25.02.1～26.71.09煤12.0～120.021.3～104.011.7～43.89.2～43.21.01矸石19.0～177.020.7～92.24.1～38.02.8～33.7
图4反映了煤和矸石样本灰度特征参数随外在含水率增加的变化规律。从图4a可见，含水率小于0.2%时，煤和矸石最大频数对应的灰度值基本保持稳定，随着含水率的增加，两者逐渐下降，且矸石下降速率比煤大。从图4b可见，煤和矸石的灰度均值随着含水率的增加逐渐减少，含水率大于0.2%时下降速率增大，两者之间变化无明显差异。从图4c可见，煤的含水率小于0.63%时，方差平缓下降，之后随含水率的增加平缓上升。矸石的含水率小于0.48%时，方差基本保持稳定，之后逐渐上升。图4d中煤和矸石的偏度与图4c方差的变化趋势基本一致。
图4中各特征参数变化趋势反映出外在含水率较低时，煤和矸石亮度变化及灰度波动保持稳定。含水率较高时，煤的灰度特征参数变化幅度比矸石小；煤的亮度提升慢、灰度波动小，受外在水分含量变化的影响较小；矸石的亮度提升快，灰度波动大，受外在水分含量变化的影响较大。
图4 煤和矸石灰度特征参数变化曲线
Fig.4 Coal and gangue grayscalefeature parameter curves
3.3 纹理特征分析
分别对7种不同外在水分含量下煤和矸石样本图像的熵、对比度、同质性、相关性、能量5个纹理特征参数进行提取，参数值见表3，其随外在含水率的变化规律如图5所示。
表3 煤矸样本纹理特征参数分布范围
Table 3 Distribution range of texture feature parameters
含水率/%样本熵对比度同质性相关性能量0煤0.7～17.52.2～5.50.4～0.80.4～0.90～0.20矸石0.4～4.41.8～3.90.6～0.80.2～0.90～0.30.02煤0.6～19.72.2～5.40.4～0.80.5～0.90～0.20.01矸石0.4～3.91.8～3.90.6～0.80.2～0.90～0.30.09煤0.9～17.22.6～5.50.4～0.70.5～0.90～0.10.07矸石0.4～4.41.7～3.90.6～0.80.2～0.90～0.30.19煤0.6～20.02.2～5.60.4～0.80.5～0.90～0.20.15矸石0.3～3.91.8～3.80.6～0.90.2～1.00～0.30.35煤1.0～17.52.4～5.70.4～0.80.5～0.90～0.20.28矸石0.3～4.21.7～3.60.6～0.90.3～1.00～0.30.63煤0.6～14.72.2～5.40.4～0.80.5～0.90～0.30.48矸石0.3～5.21.8～4.30.5～0.90.3～1.00～0.31.09煤1.5～14.72.5～5.30.4～0.80.6～0.90～0.21.01矸石0.2～9.31.1～4.80.4～0.90.3～0.90～0.6
图5反映了表面干燥的煤和矸石样本纹理特征参数随外在含水率增加的变化规律。
从图5a可见，煤在含水率小于0.2%时，熵有小幅上下波动，之后随含水率增加平缓下降，大于0.63%后平缓上升；矸石在含水率小于0.48%时，熵基本保持不变，大于0.48%后随含水率的增加，熵不断上升。从图5b中煤和矸石的对比度与图5a熵的变化趋势基本一致。从图5c可见，煤、矸的同质性在含水率不高时，均为缓慢上升，煤在含水率大于0.63%、矸石在大于0.48%时，开始呈较为明显下降，且矸石下降速率高于煤。从图5d可见，随着含水率的增加，煤和矸石的相关性均无明显变化。从图5e可见，煤随着含水率的增加，能量变化不大。矸石的含水率小于0.1%左右时，能量有所上升，之后随着含水率的增加，能量逐渐下降。
图5a—图5c、图5e特征参数变化趋势反映出外在含水率较小时，煤和矸石的纹理比较清晰稳定。含水率较高时，煤的纹理特征参数变化幅度比矸石小；其中煤的纹理清晰、均匀程度比较稳定，受外在水分含量变化的影响较小；矸石的纹理清晰、均匀程度变化较大，受外在水分含量变化的影响较大。图5d相关性受外在水分影响小。
图5 煤和矸石纹理特征参数曲线
Fig.5 Coal and gangue texture feature parameter curves
4 煤矸图像特征参数偏差分析
基于图像特征参数的煤、矸石识别，了解二者特征参数的差异情况，是准确识别的基础。由于在相同条件下煤和矸石的含水率变化不同，通过分析各干燥时间下煤、矸图像特征参数差异情况，可了解整个干燥过程中煤和矸石外在水分变化对图像特征参数偏差值的影响。将煤和矸石以上9个特征参数中每个相同参数作为一个组，共9个特征分组，将每个特征分组的特征值按照相等的干燥时间段分别归一化至[0，1]。特征参数归一化表达式：
(14)
式中:fXi(W)为归一化后的X特征分组第i个干燥时间的特征值，其中X表示不同特征参数，i取值范围为0～6；WXi为X特征分组中的第i个干燥时间的特征值；WX，max和WX，min分别为X特征分组中的最大和最小特征值，其中WX，max=max(Xic,Xig)，WX，min=min(Xic,Xig)，Xic，Xig分别为X特征分组中第i个时间所有煤和矸石的特征值。
归一化特征偏差为X特征分组中第i个干燥时间煤与矸石特征参数均值差的绝对值，偏差值越大表示煤和矸石的区分度越大，反之越小。计算式：
ΔXi=|mean[fXic(W)]-mean[fXig(W)]|
(15)
式中:ΔXi为X特征分组中第i个干燥时间煤和矸石特征偏差值;fXic(W)，fXig(W)分别为归一化后X特征分组第i个干燥时间下煤、矸的特征值。
不同干燥时间下的归一化灰度、纹理特征参数偏差如图6所示。
图6 归一化煤矸图像特征参数偏差变化曲线
Fig.6 Normalized feature deviation of coal and gangue images
从图6a中可看出，随着干燥时间的增加，即含水率不断减少，煤和矸石4种灰度特征参数的偏差值Δ均呈上升的趋势。在干燥时间20 min以内，即煤和矸石含水率大于大约0.28%时，偏度、方差、最大频数对应的灰度值的Δ值有较大上升，均值基本保持不变；之后随着干燥时长增加，含水率逐渐减小，煤和矸石灰度参数的Δ值上升过程趋于平缓。在0～60 min试验过程中，煤和矸石灰度特征Δ值由大到小波动范围：方差在0.16～0.40，最大波动量为0.24；偏度在0.22～0.39，最大波动量为0.17；最大频数对应的灰度值在0.12～0.23，最大波动量为0.11；均值在0.01～0.08，最大波动量为0.07。其中偏度的Δ值相对较大，其次是方差和最大频数对应的灰度值，灰度均值最小。
从图6b中可看出，随着干燥时间的增加，即含水率不断减少，煤和矸石纹理特征参数对比度、同质性和能量偏差值Δ均有上升的趋势。在干燥时间10 min以内，即煤和矸石的含水率大于大约0.48%时，对比度、同质性、能量的Δ值上升速率较大，之后随着含水率逐渐减少，上升过程逐渐平缓；熵的Δ值整体变化基本保持平稳；煤和矸石的含水率大于大约0.28%时，相关性的Δ值上下波动，之后随着含水率的减少趋于平稳。在0～60 min的试验过程中，煤和矸石纹理特征Δ值由大到小波动范围：对比度在0.17～0.47，最大波动量为0.30；同质性在0.18～0.48，最大波动量为0.30；能量在0.09～0.35，最大波动量为0.26；相关性在0.01～0.12，最大波动量为0.11；熵在0.25～0.32，最大波动量为0.07。其中对比度和同质性Δ值较大，其次是熵和能量，相关性最小。
5 结 论
1)煤和矸石图像的特征参数随含水率的增加呈现不同的变化规律。煤和矸石最大频数对应的灰度值、灰度均值均随含水率的增加呈逐渐下降势态，相关性均基本保持不变；方差、偏度、熵、对比度4个参数，煤和矸石在含水率较高时均呈上升趋势，煤变化相对平缓，矸石在含水率接近0.5%时出现明显上升。煤和矸石的同质性和能量在含水率大于30%左右时均呈下降趋势，矸石下降幅度较大。
2)煤和矸石各特征参数在含水率较低时，均变化相对稳定。在含水率较高时，矸石的灰度、纹理特征参数的变化相对于煤更加明显，可见其图像特征受外在水分含量变化的影响比煤大。
3)煤与矸石图像9个特征参数的偏差值均受含水率变化的影响。灰度特征中受含水率的影响最大的是方差，最小的是均值。在整个含水率变化区间，煤与矸石的偏差较大的参数是偏度，其次是方差、最大频数对应的灰度值，灰度均值最小；纹理特征中受含水率的影响最大的是对比度和同质性，最小的是熵。在整个含水率变化区间，煤与矸石的偏差较大的参数是对比度和同质性，其次是熵和能量，相关性最小。
[1] 余 乐,郑力新,杜永兆,等. 采用部分灰度压缩扩阶共生矩阵的煤和煤矸石图像识别[J]. 华侨大学学报(自然科学版),2018,39(6):906-912.
YU Le, ZHENG Lixin, DU Yongzhao，et al. Image recognition of coal and coal gangue based on partion grayscale compression extended coexistence matrix[J]. Journal of Huaqiao University (Natural Science),2018,39(6):906-912.
[2] 曹现刚,费佳浩,王 鹏,等. 基于多机械臂协同的煤矸分拣方法研究[J]. 煤炭科学技术,2019,47(4):7-12.
CAO Xiangang, FEI Jiahao, WANG Peng,et al. Study on coal-gangue sorting method based on multi-manipulator collaboration[J]. Coal Science and Technology,2019,47(4):7-12.
[3] 曾翰林. 基于图像处理的煤矸识别技术研究[D]. 唐山：华北理工大学,2015.
ZENG Hanlin. Research on recognition technology of coal and gangue based on image processing[D].Tangshan:North China University of Science and Technology,2015.
[4] 洪惠超. 基于机器视觉的煤矸石分选算法的研究[D]. 泉州：华侨大学,2018.
HONG Huichao. Study of selection algorithm of waste rock from coal bulk based on machine vision[D].Quanzhou:Huaqiao University,2018.
[5] 刘富强,钱建生,王新红,等. 基于图像处理与识别技术的煤矿矸石自动分选[J]. 煤炭学报,2000,15(5):534-537.
LIU Fuqiang, QIAN Jiansheng, WANG Xinhong,et al. Automatic separation of waste rock in coal mine based on image procession and recognition[J]. Journal of China Coal Society, 2000,15(5):534-537.
[6] 苏宝金,陈 波,贺靖峰,等. 煤与矸石灰度直方图的差异研究[J]. 洁净煤技术,2011,17(6):96-98.
SU Baojin, CHEN Bo, HE Jingfeng,et al. Research on the automatic identification technology of the coal and gangue based on density histogram[J]. Clean Coal Technology,2011,17(6):96-98.
[7] XU J, WANG F W. Study of automatic separation system of coal and gangue by IR image recognition technology[J]. Advances in Automation and Robotics,2011(2):87-92.
[8] 于国防,邹士威,秦 聪.图像灰度信息在煤矸石自动分选中的应用研究[J]. 工矿自动化,2012,38(2):36-39.
YU Guofang, ZOU Shiwei, QIN Cong. Application research of image gray information in automatic separation of coal and gangue[J]. Industry and Mine Automation,2012,38(2):36-39.
[9] 何 敏,王培培,蒋慧慧. 基于SVM和纹理的煤和煤矸石自动识别[J]. 计算机工程与设计,2012,33(3):1117-1121.
HE Min, WANG Peipei, JIANG Huihui. Recognition of coal and stone based on SVM and texture[J]. Computer Engineering and Design,2012,33(3):1117-1121.
[10] 吴开兴,宋 剑. 基于灰度共生矩阵的煤与矸石自动识别研究[J]. 煤炭工程,2016,48(2):98-101.
WU Kaixing, SONG Jian. Automatic coal-gangue identification based on gray level co-occurrence matrix[J]. Coal Engineering, 2016,48(2):98-101.
[11] 陈雪梅,张 晞,徐莉莉,等. 煤与矸石分形维数的差异研究[J]. 煤炭科学技术,2017,45(7):196-199.
CHEN Xuemei, ZHANG Xi, XU Lili,et al. Study on fractal dimension differences of coal and rock[J]. Coal Science and Technology,2017,45(7):196-199.
[12] 李 曼,段 雍,曹现刚,等. 煤矸分选机器人图像识别方法和系统[J]. 煤炭学报,2020,45(10):3636-3644.
LI Man, DUAN Yong, CAO Xiangang,et al. Image identification method and system for coal and gangue sorting robot[J]. Journal of China Coal Society,2020,45(10):3636-3644.
[13] LI M, DUAN Y, HE XL,et al. Image positioning and identification method and system for coal and gangue sorting robot[J]. International Journal of Coal Preparation and Utilization,2020(4):1-19.
[14] 谭春超,杨洁明. 煤与矸石图像灰度信息和纹理特征的提取研究[J]. 工矿自动化,2017,43(4):27-31.
TAN Chunchao, YANG Jieming. Research on extraction of image gray information and texture features of coal and gangue image[J]. Industry and Mine Automation,2017,43(4):27-31.
[15] LI M, SUN K K. An image recognition approach for coal and gangue used in pick-up robot[J]. 2018 IEEE International Conference on Real-time Computing and Robotics(RCAR), 2018:501-507.
[16] 米 强,徐 岩,刘 斌,等. 煤与矸石图像纹理特征提取方法[J]. 工矿自动化,2017,43(5):26-30.
MI Qiang, XU Yan, LIU Bin,et al. Extraction method of texture fea-ture of images of coal and gangue[J]. Industry & Mine Automation,2017,43(5):26-30.
[17] 伍云霞,田一民. 基于字典学习的煤岩图像特征提取与识别方法[J]. 煤炭学报,2016, 41(12):3190-3196.
WU Yunxia, TIAN Yimin. Method of coal-rock image feature extrac-tion and recognition based on dictionary learning[J]. Journal of China Coal Society,2016,41(12):3190-3196.
[18] 孙继平,佘 杰. 基于小波的煤岩图像特征抽取与识别[J]. 煤炭学报,2013,38(10):1900-1904.
SUN Jiping, SHE Jie. Wavelet-based coal-rock image feature extraction and recognition[J]. Journal of China Coal Society, 2013,38(10):1900-1904.
[19] 孙继平,杨 坤.一种煤岩图像特征提取与识别方法[J]. 工矿自动化,2017,43(5):1-5.
SUN Jiping, YANG Kun. A coal-rock image feature extraction and recognition method[J]. Industry and Mine Automation, 2017, 43(5):1-5.
[20] LIU K, ZAHNG X, CHEN Y Y. Extraction of coal and gangue geometric features with multifractal detrending fluctuation analysis[J]. Applied Sciences,2018, 8(3):463.
[21] TRIPATHY D P, Guru Raghavendra Reddy K. Novel methods for separation of gan-gue from limestone and coal using multispectral and joint color-texture features[J]. Journal of The Institution of Engineers (India):Series D, 2017, 98(1):109-117.
[22] 王新华, 夏云凯. 原煤水分对干选效果的影响[J]. 煤炭加工与综合利用,2019(11):41-45,48.
WANG Xinhua, XIA Yunkai. Influence of raw coal moisture on dry cleaning[J]. Coal Processing & Comprehensive Utilization, 2019(11):41-45,48.
[23] 王家臣,李良晖,杨胜利. 不同照度下煤矸图像灰度及纹理特征提取的实验研究[J]. 煤炭学报,2018,43(11):3051-3061.
WANG Jiachen, LI Lianghui, YANG Shengli. Experimental study on gray and texture features extraction of coal and gangue image under different illuminance[J]. Journal of China Coal Society,2018, 43(11):3051-3061.
[24] 沈 宁,窦东阳,杨 程,等. 基于机器视觉的煤矸石多工况识别研究[J]. 煤炭工程,2019(1):120-125.
SHEN Ning, DOU Dongyang, YANG Cheng,et al. Research on multi-condition identification of gangue based on machine vision[J]. Coal Engineering,2019(1):120-125.
[25] 刘新慧,吴燕萍. 煤炭水分问题对煤质管理的影响[J]. 内蒙古煤炭经济,2015(2):131-132.
LIU Xinhui, WU Yanping. The influence of coal moisture problem on coal quality management[J]. Inner Mongolia Coal Economy, 2015(2):131-132.
[26] 张菊军. 煤水分快速测量方法研究[D].北京：华北电力大学(北京),2006.
ZHANG Jujun. The method of measuring the moisture in the coal[D].Beijing:North China Electric Power University(Beijing)，2006.
