摘要对射线识别煤矸技术进行简要介绍对射线探测煤矸识别技术进行了模拟实验对探测的煤矸进行成像通过软件对煤矸图像进行数字化处理计算出煤矸的图像灰度值并通过实验数据统

EBZ200悬臂式远控掘进机是一种针对煤矸粉尘和瓦斯问题突出严重的煤矿综采及高档普采工作面采掘巷道、半煤岩巷道的掘进以及类似的其他矿山巷道开拓掘进而设计的新型远距离控制和自动截割成形的掘进设备,第一输送机能够在无人操控的情况下自动实现煤矿井下工作面掘进时煤矸等散状物料的快速转运。主要介绍了其结构组成和功能特点,重点介绍了各个主要部件的设计和物料输送原理。

基于改进YOLOV5s模型的煤矸目标检测 基于改进YOLOV5s模型的煤矸目标检测 基于改进YOLOV5s模型的煤矸目标检测 基于改进YOLOV5s模型的煤矸目标检测 基于改进YOLOV5s模型的煤矸目标检测 基于改进YOLOV5s模型的煤矸目标检测 基于改进YOLOV5s模型的煤矸目标检测 基于改进YOLOV5s模型的煤矸目标检测 基于改进YOLOV5s模型的煤矸目标检测 基于改进YOLOV5s模型的煤矸目标检测 基于改进YOLOV5s模型的煤矸目标检测 基于改进YOLOV5s模型的煤矸目标检测 基于改进YOLOV5s模型的煤矸目标检测 基于改进YOLOV5s模型的煤矸目标检测 基于改进YOLOV5s模型的煤矸目标检测 基于改进YOLOV5s模型的煤矸目标检测 基于改进YOLOV5s模型的煤矸目标检测 基于改进YOLOV5s模型的煤矸目标检测 基于改进YOLOV5s模型的煤矸目标检测 基于改进YOLOV5s模型的煤矸目标检测 基于改进YOLOV5s模型的煤矸目标检测 基于改进YOLOV5s模型的煤矸目标检测 基于改进YOLOV5s模型的煤矸目标检测 基于改进YOLOV5s模型的煤矸目

该压缩包中主要包含煤矸分选样本图片、测试图片、软件测试效果图片、halcon代码以及c#与halcon联合编程的工程软件代码。视觉分选所用的相机DALSA的Genie Nano M2590 NIR。 注意事项：1、halcon代码运行时注意修改图片路径。 2、运行c#与halcon联合编程代码时需保证电脑上安装有halcon12。没有相关软件可以自行下载安装halcon12。压缩包中有halcon破解版。

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；取420张图像作为实验样本，提取样本的灰度均值、峰值灰度、能量、熵、对比度、逆差矩6个特征进行统计和分析；采用粒子群优化算法(PSO)对支持向量机(SVM)的进行优化，并对分类器进行训练和分类测试。对特征分析的结果表明，灰度特征比为纹理特征具有更好的区分度；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%，结果表明以灰度特征作为输入识别效果最好。

环境适应能力强、识别精度高是有效分离煤和矸石的前提。采用双能X射线透视煤和矸石并成像，避免了粉尘、光照强度和物料表面等外界因素影响。但双能X射线探测器采集射线能量数据存在余晖效应、厚度效应和射束硬化效应等缺陷。为降低缺陷影响，提高煤和矸石识别率，提出一种联合R值图像与高、低能图像特征对煤和矸石进行多维度分析的方法。首先基于双能X射线采集系统获取高、低能图像，并利用比值法得到R值图像；然后针对所获取的三种图像，研究煤和矸石密度及灰分含量等关键物性参数与图像特征关系，据此设计特征提取方案，共计提取8个特征参量，形成一种强特征组合；最后采用Relief算法度量每个特征参量的重要性，进而设计分类试验。以不同地区肥煤、焦煤、气煤和矸石为试验对象，观察剔除权重较低的特征后，分类模型准确率，发现以特征组合[ Rc, μlc, μl, R]为输入，PSO-SVM分类模型对三种煤混合矸石识别效果最佳，识别率为99.4%。结合PSO-SVM分类模型和[ Rc, μlc, μl, R]的特征组合对肥煤、焦煤和气煤分别混合矸石进行识别验证，结果表明：肥煤混合矸石识别率为98.89%，焦煤混合矸石识别率为100

现有基于图像识别的煤矸石分拣方法实时性较差且整体分拣准确率不高，而基于密度的分拣方法适用于井下初选，成本较高。针对上述问题，设计实现了一种基于EAIDK的智能煤矸分拣系统。采用嵌入式人工智能开发平台EAIDK构建矸石识别和分拣控制硬件平台，在嵌入式深度学习框架Tengine下利用深度学习算法搭建卷积神经网络，建立端到端可训练图像检测模型，并利用智能摄像机获取的图像数据训练模型；通过手眼标定获得摄像机坐标系与机械臂坐标系之间的关系，控制机械臂进行矸石追踪和分拣。实验结果表明，该系统矸石识别准确率稳定保持在95%以上，机械臂跟踪时间小于30 ms，执行误差为1 mm左右，可以满足煤矸分拣工艺要求。