程剛 潘擇燁 魏溢凡 陳杰

文章編號：1671?251X（2024）04?0069?09 ?DOI：10.13272/j.issn.1671-251x.2023100086

摘要：基于重介選煤、跳汰選煤、浮選、干法選煤、γ射線檢測法的煤矸分選方法投資成本高、分選效率低、環(huán)境污染嚴(yán)重，基于 CCD相機(jī)的煤矸分選方法準(zhǔn)確率不高，基于 X 射線的煤矸分選技術(shù)會(huì)危害工作人員的健康。紅外熱成像技術(shù)不受光照、粉塵影響，且不會(huì)對人體造成傷害。提出了一種基于紅外熱成像的煤矸識(shí)別方法。首先，煤和矸石在傳送帶的輸送下經(jīng)過加熱區(qū)域，紅外熱成像儀監(jiān)測經(jīng)均勻加熱后的煤和矸石中心點(diǎn)的溫度，得到煤和矸石加熱后的溫度并對經(jīng)加熱區(qū)域均勻加熱后的煤和矸石進(jìn)行拍攝，得到煤和矸石的紅外灰度圖像和紅外彩色圖像。然后，選用高斯濾波對煤和矸石的紅外灰度圖像、紅外彩色圖像進(jìn)行預(yù)處理并提取特征，將紅外灰度圖像的灰度均值、最大頻數(shù)對應(yīng)的灰度值特征和紅外彩色圖像的 G 通道一階矩、G 通道二階矩特征作為分選特征，將上述4個(gè)特征作為分類模型的輸入。最后，采用支持向量機(jī)（SVM）進(jìn)行分類識(shí)別，從而達(dá)到識(shí)別煤和矸石的目的。實(shí)驗(yàn)結(jié)果表明：基于紅外熱成像的煤矸識(shí)別方法對煙煤、無煙煤、褐煤的分選準(zhǔn)確率均達(dá)到了98%以上，有良好的分類效果。

關(guān)鍵詞：煤矸識(shí)別；紅外熱成像；紅外灰度圖像；紅外彩色圖像；灰度均值；SVM；圖像預(yù)處理中圖分類號：TD67 ?文獻(xiàn)標(biāo)志碼：A

Research on coal gangue recognition method based on infrared thermal imaging

CHENG Gang1， PAN Zeye2， WEI Yifan2， CHEN Jie2

（1. State Key Laboratory of Mining Response and Disaster Prevention and Control in Deep Coal Mines， AnhuiUniversity of Science and Technology， Huainan 232001， China；2. School of Mechanical and Electrical Engineering，Anhui University of Science and Technology， Huainan 232001， China）

Abstract： Coal and gangue sorting methods based on heavy-medium coal selection technology， jigging technology， flotation technology， dry coal selection technology and γ-ray detection method have high investment costs， low sorting efficiency and serious environmental pollution. The accuracy of the coal gangue sorting method based on CCD cameras is not high， and the X-ray based coal gangue sorting technology can harm the health of personnel. Infrared thermal imaging technology has the advantage of being unaffected by light and dust， and will not cause harm to the human body. A coal gangue recognition method based on infrared thermal imaging has been proposed. Firstly， coal and gangue pass through the heating area under the conveyor belt， and the temperature of the center point of coal and gangue is monitred through an infrared thermal imager to obtain the temperature of the heated coal and gangue. The infrared thermal imager is used to capture the uniformly heated coal and gangue in the heating area， obtaining infrared grayscale and color images of the coal and gangue. Secondly， Gaussian filtering is used to preprocess and extract features from the infrared grayscale images and infrared color images ofcoal and gangue. The grayscale mean of the infrared grayscale image， the grayscale value feature corresponding to the maximum frequency， and the G-channel first-order moment and G-channel second-order moment features of the infrared color image are used as sorting features. The above four features are used as inputs for the classification model. Finally， support vector machine （SVM） is used for classification and recognition to achieve the goal of recognizing coal and gangue. The experimental results show that the coal gangue recognition method based on infrared thermal imaging has achieved an accuracy rate of over 98% for the sorting of bituminous coal， anthracite， and lignite， and has a good classification effect.

Key words： coal gangue recognition; infrared thermal imaging; infrared grayscale image; infrared color images; grayscale mean; SVM; image preprocessing

0引言

煤炭是我國最主要的能源之一，并被譽(yù)為“工業(yè)之糧”，為我國的經(jīng)濟(jì)增長提供了堅(jiān)實(shí)的后盾，因此國家高度重視并鼓勵(lì)煤炭資源的環(huán)保使用[1-2]。矸石是一種在采煤過程中與煤一起開采出來的伴生產(chǎn)物，如果不將煤中的矸石分選出來，矸石的燃燒過程會(huì)釋放出眾多的有毒有害氣體（CO，H2S，SO2等），造成巨大的污染，并破壞居民的生活環(huán)境，損害人體健康[3-4]，不符合國家對煤炭資源清潔利用的要求。因此，在實(shí)際生產(chǎn)中需對煤和矸石進(jìn)行分選。傳統(tǒng)的人工分選方法勞動(dòng)量大，分選效率較低，已逐漸被淘汰[5-7]。目前，煤和矸石分選方法主要有重介選煤、跳汰選煤、浮選、干法選煤、γ射線檢測法等，普遍存在投資成本高、分選效率低、環(huán)境污染嚴(yán)重等問題[8]。伴隨著機(jī)器視覺和圖像處理技術(shù)的飛速進(jìn)步，國內(nèi)外研究人員通過 CCD 相機(jī)獲得煤和矸石的可見光圖像，用機(jī)器視覺和圖像處理技術(shù)相結(jié)合的方法對煤和矸石進(jìn)行分選。王家臣等[9]探究了煤和矸石在不同照度下的響應(yīng)特性，對煤和矸石可見光圖像的灰度、紋理特征進(jìn)行了提取，以支持向量機(jī)（Support Vector Machine，SVM）模型對煤和矸石進(jìn)行識(shí)別，正確率達(dá)98.39%。吳開興等[10]利用灰度共生矩陣描述煤矸紋理特征，并用 SVM 進(jìn)行識(shí)別。上述研究主要涉及對可見光圖像特征的提取，但井下工況復(fù)雜，且存在因煤矸揚(yáng)起的粉塵，CCD 相機(jī)獲得的煤和矸石可見光圖像質(zhì)量不高，進(jìn)而分選率較低。隨著光電技術(shù)的不斷進(jìn)步，X 射線在煤矸分選領(lǐng)域得到了廣泛研究和應(yīng)用。郭永存等[11]利用雙能 X 射線技術(shù)對煤和矸石進(jìn)行透射和成像，提出了一種結(jié)合 R 值圖像和高低能圖像特征來進(jìn)行煤和矸石多維度分析的方法，能夠?qū)Σ煌拿悍N實(shí)現(xiàn)較高的識(shí)別準(zhǔn)確率。王文鑫等[12]提出一種 X 射線透射煤矸智能識(shí)別方法，提取煤矸圖像灰度特征和紋理特征，采用多層感知機(jī)（Multilayer Perceptron，MLP）模型實(shí)現(xiàn)煤矸識(shí)別。上述煤矸分選方法均能達(dá)到良好的分選效果，但 X 射線會(huì)對工作人員的健康帶來傷害。

紅外熱成像技術(shù)[13]具有不受光照、粉塵影響的特點(diǎn)，且不會(huì)對人體造成傷害，在發(fā)電[14]、冶煉礦物[15]、綠色環(huán)保[16]、煤巖界面識(shí)別[17-19]等領(lǐng)域廣泛應(yīng)用。本文提出一種基于紅外熱成像的煤矸識(shí)別方法?？紤]煤和矸石在室溫下表面溫度接近，導(dǎo)致它們在紅外圖像中沒有較大差異，將煤和矸石在傳送帶的輸送下依次經(jīng)過加熱區(qū)域，由紅外熱成像儀對煤和矸石進(jìn)行拍攝，得到煤和矸石加熱后的紅外圖像，對紅外圖像進(jìn)行預(yù)處理并提取特征，采用 SVM 進(jìn)行分類識(shí)別，達(dá)到識(shí)別煤和矸石的目的。

1平臺(tái)搭建及實(shí)驗(yàn)原理

1.1實(shí)驗(yàn)平臺(tái)搭建

為了獲取煤和矸石加熱后的紅外圖像，搭建了煤矸識(shí)別紅外熱成像實(shí)驗(yàn)裝置，如圖1所示。

實(shí)驗(yàn)裝置由計(jì)算機(jī)、紅外熱成像儀、加熱區(qū)域、傳送帶、帶速控制器、控溫器組成。紅外熱成像儀在監(jiān)測物體表面溫度和實(shí)時(shí)熱成像的同時(shí)，可獲取物體的紅外灰度圖像及各種色彩模板下的紅外偽彩色圖像。本實(shí)驗(yàn)使用的紅外熱成像儀的紅外響應(yīng)波段為8～14μm，測溫范圍為?40～400℃， 紅外熱成像儀的紅外分辨率為320×240。加熱區(qū)域由3盞碳纖維加熱燈組成。加熱區(qū)域和紅外熱成像儀通過鋼架固定在傳送帶上方，加熱區(qū)域距離傳送帶的高度為20 cm，紅外熱成像儀距離傳送帶的距離為50 cm，通過數(shù)據(jù)線與計(jì)算機(jī)相連，控溫器和帶速控制器固定在傳送帶一側(cè)。控溫器帶有測溫探頭，可控制加熱區(qū)域溫度。加熱區(qū)域的溫度越高，煤和矸石加熱后的紅外圖像特征差異越明顯，但考慮到實(shí)驗(yàn)室的具體條件限制及真實(shí)的井下環(huán)境，過高的溫度可能帶來安全隱患，因此本實(shí)驗(yàn)加熱區(qū)域的溫度通過控溫器控制在70℃。煤炭的燃點(diǎn)因煤炭的種類不同而有所不同，但基本都在300℃以上，加熱區(qū)域的溫度為70℃， 遠(yuǎn)遠(yuǎn)沒有達(dá)到煤炭的燃點(diǎn)，可避免引燃風(fēng)險(xiǎn)。傳送帶的速度為0.06 m/s，保持恒定。

1.2實(shí)驗(yàn)原理

自然界中任何表面溫度高于絕對零度的物體都會(huì)向周圍環(huán)境輻射電磁波，波長介于0.75～1000μm 的電磁波被稱為紅外線[20]。紅外熱成像技術(shù)主要是探測物體表面的紅外輻射能量，以獲得物體表面的溫度。紅外熱成像技術(shù)基于斯蒂芬?玻耳茲曼定律，該定律指出，物體單位面積在單位時(shí)間內(nèi)的熱輻射能量為

J =σεT4 ????（1）

式中：σ為斯蒂芬?玻耳茲曼常數(shù)；ε為物體表面發(fā)射率；T為物體的熱力學(xué)溫度。

根據(jù)斯蒂芬?玻耳茲曼定律可知，物體的熱輻射能量與物體的表面發(fā)射率成正比，與物體熱力學(xué)溫度的4次方成正比。由于物體的表面發(fā)射率一般非常小，所以物體的熱輻射能量主要和物體的熱力學(xué)溫度有關(guān)，物體的熱力學(xué)溫度越高，紅外輻射的能量就越強(qiáng)。

紅外熱成像儀通過紅外探測器捕獲物體發(fā)出的紅外線輻射，并將這些紅外輻射能量的分布圖顯示在紅外探測器的光敏部件上，進(jìn)一步由探測器將這些紅外輻射能轉(zhuǎn)換為電信號，并對其進(jìn)行進(jìn)一步處理，將處理后的數(shù)據(jù)傳輸?shù)郊t外設(shè)備顯示器上，得到被測物體的紅外圖像。

由于煤和矸石的顏色、紋理、光澤和其他物理性質(zhì)不同，它們表面的吸熱能力也不同。為了更直觀體現(xiàn)二者吸熱能力的差異，在煤矸樣本中隨機(jī)選擇煤和矸石樣本各20塊，在傳送帶的輸送下經(jīng)過加熱區(qū)域，經(jīng)紅外熱成像儀獲取煤和矸石中心點(diǎn)的溫度，得到煤和矸石加熱后的溫度，如圖2所示。初始煤和矸石樣本的溫度與室溫（22℃）相同。由圖2可看出，經(jīng)過相同時(shí)間的加熱后，煤的表面溫度明顯高于矸石的表面溫度，從而導(dǎo)致煤和矸石的紅外圖像有較大不同，因此，利用二者紅外圖像的差異對煤和矸石進(jìn)行分選。

2圖像獲取及預(yù)處理

2.1圖像獲取

本文選用安徽省淮南礦區(qū)的煙煤作為實(shí)驗(yàn)樣本，樣本煤和矸石在傳送帶的輸送下依次經(jīng)過加熱區(qū)域。利用紅外熱成像儀對經(jīng)均勻加熱后的煤和矸石進(jìn)行拍攝，得到煤和矸石的紅外灰度圖像（物體紅外光強(qiáng)度被紅外熱成像儀獲取后得到的圖像）和紅外彩色圖像（紅外熱成像儀高彩虹顏色模板下形成的偽彩色圖像）。將捕捉到的圖像傳輸至計(jì)算機(jī)進(jìn)行保存，以便后續(xù)的圖像處理。選取300塊煤矸樣本進(jìn)行圖像采集，其中煤和矸石各150塊，得到煤矸樣本的紅外灰度圖像和紅外彩色圖像各300張。為了提高樣本訓(xùn)練和識(shí)別的效率，并考慮煤和矸石表面凹凸情況對溫升的影響，在計(jì)算機(jī)中對每張圖像進(jìn)行掃描后提取平均溫度最高的部分，提取后的圖像大小為200×200。圖3為部分樣本圖像。

2.2圖像預(yù)處理

紅外圖像的信噪比[21]較可見光圖像低，因此在保證圖像質(zhì)量的前提下，選用中值濾波、高斯濾波、均值濾波對紅外圖像進(jìn)行濾波處理。為了確定濾波過程中卷積核的大小，選取3×3，5×5，7×7這3種卷積核分別對同一張煤樣本圖像進(jìn)行濾波處理，結(jié)果如圖4所示?？煽闯鲈诰矸e過程中，卷積核越大，圖像越模糊，卷積核尺寸為3×3時(shí)，圖像的去噪效果最佳，因此選擇3×3卷積核。

為了客觀體現(xiàn)圖像的預(yù)處理結(jié)果，本文采用最小化平方誤差（Minimum Squared?Error，MSE）和峰值信噪比（Peak Signal-to-Noise Ratio，PSNR）來評價(jià)圖像的降噪效果。最小化平方誤差越小，圖像失真越?。环逯敌旁氡仍酱?，圖像失真越小。

式中：M，N 為圖像的維度；P（i，j）為原始圖像在坐標(biāo)（i，j）處的像素值；B（i，j）為降噪后的圖像在坐標(biāo)（i，j）處的像素值。

以3×3的卷積核對3種濾波方式的濾波效果進(jìn)行比較，結(jié)果見表1，對矸石圖像的濾波結(jié)果如圖5所示。由表1可看出，高斯濾波的 MSE 和 PSNR 較中值濾波和均值濾波低。由圖4和圖5可看出，高斯濾波對煤和矸石紅外圖像的處理結(jié)果更為清晰，平滑度更好。因此本文選用高斯濾波對煤和矸石的紅外灰度圖像、紅外彩色圖像進(jìn)行預(yù)處理。

3特征提取

3.1紅外灰度圖像灰度特征提取

灰度特征描述的是圖像區(qū)域所對應(yīng)的表面性質(zhì)。灰度均值、灰度方差、最大頻數(shù)對應(yīng)的灰度值等灰度特征可通過灰度分析得到。煤和矸石紅外灰度圖像的像素值和像素點(diǎn)分布存在差異，導(dǎo)致它們的灰度分布不同，因此需對它們進(jìn)行灰度分析。分別從煤和矸石的樣本中隨機(jī)挑選75塊樣本，對其紅外灰度圖像進(jìn)行灰度特征提取，得到煤和矸石灰度圖像的各特征值分布（表2）。

從表2可看出，煤和矸石的灰度方差和偏度的分布范圍重合度較高，致使區(qū)分度低，不利于分選。相比之下，灰度均值和最大頻數(shù)對應(yīng)的灰度值的分布范圍差異較大，有利于分選。因此，在灰度特征中選擇灰度均值和最大頻數(shù)對應(yīng)的灰度值這2個(gè)參數(shù)作為初步的識(shí)別特征?；叶染岛妥畲箢l數(shù)對應(yīng)的灰度值的分布曲線如圖6所示，可看出煤和矸石的分布差異十分明顯。為了方便表示，記灰度均值、最大頻數(shù)對應(yīng)的灰度值分別為 H1，H2。

3.2紅外灰度圖像紋理特征提取

灰度共生矩陣是一種用于統(tǒng)計(jì)圖像中所有像素以描述其灰度分布的統(tǒng)計(jì)方法，它綜合反映了圖像灰度的各種信息。基于灰度共生矩陣可得到許多特征參數(shù)來反映圖像的紋理特征，常用的特征參數(shù)有熵、對比度、相關(guān)性、能量、同質(zhì)性。為了觀察煤和矸石紅外灰度圖像紋理方面的差別，選取與上文相同的煤和矸石樣本，對其紅外灰度圖像進(jìn)行紋理分析，得到熵、對比度、相關(guān)性、能量、同質(zhì)性紋理特征參數(shù)的分布范圍（表3）。

為了進(jìn)一步選擇熵、對比度、相關(guān)性、能量、同質(zhì)性紋理特征，做出其分布曲線，如圖7所示。

由表3和圖7可看出，能量和同質(zhì)性的分布范圍接近，分布曲線重合較多，熵、對比度、相關(guān)性的分布范圍差異較大。因此，在紋理特征中選擇熵、對比度、相關(guān)性這3個(gè)參數(shù)作為初步的識(shí)別特征。記熵、對比度、相關(guān)性分別為 W1，W2，W3。

3.3紅外彩色圖像特征提取

彩色圖像特征提取是指從彩色圖像中提取出能表現(xiàn)圖像特點(diǎn)的屬性集合。在彩色圖像中，經(jīng)常使用的特征包括顏色特征、形狀特征和空間位置關(guān)系特征等。其中，顏色特征是最常用和基本的特征之一。煤和矸石的紅外彩色圖像差異很大，通過提取顏色特征可很好地反映二者之間的差異。顏色矩是一種有效的顏色特征，利用顏色的一階、二階和三階矩來表示圖像中的顏色分布。顏色矩具有簡潔的特點(diǎn)，但其一般分辨能力較弱。因此，通常將顏色矩與其他特征相結(jié)合使用，以達(dá)到縮小范圍的目的。選取紋理分析使用的煤和矸石樣本，對其紅外彩色圖像進(jìn)行顏色特征提取。對紅外彩色圖像的 R，G， B 通道分別提取一階矩和二階矩，得到各參數(shù)的分布范圍（表4）。

由表4可看出，G 通道一階矩和 G 通道二階矩的特征值分布范圍差異大，其分布曲線如圖8所示。因此，在顏色特征中選擇 G 通道一階矩和 G 通道二階矩這2個(gè)參數(shù)作為初步的識(shí)別特征。記 G 通道一階矩、G 通道二階矩的分別為 C1，C2。

4特征選擇和分類模型選取

4.1基于樹模型的特征選擇

由于圖像特征提取過程需耗費(fèi)大量時(shí)間，且提取出的特征中存在冗余特征，所以選擇適當(dāng)?shù)奶卣鬟x擇算法來剔除冗余特征，并得到有利于分類的最優(yōu)特征子集，對于改善識(shí)別性能、減少計(jì)算成本非常重要的。對 H1，H2，W1，W2，W3，C1，C27個(gè)特征進(jìn)行進(jìn)一步選取。隨機(jī)森林是一種集成學(xué)習(xí)方法，可作為特征選擇來評估特征重要性。本文選用包含100棵樹的隨機(jī)森林分類器，計(jì)算上述7個(gè)特征的重要性，結(jié)果如圖9所示。

由圖9可看出，特征重要性的大小排列順序?yàn)?H2＞C2＞C1＞H1＞W(wǎng)1＞W(wǎng)3＞W(wǎng)2，且前4個(gè)特征的重要性比較突出，因此選擇 H2，C2，C1，H1，即最大頻數(shù)對應(yīng)的灰度值、G 通道二階矩、G 通道一階矩、灰度均值這4個(gè)特征作為最終的分類特征，以這4個(gè)特征作為分類模型的輸入。部分樣本的特征見表5。

4.2 SVM 分類模型

SVM 是屬于監(jiān)督學(xué)習(xí)的分類模型，煤和矸石的分類是一種非線性、小樣本的二分類問題，SVM 能夠?qū)Χ诸悢?shù)據(jù)進(jìn)行有效分類[22]，因此選用 SVM 作為本文的分類模型。SVM 分類超平面判別函數(shù)f（x）與核函數(shù) K（x，xi）分別為

式中：sgn 為符號函數(shù)；α*為拉格朗日乘子；yk 為第 k 個(gè)樣本標(biāo)志；n 為樣本總數(shù)量；K 為高斯核函數(shù)； xk 為第 k 個(gè)樣本的特征向量；x 為輸入的特征向量；b*為分類閾值；g 為高斯核參數(shù)。

5 實(shí)驗(yàn)分析

實(shí)驗(yàn)得到300塊煤矸樣本對應(yīng)的紅外圖像，將煤和矸石樣本各75塊對應(yīng)的圖像作為模型的訓(xùn)練集，另外150塊樣本對應(yīng)的圖像作為測試集對模型進(jìn)行實(shí)驗(yàn)驗(yàn)證。給煤和矸石賦予不同的標(biāo)簽后，按照特征選擇的結(jié)果對訓(xùn)練集中圖像提取 H2，C2，C1，H1特征，組成150×4的數(shù)據(jù)集矩陣，將該數(shù)據(jù)集作為分類模型的輸入。將數(shù)據(jù)集隨機(jī)分成5份，通過交叉驗(yàn)證法進(jìn)行5次實(shí)驗(yàn)，以5次實(shí)驗(yàn)的平均分類準(zhǔn)確率作為最終結(jié)果。通過實(shí)驗(yàn)得出，SVM 分類器模型在訓(xùn)練集上的分類準(zhǔn)確率為100%。

使用訓(xùn)練好的 SVM 分類模型對煤和矸石樣本進(jìn)行分類實(shí)驗(yàn)。對測試集中圖像進(jìn)行特征提取后，組成150×4的數(shù)據(jù)集矩陣作為分類模型的輸入，訓(xùn)練識(shí)別率為100%，驗(yàn)證識(shí)別率為99.4%。

為了驗(yàn)證圖像預(yù)處理的必要性，采用沒有進(jìn)行圖像預(yù)處理的紅外圖像以相同的流程進(jìn)行實(shí)驗(yàn)，最終得到驗(yàn)證識(shí)別率為98.7%。這說明對紅外圖像進(jìn)行預(yù)處理有利于提高煤矸分選的準(zhǔn)確率。

為了驗(yàn)證基于紅外熱成像的煤矸識(shí)別方法的普適性，分別選取無煙煤和褐煤各75塊作為實(shí)驗(yàn)樣本，分別與75塊矸石樣本組成測試集樣本，然后進(jìn)行分類實(shí)驗(yàn)，得到無煙煤的分類準(zhǔn)確率為98.9%，褐煤的分類準(zhǔn)確率為98.6%。

實(shí)驗(yàn)結(jié)果表明，本文提出的基于紅外熱成像的煤矸識(shí)別方法對3種煤炭的分類準(zhǔn)確率均達(dá)到了98%以上。對于小樣本集的分類，SVM 分類模型的分類能力較強(qiáng)且十分穩(wěn)定。因此，在實(shí)際的工程應(yīng)用中，利用煤和矸石加熱后紅外圖像的差異來對煤和矸石進(jìn)行分選的方法是具體可行的。依據(jù)本文方法預(yù)調(diào)整相關(guān)參數(shù)后，可基本保證煤矸分選效果的穩(wěn)定性。

6結(jié)論

1）煤和矸石的表面吸熱能力不同，在70℃的加熱區(qū)域加熱相同時(shí)間后，煤的表面溫度明顯高于矸石，二者的紅外圖像差異明顯。

2）卷積核為3×3的高斯濾波對煤和矸石的紅外圖像降噪效果最佳。

3）對煤和矸石的紅外圖像提取特征，最終選取4個(gè)最有利于分選的特征作為機(jī)器學(xué)習(xí)模型的輸入，利用訓(xùn)練好的機(jī)器學(xué)習(xí)模型能夠?qū)γ汉晚肥M(jìn)行有效的分選。

4）實(shí)驗(yàn)結(jié)果表明，基于紅外熱成像的煤矸識(shí)別方法對煙煤、無煙煤、褐煤的分類準(zhǔn)確率均達(dá)到了98%以上，效果良好。

5）初步驗(yàn)證了小樣本集下對煤和矸石分選的可行性，在后續(xù)的研究當(dāng)中，應(yīng)廣泛采集不同礦區(qū)的煤矸樣本，進(jìn)一步驗(yàn)證本文方法的普適性。

參考文獻(xiàn)（References）：

[1]謝和平，王金華，王國法，等.煤炭革命新理念與煤炭科技發(fā)展構(gòu)想[J].煤炭學(xué)報(bào)，2018，43（5）：1187-1197.

XIE Heping，WANG Jinhua ，WANG Guofa，et al. New ideas of coal revolution and layout of coal science and technology development[J]. Journal of China Coal Society，2018，43（5）：1187-1197.

[2]陸小泉.我國煤炭清潔開發(fā)利用現(xiàn)狀及發(fā)展建議[J].煤炭工程，2016，48（3）：8-10，14.

LU Xiaoquan. Present situation and suggestion for clean coal development and utilization in China[J]. Coal Engineering，2016，48（3）：8-10，14.

[3]常允新，朱學(xué)順，宋長斌，等.煤矸石的危害與防治[J].中國地質(zhì)災(zāi)害與防治學(xué)報(bào)，2001（2）：39-43.

CHANG Yunxin，ZHU Xueshun， SONG Changbin， et al. Hazard of gangue and its control[J]. The Chinese Journal of Geological Hazard and Control，2001（2）：39-43.

[4]潘榮錕，余明高，徐俊，等.矸石山的危害及自燃原因關(guān)聯(lián)分析[J].安全與環(huán)境工程，2006（2）：66-69.

PAN Rongkun，YU Minggao，XU Jun，et al. Harm of gangue dump and cause analysis of spontaneous

combustion[J]. Safety and Environmental Engineering，2006（2）：66-69.

[5] SAHU L，DEY S. Enrichment of carbon recovery of high ash coal fines using air fluidized vibratory deck separator[J]. International Journal of Coal Science & Technology，2017，4（3）：262-273.

[6] ZHAO Yuemin，YANG Xuliang，LUO Zhenfu，et al. Progress in developments of dry coal beneficiation[J]. International Journal of Coal Science & Technology，2014，1（1）：103-112.

[7] GUPTA N. Evaluation of pneumatic inclined deck separator for high-ash Indian coals[J]. International Journal of Coal Science & Technology，2016，3（2）：198-205.

[8]梁金鋼，趙環(huán)帥，何建新.國內(nèi)外選煤技術(shù)與裝備現(xiàn)狀及發(fā)展趨勢[J].選煤技術(shù)，2008（1）：60-64，76.

LIANG Jin'gang， ZHAO Huanshuai， HE Jianxin. Current status and development trends of coal preparation technology and equipment both in domestic and ?overseas [J]. Coal ?Preparation ?Technology，2008（1）：60-64，76.

[9]王家臣，李良暉，楊勝利.不同照度下煤矸圖像灰度及紋理特征提取的實(shí)驗(yàn)研究[J].煤炭學(xué)報(bào)，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.

[10]吳開興，宋劍.基于灰度共生矩陣的煤與矸石自動(dòng)識(shí)別研究[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]郭永存，何磊，劉普壯，等.煤矸雙能 X 射線圖像多維度分析識(shí)別方法[J].煤炭學(xué)報(bào)，2021，46（1）：300-309.

GUO Yongcun，HE Lei，LIU Puzhuang，et al. Multi- dimensional analysis and recognition method of coal and gangue dual-energy X-ray images[J]. Journal of China Coal Society，2021，46（1）：300-309.

[12]王文鑫，黃杰，王秀宇，等. X 射線透射煤矸智能識(shí)別方法[J].工礦自動(dòng)化，2022，48（11）：27-32，62.

WANG Wenxin，HUANG Jie，WANG Xiuyu，et al. X- ray transmission intelligent coal-gangue recognition method[J]. Journal of Mine Automation，2022，48（11）：27-32，62.

[13]張志強(qiáng)，王萍，于旭東，等.高精度紅外熱成像測溫技術(shù)研究[J].儀器儀表學(xué)報(bào)，2020，41（5）：10-18.

ZHANG Zhiqiang，WANG Ping，YU Xudong，et al. Study on high accuracy temperature measurement technology of infrared thermal imager[J]. Chinese Journal of Scientific Instrument，2020，41（5）：10-18.

[14] WANG Shixue，LI Kaixiang，TIAN Yuan，et al. Infrared imaging investigation of temperature fluctuation and spatial distribution for a large laminated lithiumion power battery[J]. Applied Thermal Engineering，2019，152：204-214.

[15] PAN Dong，JIANG Zhaohui，CHEN Zhipeng，et al. Compensation method for molten iron temperature measurement based on heterogeneous features of infrared thermal images[J]. IEEE Transactionson Industrial Informatics，2020，16（11）：7056-7066.

[16] LI Yiwen，ZHANG Puyousen，CHEN Ge，et al. Study on method for measuring coating emissivity by applying active irradiation based on infrared thermal imager[J]. Sensors，2022，22（6）：2392.

[17]孫繼平.基于圖像識(shí)別的煤巖界面識(shí)別方法研究[J].煤炭科學(xué)技術(shù)，2011，39（2）：77-79.

SUN Jiping. Study on identified method of coal and rock interface based on image identification[J]. Coal Science and Technology，2011，39（2）：77-79.

[18]劉闖.綜放工作面多放煤口協(xié)同放煤方法及煤巖識(shí)別機(jī)理研究[D].焦作：河南理工大學(xué)，2018.

LIU Chuang. Research on the method of synergetic multi-windows top coal caving and the mechanism of coal-gangue identification in longwall top coal caving working ?face[D]. Jiaozuo： Henan ?Polytechnic University，2018.

[19]張強(qiáng)，孫紹安，張坤，等.基于主動(dòng)紅外激勵(lì)的煤巖界面識(shí)別[J].煤炭學(xué)報(bào)，2020，45（9）：3363-3370.

ZHANG Qiang，SUN Shao'an，ZHANG Kun，et al. Coal and rock interface identification based on active infrared excitation[J]. Journal of China Coal Society，2020，45（9）：3363-3370.

[20]馬娜，張洪潮，周新.紅外熱成像技術(shù)在煤礦生產(chǎn)中的應(yīng)用[J].煤炭技術(shù)，2021，40（2）：130-132.

MA Na，ZHANG Hongchao，ZHOU Xin. Application of infrared thermal imaging technology in coal mine production[J]. Coal Technology，2021，40（2）：130-132.

[21]張志強(qiáng)，王萍，于旭東，等.高精度紅外熱成像測溫技術(shù)研究[J].儀器儀表學(xué)報(bào)，2020，41（5）：10-18.

ZHANG Zhiqiang，WANG Ping，YU Xudong，et al. Study on high accuracy temperature measurement technology of infrared thermal imager[J]. Chinese Journal of Scientific Instrument，2020，41（5）：10-18.

[22]沈虎祥.某污水處理廠提標(biāo)工程的運(yùn)行分析及出水水質(zhì)預(yù)測模擬研究[J].蘇州科技大學(xué)學(xué)報(bào)（工程技術(shù)版），2023，36（2）：46-54.

SHEN Huxiang. Operation analysis of upgrading project and simulation study on effluent quality prediction of a sewage treatment plant[J]. Journal of Suzhou University of Science and Technology（Engineering and Technology Edition），2023，36（2）：46-54.