近年来,国家大力发展洁净煤技术,十分重视煤炭资源的绿色开发和清洁高效使用。煤矸分选是提高煤质减轻环境污染的有效途径,而煤矸识别是实现煤炭智能开采与加工的核心技术之一。传统的煤矸识别方法普遍存在识别精度低、稳定性能差、适用范围小等问题。针对这些不足,本文深入研究了基于X射线图像处理的煤矸识别方法,提高了识别系统的准确度和稳定度。其主要研究工作和贡献如下:(1)基于X射线透射的相关理论,进而推导出射线探测的物质识别原理,并对已搭建的两代光电分选系统的相关硬件及工作流程进行介绍。以常见的3种烟煤(焦煤、肥煤、气煤)和对应地区的矸石为研究对象,利用试验样机分别采集煤矸的单双能X射线图像,并建立样本集数据库。(2)煤矸图像的预处理。首先分析成像过程中的噪声源,经过试验选用表现较好的自适应中值滤波法对图像进行降噪处理。接着采用Canny算子边缘检测优化的二值图像分割方法,有效分割出煤矸目标区域,去除了输送带背景信息的干扰。最后,初步统计了煤矸区域的基本属性信息,为煤矸识别方法的研究奠定了基础。(3)提出一种联合特征下的基于粒子群算法优化法平面型隶属度函数模糊支持向量机(PSO-NP-FSVM)的煤矸单能识别方法。首先提取煤矸灰度特征下的5个特征参量,为了增强煤矸纹理特征对旋转变化的鲁棒性,对图像进行LBP变换后,提取纹理特征下的4个特征参量。为了提高分类的准确率和稳定性,设计了PSO-NP-FSVM分类器,该模型优化了传统支持向量机的二值分类方式,并且通过粒子群算法对模糊支持向量机的核心参数惩罚因子c和核参数δ进行寻优,充分发挥了模型的分类性能。交叉验证试验结果表明,在9维联合特征识别下,PSO-NP-FSVM分类器模型的识别准确率相比FSVM和PSO-FSVM分类器模型分别提升了 3.34%和2.09%,较灰度和纹理单一特征的识别准确率分别提升了 5.21%和2.29%。(4)提出一种基于K值和一种基于R值的煤矸双能识别方法。为了进一步减弱煤矸厚度等因素对识别精度的影响,针对煤矸R值的求解相对复杂的情况,在仅需识别出煤矸类别的前提下,采用一种基于煤矸灰度峰值计算K值的简易识别方法。当需要具体识别出样本中的含煤(矸)量时,提出一种基于R值法结合Canny算子边缘检测优化多阈值Otsu分割的煤矸识别方法。首先计算出煤矸的R值图像,经过映射处理后对图像进行分割,将图像分为输送带层、烟煤层和矸石层。最后,为了使识别结果更加直观可见,对分割后的图像进行伪彩色处理。试验结果表明,当设定分选阈值K为1.3时,3种烟煤的平均识别准确率达到97.44%,矸石的平均识别准确率达到96.52%;当设定样本含煤量55%为分选阈值时,3种烟煤的平均识别准确率达到97.61%,矸石的平均识别准确率达到100%。这两种方法均能高效的识别出煤矸且增添了识别的延展性。图[69]表[20]参[91]