煤炭开采伴随着矸石的混入,而煤矸分选目前主要采用人工与机选相结合的选矸方法,智能化水平亟待提高。通过分析煤矸在密度属性、机械及光学特性间的差异,归纳当前选矸方法并比较其优缺点,在了解煤矸图像分选和分类算法的研究现状基础上,对便于智能控制的图像选矸方法中存在的识别率不高的问题,采用SVM、BP、ELM等单一分类算法及其AdaBoost集成策略应用于煤矸图像识别的研究思路。基于对选用识别方法的了解,设计Kalman-FOPID控制的环形LED光源,结合开发板Hi3518采集煤矸样本图像,经比较不同灰度样本图像间的差异、以及衡量不同卷积核的各滤波方法效果,选择加权平均法与卷积核为3*3的高斯滤波器对煤矸图像预处理,从而提取Tamura等不同的纹理特征,并与原始图像提取的煤矸颜色特征结合,获得维数为396*93的煤矸样本数据集。依次将各单一分类算法应用于煤矸数据集中,采用灰狼等多种寻优算法获取的SVM模型最佳参数、以及比较不同节点的识别效果确定各神经网络最佳结构,并对最佳参数结构下的各模型进行性能对比,SVM与KELM的识别效果相近且不低于99.24%,均优于BP和ELM,其中SVM训练时间略长于ELM但短于BP,而参数确定过程简单的KELM模型训练时间最短,为0.0088s。对最佳结构参数下的单一分类算法进行AdaBoost集成,并应用于煤矸数据集,根据基分类器个数不同的模型识别效果,选择适合的集成模型,较于各自的基分类器,SVM及KELM模型集成识别效果提升有限,ELM及BP集成模型训练时间增加,但识别效果显著改善,其中ELM集成更为明显;与单一分类算法中性能最佳的KELM相比,AdaBoost-ELM的识别效果更佳为1,但训练时间长于KELM。基于煤矸识别方法的研究,设计图像采集系统,选用STM32F4控制AR0130采集煤矸图像,经以太网传输到上位机,利用C#设计界面,以对下位机实现控制、接收煤矸图像数据和调用不同算法进行煤矸识别。图[42]表[12]参[131]