煤矿的现代化建设需要实现煤矸石的智能分选。设计了一个基于多光谱图像的煤矸石检测模型,其目的是快速、准确地为智能分选提供煤矸石位置。首先,采集煤和煤矸石的多光谱数据,利用最佳指数因子理论从多光谱图像的25个波段中选择3个构成伪RGB图像。其次,设计一个轻量的检测模型,记为YOLO mg。最后,基于伪RGB图像将设计的模型用于煤矸石检测研究,并通过非极大值抑制联合置信度阈值过滤冗余边界框。实验结果显示,YOLO mg在204 pixel×204 pixel的输入分辨率下,实现了煤矸石91.91%的平均检测精度,并且115张光谱图像的检测耗时仅为1.225 s。所设计的轻量检测模型能实现煤矸石最快速的识别和定位,这对煤矸石的智能分离操作具有重要意义。

针对曲率驱动扩散(CDD)修复算法迭代次数多、花费时间长及无法修复边界破损图像等问题,提出了一种基于腐蚀处理和多参数因子的CDD修复算法。对待修复图像的掩模进行腐蚀处理,从而避免因掩模过大造成的时间消耗。在曲率计算中引入自然对数指数因子,并在梯度模值计算中引入线性指数因子。通过调节不同指数因子中的参数值,避免了不合理的梯度模值、曲率值对扩散速度的影响。在曲率和梯度模值的计算中引入随迭代次数变化的自适应正提升参数,使受损区域能够被较好地修复。最后,根据边界破损的图像边界所处的位置加入相应的边界处理条件,解决了边界破损点无法得到修复的问题。仿真实验表明,改进后的CDD修复算法不但提高了图像修复速度,而且能够很好地修复边界有破损的图像。