基于機(jī)器視覺的煤質(zhì)快速分析方法研究.pdf

1、隨著科技的發(fā)展,選煤自動(dòng)化程度逐步提高,推動(dòng)了煤炭洗選效率和經(jīng)濟(jì)效益的增長(zhǎng)。然而國內(nèi)選煤廠的自動(dòng)控制還停留在自動(dòng)啟停車、介質(zhì)密度桶液位控制、自動(dòng)加藥控制、產(chǎn)品灰分實(shí)時(shí)監(jiān)測(cè)等零散反饋控制階段,未能對(duì)整個(gè)生產(chǎn)環(huán)節(jié)進(jìn)行實(shí)時(shí)監(jiān)測(cè)和調(diào)控,主要原因在于目前沒有任何技術(shù)能夠?qū)崟r(shí)監(jiān)測(cè)入料煤和產(chǎn)品煤組成信息,進(jìn)而不能對(duì)整個(gè)生產(chǎn)環(huán)節(jié)進(jìn)行實(shí)時(shí)控制。為此,論文提出了基于機(jī)器視覺的煤質(zhì)快速分析方法,力圖在線測(cè)定煤的粒度組成、密度組成和平均灰分。
　　論文以

2、太西無煙煤為研究對(duì)象,建立了一套煤質(zhì)快速分析實(shí)驗(yàn)系統(tǒng)。提出了三種煤粒圖像分割方法即非接觸煤粒背光圖像分割方法、煤堆圖像局部分割方法和煤堆圖像整體分割方法。非接觸煤粒背光圖像分割方法主要針對(duì)背光散粒煤圖像,采用雙峰法、面積閾值和孔洞填充算法精確分割不重疊煤粒;煤堆圖像局部分割方法為半自動(dòng)分割方法,結(jié)合人工勾勒目標(biāo)區(qū)域和彩色圖像分割方法識(shí)別煤堆中的目標(biāo)煤粒區(qū)域,其中還涉及到形態(tài)學(xué)圖像處理、分水嶺邊緣處理、面積閾值區(qū)域篩選和煤粒區(qū)域最小外接矩

3、形截取等算法;煤堆圖像整體分割方法采用對(duì)比度受限自適應(yīng)直方圖均衡法、最小值和最大值濾波算法增強(qiáng)圖像,進(jìn)而引入Hess ia n矩陣和高斯函數(shù)的多尺度線性濾波器進(jìn)行煤粒邊緣檢測(cè),其效果比傳統(tǒng)邊緣檢測(cè)算法更可靠更精確,最終采用雙閾值邊緣連接和標(biāo)記分水嶺分割算法識(shí)別煤粒區(qū)域;前兩種圖像分割方法主要用于精確建立預(yù)測(cè)模型,而第三種圖像分割方法用于煤質(zhì)快速分析;同時(shí)還提出了一種煤堆圖像分割效果量化方法,結(jié)果表明煤堆圖像整體分割方法誤差區(qū)域百分比為1

4、2.76％。
　　建立了一個(gè)基于機(jī)器視覺的煤粒質(zhì)量預(yù)測(cè)模型,將煤粒圖像二維信息轉(zhuǎn)化為三維信息。通過對(duì)比分析煤粒區(qū)域?qū)嶋H大小與圖像測(cè)量大小,表明圖像測(cè)量方法精度很高;發(fā)現(xiàn)了煤粒區(qū)域面積與周長(zhǎng)、最小外接矩形長(zhǎng)和寬之間的指數(shù)關(guān)系,并分別采用最小二乘法建立了三個(gè)指數(shù)關(guān)系模型;采用多重線性回歸方法(MLR)建立并優(yōu)化了煤粒厚度預(yù)測(cè)模型,結(jié)合煤粒區(qū)域面積和密度提出了煤粒質(zhì)量預(yù)測(cè)模型,測(cè)試結(jié)果表明煤樣質(zhì)量預(yù)測(cè)相對(duì)誤差在±6%以內(nèi)。
　　提

5、出了一種基于機(jī)器視覺的煤堆粒度組成快速分析方法。通過對(duì)比分析,采用最小外接矩形寬( DB)表征煤粒粒度;通過建立表面煤粒區(qū)域所屬粒級(jí)的概率模型,提出了煤堆表面重疊誤差校正方法;采用 R-R粒度特性方程探尋煤堆整體粒度分布參數(shù)和表面粒度分布參數(shù)之間的內(nèi)在關(guān)系,提出了煤堆顆粒偏析誤差校正方法;結(jié)合上述研究提出了一種煤堆粒度組成預(yù)測(cè)方法,測(cè)試結(jié)果表明實(shí)驗(yàn)次數(shù)越多,預(yù)測(cè)誤差越小,兩種誤差校正方法能夠有效減小粒度組成預(yù)測(cè)誤差,前20次煤堆粒度組成

6、平均預(yù)測(cè)誤差最高為3.79%,最低為0.03%。
　　提出了一種基于機(jī)器視覺的煤堆密度組成快速分析方法。本文提取了煤粒表面50個(gè)顏色、光澤和紋理特征參數(shù),并對(duì)其進(jìn)行異常點(diǎn)檢測(cè)和標(biāo)準(zhǔn)化處理;采用箱線圖對(duì)所有特征參數(shù)進(jìn)行了初步分析,探索其隨煤粒粒級(jí)和密度級(jí)的變化趨勢(shì),初步篩選特征參數(shù);隨后采用核主成分分析(KPCA)和遺傳算法(GA)進(jìn)一步優(yōu)化特征參數(shù),結(jié)果表明GA特征篩選方法效果更佳;支持向量機(jī)分類器(SVM)相對(duì)于 BP、RBF和

7、PNN神經(jīng)網(wǎng)絡(luò)能夠更準(zhǔn)確的預(yù)測(cè)煤粒密度級(jí);窄粒級(jí)煤粒密度級(jí)預(yù)測(cè)準(zhǔn)確率遠(yuǎn)高于全粒級(jí)煤粒,并且窄粒級(jí)中煤粒密度級(jí)預(yù)測(cè)準(zhǔn)確率隨粒級(jí)增大而升高;結(jié)合上述研究提出了一種分粒級(jí)進(jìn)行的煤堆密度組成分析方法,測(cè)試結(jié)果表明實(shí)驗(yàn)次數(shù)越多,預(yù)測(cè)誤差呈降低趨勢(shì),前20次各密度級(jí)組成平均預(yù)測(cè)誤差最高為8.03%,最低為0.87%。
　　提出了一種基于機(jī)器視覺的煤堆各密度級(jí)灰分和總灰快速分析方法。通過建立煤?；曳峙c密度的二次多項(xiàng)式模型,確定煤粒表面特征參數(shù)隨

8、灰分的變化趨勢(shì)應(yīng)與其隨密度級(jí)的變化趨勢(shì)一致;采用遺傳算法(G A)篩選特征參數(shù),結(jié)合支持向量機(jī)(SVM)建立煤?；曳诸A(yù)測(cè)模型;結(jié)果表明全粒級(jí)煤粒灰分預(yù)測(cè)模型精度不如窄粒級(jí)灰分預(yù)測(cè)模型,并且灰分預(yù)測(cè)模型精度隨粒級(jí)增大而升高,SVM預(yù)測(cè)模型比 BP和 RBF神經(jīng)網(wǎng)絡(luò)模型更適合用于煤?；曳中畔㈩A(yù)測(cè);結(jié)合上述研究提出了一種分粒級(jí)進(jìn)行的煤堆各密度級(jí)灰分與總灰分析方法,測(cè)試結(jié)果表明預(yù)測(cè)誤差隨實(shí)驗(yàn)次數(shù)增多呈降低趨勢(shì),前20次各密度級(jí)平均灰分預(yù)測(cè)誤差最

9、高為3.39%,最低為0.22%,總灰平均誤差為0.73%。
　　初步嘗試了基于機(jī)器視覺的煤質(zhì)快速分析半工業(yè)試驗(yàn)。在神華寧煤太西選煤廠設(shè)計(jì)開發(fā)了一套原煤可選性實(shí)時(shí)預(yù)測(cè)系統(tǒng)和一套超純煤灰分實(shí)時(shí)預(yù)測(cè)系統(tǒng),運(yùn)行情況表明煤質(zhì)快速分析方法是可行的,兩套設(shè)備基本能夠滿足現(xiàn)場(chǎng)環(huán)境實(shí)時(shí)煤質(zhì)預(yù)測(cè)要求;實(shí)時(shí)預(yù)測(cè)的入料原煤粒度組成、密度組成和灰分信息絕對(duì)誤差均在10%以內(nèi),并可實(shí)時(shí)顯示可選性曲線;實(shí)時(shí)預(yù)測(cè)的超純煤灰分絕對(duì)誤差平均值為0.12%;本文研究