基于機器視覺圖像分析的煤炭分選技術研究

侯引麗

（西銘礦選煤廠綜合辦， 山西 太原 030052）

引言

人工分選煤炭具有生產效率低、成本高、工人的工作環境差的缺點。煤炭中的分選穩定性差、可靠性差、操作不便等，這將降低煤炭企業的市場競爭力。隨著現代化水平的逐步提高，電子分揀技術應運而生。

電子分揀機使用專門設計的傳感器，如X射線分析儀，檢測在移動的輸送機帶的表面上散布的飼料顆粒質量。高速微處理器使用傳感器數據來控制傳送帶的末端。氣動執行機構按順序排列，使顆粒滿足要求目標質量被轉移到產品流中。分揀機技術的緊湊尺寸和低單位成本，為在許多不同位置分離礦石煤礦提供了可行性。因此，本文在此基礎上提出了基于機器視覺圖像分析的自動選煤技術。

1 基于機器視覺圖像分析的煤炭分選系統組件及檢測過程

本文提出的機器視覺自動選煤系統的硬件結構和關系如圖1所示。該系統由MOS彩色工業相機、電腦、光源、輸送機和物料（包括料斗）、信號控制設備、驅動電機和推桿組成。選煤系統檢測流程有四個步驟：設置參數→判斷輸送機上是否有物料→判斷物料是否存在是煤→判斷材料是否是金屬[1]。

1.1 檢測系統啟動前的基本參數

1）設置傳送帶的速度，從每個料斗（煤炭，煤矸石，金屬）到攝像機的水平距離，然后根據公式t=s/v來計算單個延遲時間，即煤炭斗延遲時間tc、煤矸石斗延遲時間tm、金屬斗延遲時間ts。

2）將黃色成分（與綠色和紅色混合）設定為比例α和紅色成分比例β。α=1時，顏色接近純黃色，β=1時為純紅色。

圖1 機器視覺自動選煤系統組件

3）設置閾值的范圍是30～210，默認值是100。有兩種類型：閾值Tc判斷材料是否是煤炭或閾值，Tm判斷材質是否是金屬。

4）閾值T可判斷輸送機是否空了。空的輸送機背景圖像是藍色的，所以計算公式如下式所示：

式中：m 為圖像中的行數；n 為圖像中的列數；Bi，j，i行和j列像素的藍色分量。

1.2 判斷輸送機是否為空

參數設置完成后開始進行檢測。判斷輸送機是否為空流程如下。計算所有在圖像中像素的藍色分量平均值Bave，如果0.8T＜Bave＜1.2T，則輸送機是空的，重復這個步驟，或者有物料輸送機，然后提取圖像上的材料輪廓。

二值圖像的輪廓提取算法如下頁圖2所示。本文需要提取最大輪廓，使用輪廓跟蹤方法得到最終輪廓。基礎的輪廓描跡的方法是：在左下角確定一個黑色的像素點作為邊界點并從左上角開始搜索。如果像素點是黑色的，則認為是邊界點，否則順時針旋轉45°，直到找到一個黑色像素作為新的邊界點。旋轉逆時針90°根據當前的搜索方向，用同樣的方法搜索一個邊界點，直到返回到第一個邊界點或者找不到任何點[2]。

圖2 輪廓提取算法示意圖

1.3 判斷材料的類型

判斷材料類型的流程如下。提取材質輪廓后，統計并記錄輪廓中的像素數量。計算所有像素的平均灰度值 Gave，如果 Gave＜Tc，物料是煤，并延遲 Tc發送單個煤在煤斗中分類，否則，物質不是煤時，得到綠色組分 Gi，j和紅色組分 Ri，j，混合顏色組分 Hi，j的公式如下式所示：

然后計算輪廓中所有像素的混合顏色的平均值。如果Have＞Tm，材料是金屬并延遲tm，然后送該金屬進金屬漏斗，若材料是矸石并延遲ts，則送煤矸石料斗中單獨分揀煤矸石。

2 實際工程案例分析

以某一規模試點項目進行分析，該項目為煤炭清潔應用的分選技術的操作特性方面提供了一些重要的信息。最重要的發現是機器視覺圖像分析的自動選煤技術技術有效地提高了各種來源的煤樣的質量，包括對煤炭、煤矸石、金屬的有效分離。測試數據表明，該技術已經達到單位內最佳狀態配置成處理特定的窄粒度部分。數據表明，通過將原料煤預篩分成不同的大小類別從而實現分離性能，然后使用針對該特定粒度級別優化的種類來處理每個尺寸。此外，這種按尺寸設備分揀的電路，將使得每個分揀機都要根據給定的尺寸等級進行優化，以便達到最大的吞吐能力和最低的設備資本總投資。從測試數據中獲得的另一個有趣的觀察是，到臨界粒徑0.1 mm以下，設備性能開始顯著下降。這一發現依據制造商的建議來看，設備制造僅支持約比6.35 mm（1/4英寸）更粗糙的顆粒進行高規模分揀。從工程角度來看，顆粒大小需要考慮到單層顆粒，光源的約束要求也對分揀進行了限制。為了更有效地評估這些影響和評估過程的成本效益，一個全面的機器視覺圖像分析的自動選煤技術示范單位現在已經建成，目前正在運行。這個系統正在被用來進行客戶潛力的試運行和開發工業應用的操作指南及相應標準[3-4]。

3 結語

基于機器視覺圖像分析的自動選煤技術通過分析輸送機圖像中的色彩特性來判斷分揀機是否為空。與此同時，系統可以向分揀設備發送信號并統計各種物料的數量。該技術具有效率高，穩定性和可靠性高，操作靈活等優點[5]，提高了選煤效率，降低了生產成本。