選礦磨機給料實時塊度分析系統研究與應用

洪嘉陽,唐雅婧,葛啟發,張維國

(中國恩菲工程技術有限公司,北京 100038)

0 前言

磨礦作業在整個選礦的工藝流程中不僅是一個重要的生產工藝過程,其工作效率及產品質量還對選礦指標及經濟效益產生重大影響。因此磨礦分級作業的優化、穩定控制對選礦過程的提升指標、節能降耗、安全生產有著重要意義。按照采場生產計劃,通常采出原礦在一定時期因礦巖屬性、結理發育、爆破和粗破效果等各種原因而存在物理性質的波動,原礦往往塊度大的難磨、塊度小的易磨,因此磨機給料需要分級,建立塊度的準確識別對提升磨礦效率非常重要。磨礦過程存在大慣性、參數時變、非線性等特點,全流程控制和調節存在多變量輸入和輸出。磨礦分級系統穩定運行的關鍵因素是給礦的穩定性,其中給礦的硬度、塊度和給礦量對磨礦過程影響最大[1]。

在選礦生產流程中,人工取樣和篩分是最常見的礦石塊度分布檢測方法,這種方式操作簡單,適應性強,但在實際生產管理過程中存在人力消耗大、監測數據滯后、無法實現實時在線檢測等缺點。數字化、自動化、智能化是智能選礦廠未來的發展趨勢。隨著機器視覺、通訊技術和控制技術的快速發展,選礦廠的磨礦分級系統成為解決磨機給料控制主要手段[2]。本文圍繞圖像采集、礦石塊度分析和數據傳輸與控制,研究和開發了選礦磨機給料實時塊度分析系統,實時獲取準確的磨機給料的塊度分布信息,為磨礦過程的自動控制奠定基礎。

1 實時塊度分析技術路線

選礦磨機給料實時塊度分析系統基于分水嶺算法對給礦塊度圖像進行分析,先對采集礦石圖像,再處理圖像分割算法,最后將結果通過工業以太網傳給智能控制系統(DCS)對皮帶進行控制。

礦石塊度的識別通過高速工業攝像機實時采集給礦皮帶上原礦礦石的圖像數據,圖像數據采集可以通過多路工業攝像機采集。在應用處理部分將高速工業攝像機采集的圖像通過交換機,傳輸到WEB 服務、數據庫服務和算法服務處理,其中算法將給礦塊度圖像進行分割算法處理,并將塊度數據進行量化(如F20、F50、F80),對最終的給料塊度計算合成得到礦石塊度的大小和粗細信息。計算結果作為進一步數據處理和數據展現內容傳輸到數據庫服務和WEB 服務。選礦磨機給料實時塊度分析系統的核心是算法服務,算法服務將實時采集的圖像信息通過軟網關與用于過程控制的軟件交互,最終結果通過塊度分析系統的WEB 服務前端界面展示塊度分析結果和視頻監控礦石狀態。選礦磨機給料實時塊度分析系統整體結構如圖1 所示。

圖1 選礦磨機給料實時塊度分析系統結構

2 高速圖像采集技術

圖像采集技術是決定礦石塊度圖像能否精確檢測的關鍵因素[3]。塊度圖像采集的數據量大,實時性要求較高,因此采用高速工業相機結合以太網光纖的連接方式來完成塊度圖像的采集。圖像數據采集完成后,使用CAT5E 屏蔽網線通過交換機將數據發送至服務器。

高速工業攝像機具備較好的防塵性能,并配備補光光源照明系統,由2 個LED 光源組成,安裝在工業攝像機的兩側,為攝像機提供穩定光源。工業相機和照明系統安裝在帶式輸送機上方。其采用AC220V 50 Hz 進行供電,設備內集成散熱設備,可以在速度為5 m/s 的皮帶上采集高清礦石圖像,提供清晰可靠的圖像供分析。

現場的圖像獲取設備由八臺高清工業攝像機和八臺LED 輔助光源組成,分別放置于六臺皮帶給料機、一臺磨機給料機和一臺長距離皮帶運輸機上方1.5 m 處。現場采用的給料機有物理分礦能力,一般情況下皮帶上的礦石分為以下兩種情況:以粉料為主帶少量粗料和粗料為主帶少量粉料。礦石被給料機分給位于磨機給料機皮帶左右兩側的六臺皮帶給料機,其中一號、二號給料機的礦石較細;三號、四號給料機的礦石適中;五號、六號給料機的礦石較粗。

圖2 圖像采集裝置布局示意圖

選礦磨機給料實時塊度分析系統使用Http 協議和Http Basic Authentication 基本認證對攝像頭的數據進行采集。Http 協議具有通信速度快的特點,采用此方式可極大節省傳輸時間。每組攝像頭通過Http 接口向攝像頭請求一個分辨率為2 304 ×1 728格式為JPEG 圖像(快照),獲取圖像的速率不應高于1 幀/S(fps)。當請求發出之后,攝像機將返回指定的JPEG 圖像。設備每15 s 連續抓拍兩張高清礦石圖像傳送至服務器指定的image 文件夾并保存,服務器分別保存來自八組攝像機最新的100 張圖像。采集礦石塊度圖像的實時性和清晰度將直接影響后續圖像分割算法的效果。

3 磨機給礦實時塊度圖像分析

3.1 改進分水嶺算法分割礦石塊度

通過分析粉料、混合料和粗料圖像的特點發現:粗料上有小顆粒,對于大塊的礦石還會有大的棱角和色塊,采用簡單的圖像分割算法很難抵抗粗礦石表面的干擾。結合常用圖像分割技術來克服礦石圖像中的干擾,采用改進的分水嶺算法進行圖像分割[4-5],對分割線進行繪制。本文采用Python 語言對選礦磨機給料實時塊度分析系統進行開發,并調用Opencv4.5.3 計算機視覺庫實現圖像分割算法。Opencv 是一個開源的支持多平臺的計算機視覺庫,具有Python 接口可以實現實時圖像處理和計算機視覺算法應用。

分水嶺算法被廣泛應用于圖像分割任務中,尤其適合礦石圖像分割。分水嶺算法是以地理學中的地形地貌圖為啟發,像素點的灰度值被類比為海拔,分水嶺算法模擬的是浸水過程。圖像中不同灰度值的區域就對應于山峰和山谷盆地。分水嶺線則是對應盆地的邊緣。本文采用基于標記的分水嶺算法進行優化,標記的定位和大小直接影響分割效果。通常情況下,計算出前景標記和背景標記,修改分割函數以便于其只在標記所定位的地方有區域最小值。最后,基于標記去進行分水嶺變換得到分水嶺分割線[6-7]。

詳細的圖像分割算法可描述如下:設灰度圖像f的最小灰度值為hmin,最大灰度值為hmax,閾值確定為T。首先檢測出圖像局部的最低點hmin,將這樣的點逐一標記出來Mi(i=1,2,…,n),Mi為最小值點集,n為像素值為hmin的點的個數。以Mi為標記點,用Nk(Mi)表示點Mi的鄰域,點Mi所對應的區域為:

式中:CT(Mi)為集水盆地;點p作為標記點將進行區域生長,直到沒有滿足閾值T的點為止。假設對N個種子點進行區域生長,hmin對應的集水盆地為:

從而得到hmin對應的集水盆地。h=hmin+1,當h＜hmax+1 重復以上步驟,直到得到所有集水盆地,將集水盆地的邊緣作為圖像分割的分界線。

改進的分水嶺圖像分割算法的處理過程分為五步,第一步是對輸入的圖像采用雙邊濾波函數處理,要在保留礦石邊緣的同時盡可能的模糊粗礦石表面的干擾。粗礦石表面的干擾較強,邊緣也較強,所以可以使用雙邊濾波算法來做邊緣保存。通過經驗和實踐選取雙邊濾波函數的參數為每個像素周圍鄰域的核直徑設置為25,顏色空間方差的參數設置為100,坐標空間方差的參數設置為25。第二步操作包括圖像灰度化,自適應閾值操作和兩個中值濾波器,主要目的是將圖像二值化,因為分割算法的目標是按礦石輪廓進行分割,所以先對圖像進行二值化操作可以大大降低后續處理的難度。設置中值濾波的核為3,防止礦石邊緣被打斷。在自適應閾值操作前后分別對圖像進行中值濾波。第三步是形態學腐蝕操作和一個中值濾波,因為輪廓閉合操作會使大量邊緣沒閉合且連接的區域相連,導致小顆粒大范圍欠分割。過度的形態學操作也同樣不可取。采用較大的中值濾波器核和一個5 ×5 的變形橢圓進行腐蝕操作。第四步是選定有效區域進行礦石塊度信息分布統計,采用分水嶺變換基于經過提取出的標記繪制分割線。選礦磨機給料實時塊度分析系統中改進分割算法對礦石圖像處理各階段的效果,如圖3 所示。

圖3 改進分割算法對礦石圖像處理

3.2 實時給礦塊度評估參數

實時礦石塊度分析系統的目標是從圖像中獲取礦石粗細的信息。現場采用高速攝像機和輔助光源等硬件設備將對皮帶給料機上的礦石進行實時監控。開發能夠準確分割礦石圖像的分割算法,最后將分割結果轉換成粗細信息。目前最廣泛使用的評估礦石粗細的參數是基于粒度分布的F80 參數[8-9],其是指80%的礦石可以通過的篩孔尺寸,也可以理解當累加重量達到總重的80%時,臨界礦石的粒度就是F80 參數的值。計算F80 參數需要將二維的礦石輪廓信息先轉換為三維的礦石粒度信息后再進行統計得出。計算過程如下:

n是顆粒的總數,k1,k2,…,kn分別是圖像中所有分割區域轉換成顆粒的重量,k1,k2,…,ki分別是分割區域中粒度小于F80 的顆粒重量。ki就是F80參數的取值。

F80 本質是一個三維的衡量參數,需要將二維分割區域轉換成顆粒的三維粒度信息后再進行統計計算。對于自動控制系統來說量化粗細參數被用于調整磨機功率,因為給料粗細是一個相對隨機的過程,采用塊度分布調節效率相對較低,常用的方法是抽象出單一的量化參數進行評估,效率高且區分度大。常用的二維輪廓轉三維粒度信息的模型包括等面積圓、最大內接圓、弗雷特直徑、最小外接圓、擬合橢圓、最小外接矩形等。每種模型都有最適合的顆粒形狀,如果根據圖像中每個顆粒的二維形狀來選取模型,則帶來的運算量大,并且處理時間也會更長。如果用一種轉換模型處理圖像中所有顆粒就會帶來誤差,例如采用擬合橢圓的長軸代表類三角形礦石的粒度帶來的誤差就非常大。采用不同模型對圖像的分割結果進行統計分析,結果顯示,對于等面積圓、擬合橢圓(短軸)、最大內接圓、弗雷特直徑(x軸)顯示出的粗細趨勢均是正確的。根據選廠的實際篩分結果本系統采用等面積圓粒度模型進行F80參數的計算。

目前最常見的F80 參數,其本質是一個塊度分布情況統計,可以結合F50、F20 一起使用。改進分割算法對礦石圖像處理后塊度分布的柱狀圖和累積塊度分布折線圖,如圖4 所示,可以看出該圖的F80值為12.51 cm、F50 值為7.07 cm、F20 值為2.76 cm。試驗結果證明了所開發的系統可以進行準確地分割粉料、混合料和粗料圖像,為下一階段的DCS 控制系統智能配礦奠定了基礎。

圖4 累積塊度分布

4 數據的傳輸與展示

4.1 可視化管理操作界面

基于分水嶺算法的礦石塊度分析系統,目前已經應用于工業現場。系統開發分為前端、后端并于數據庫服務器通信。前端基于HTML5、CSS3、JavaScript、Vue 框架實現,后端基于Node.js,數據庫采用MySQL。系統可以實現連接工業攝像頭,展示實時視頻,對實時礦石圖像分割。

實時監控頁面,展示已成功連接攝像頭實時回傳的畫面,展示處于皮帶上礦石的狀態,視頻監控畫面如圖4 所示。通過實時監控頁面,用戶可以直觀的獲知各個攝像頭的工作狀態是否正常,皮帶運行結果是否正常。

點擊塊度分析進入礦石塊度分析界面,系統顯示攝像頭實時畫面,以及分水嶺算法處理后的結果圖,礦石粒徑和累積粒徑分布圖表,(F80、F50、F20)值的實時折線圖15 s 更新一次,(粗礦、中礦、細礦)所占百分比的實時折線圖15 s 更新一次,可以更直觀觀察皮帶上礦石的粗細變化趨勢。

圖5 視頻監控畫面

圖6 礦石塊度分析畫面

視頻管理頁顯示已經成功添加的設備信息。提供“添加設備”“編輯設備”“查看詳情”“刪除設備”操作。通過設備列表,用戶可以清晰的獲知當前應用所連接的攝像頭,及攝像頭運行相關的參數信息,如:設備型號、設備地址、設備運行狀態等信息。

為了對塊度圖像的識別更加準確,本系統提供了塊度圖像的區域選擇功能,能夠實時更改圖像分析的區域。如圖所示可以對8 個攝像機實時拍攝畫面進行區域選擇,點擊開始可以區域選擇,點擊保存系統將使用選定區域進行圖像分析,清除按鈕可以刪除選框。同時頁面將實時顯示選框的起點橫坐標、起點縱坐標、長度、寬度、面積等信息便于用戶能更精確的選擇塊度分析區域。

4.2 DCS 控制系統通信

在磨機設備安全工作的前提下,根據半自磨機運行功率、給礦粒度等狀態參數,通過DCS 控制系統對半自磨機給礦量、給水量實現連續不間斷的智能調整,并實現半自磨根據浮選情況調整供礦量,對半自磨的磨礦過程進行精細控制,以最大化提高磨機處理量,保證磨礦產品粒度,提高磨礦產能及指標。通過檢測出的實時礦石塊度F80 值,可指導DCS 智能控制系統調節粗、中、細礦的比例分配,以便于實現智能配礦。

圖7 視頻管理畫面

圖8 塊度分析區域選擇畫面

本系統以中國云南省某選廠DCS 系統為基礎,選礦磨機給料實時塊度分析系統采用艾默生公司的智能控制系統DeltaV DCS,使用第三方OPC 連接包以確保分析系統與控制系統之間數據的轉換具有魯棒性。在服務器上安裝OPC Mirror 模塊實現智能控制系統的數據與遠程OPC 數據采集站OPC Server間的通訊。搭建OPC UA 服務器,安裝KEPServer-EX 軟件搭配python 中的opcua 包,與圖像分割算法建立實時通信,將礦石塊度圖像的F80 值實時傳輸給DCS 系統。

5 結論

針對選礦磨機礦石塊度高速在線檢測的實際需要,提出了一種具有通用性的實時塊度分析系統,該系統可以對皮帶上的礦石進行高速在線圖像采集,分割采集到的礦石圖像,量化統計分割后的圖像信息,通過OPC 通訊將礦石塊度參數傳輸至選廠自動化系統。

安裝八臺高清工業攝像機和八臺輔助照明系統用于實時采集各下料口處的礦石塊度圖像,為后續的算法分析提供了清晰可靠的圖像。

對礦石圖像采用改進后的分水嶺圖像分割算法處理可實現對各類礦石圖像的高精度分割。同時采用等面積圓計算F80 值,高效且準確的衡量礦石的粗細程度及變化。

實踐結果表明,該系統操作合理,檢測方便,可視化效果好,完全滿足實時礦石塊度分析技術要求,解決了由于缺乏塊度檢測分析系統而無法實現給礦塊度的自動配比這一難題,同時為今后智能選礦廠的發展提供參考。