基于機械臂的煤塊粒度自動識別系統研究

摘" 要：煤炭生產過程中，煤塊破碎的粒度大小影響著產品的質量，為使煤塊粒度符合不同使用需求，應當對煤塊粒度分布進行識別與統計。為提高煤塊粒度的識別效率，設計基于機械臂的煤塊粒度自動識別系統，采用隨機取樣的統計方法，使用機械臂鏟取煤樣并攤平，利用機器視覺技術識別并用OpenCV中的分水嶺算法統計煤塊粒度大小，實時掌握煤塊粒度情況。測試結果表明，系統對煤塊粒度識別的誤差率為7.1%，能夠滿足現場生產需求。

關鍵詞：機械臂;煤塊識別;機器視覺;OpenCV;分水嶺算法

中圖分類號：TP241" " " 文獻標志碼：A" " " " " 文章編號：2095-2945（2023）25-0033-05

Abstract： In the process of coal production， the particle size of coal lump affects the quality of products. In order to make the particle size of coal lump meet different requirements， the particle size distribution of coal lump should be identified and counted; in order to improve the recognition efficiency of coal lump size， the designed coal lump size automatic identification system based on mechanical arm adopts the statistical method of random sampling， uses the mechanical arm to shovel and flatten the coal sample， uses the machine vision technology to identify and use the watershed algorithm in OpenCV to calculate the coal lump particle size， and grasps the coal lump particle size in real time. The test results show that the error rate of coal particle size recognition of the system is 7.1%， which can meet the needs of on-site production.

Keywords： robotic arm; coal lump recognition; machine vision; OpenCV; watershed algorithm

煤炭在洗選的過程中，需要根據用途的不同，對煤塊的破碎粒度進行控制。煤塊粒度的尺寸大小分布直接影響著最終產品的質量[1]。為了保證煤炭生產過程中的煤塊粒度控制在特定范圍內，需要對生產輸送過程中的煤塊進行粒度識別和統計。取得粒度信息的途徑有很多種，如篩分法、顯微鏡法等，這類傳統方法雖然受工況影響較小、操作步驟簡潔，但效率較低、人工成本較高;還有激光衍射法、超聲波法等誤差較小的新型方法，但對操作環境具有較高的要求，且硬件成本較高不能滿足實際需要。

目前，由于機器人技術和機器視覺技術正發生日新月異的變化，將兩者結合的研究成果被廣泛地應用到不同領域。澳大利亞Western大學將機器視覺技術運用于機器人裝置，通過對圖像位置特征的識別獲得具體三維坐標參數，實現了對實際物體的空間堆放[2]。日本東京大學將機器視覺技術與機器人的位姿信息進行配合，研發了動態導航系統[3]。

我國的機器視覺研究于1980年左右拉開序幕。龐云亭等[4]基于機器視覺技術研究設計出了視覺跟蹤系統，實現了仿生機器人頭部對選定目標的實時追蹤。焦恩璋等[5]利用機器視覺原理，成功設計了能夠實現分揀技術的工業機器人。毛德柱等[6]基于遺傳算法實現了對工件位姿信息的求取，為后續智能化加工技術的發展創造了良好的條件。王詩宇[7]通過對智能化工業機器人機器識別技術的深刻研究，詳細闡述了為解決不同類別的視覺處理需要，結合對應種類的工業機器人進行的智能化運用與探索。

國內外學者均對機器視覺應用進行了深入研究，已具有眾多領域的研究成果。血細胞計數儀、濕法激光粒度分析儀等在生活中已得到了廣泛的應用。但截至目前，國內礦石粒度研究領域內仍沒有完整的基于機器視覺的煤塊粒度識別裝置，還需廣大科研機構和學者進行進一步的探索。

本項目擬將機器視覺技術運用到煤塊粒度檢測裝置中，得到一種創新式的粒度信息獲取方式——基于機械臂的煤塊粒度自動識別系統。

1" 煤塊粒度識別系統總體構建

本文構建的基于機械臂的煤塊粒度自動識別系統總體方案如圖1所示，主要由煤塊樣品采集、樣品輸送、圖像采集識別和樣品回收4部分組成。通過機械臂從煤塊主運皮帶上自動取樣，并將樣品放置在煤樣識別輸送帶上。利用刮刀對樣品進行攤平，進入識別區的煤樣觸發側方的光電傳感器，向計算機發送信號。煤樣輸送帶停止運轉，由工業相機拍攝煤塊圖像信息并傳輸到計算機，利用編寫的煤塊識別與分析軟件提取煤塊的形狀信息，整合了煤塊樣品的粒度分布。煤塊樣品粒度識別完成后，重新啟動輸送帶將樣品回收，定時進入下一次工作循環。

1.1" 基于機械臂的煤塊自動取樣裝置設計

設計的自動取樣裝置如圖2所示，主機選用四軸機械臂，在其執行末端安裝取樣鏟斗[8]。取樣時，控制機械臂將取樣鏟斗機構迎著主運皮帶輸送方向放置在煤塊輸送皮帶機上，待煤塊填滿取樣鏟斗時，旋轉取樣鏟斗使開口朝上，并旋轉機械臂將取樣鏟斗移動至煤樣輸送帶上方，然后翻轉取樣鏟斗將煤塊放置到煤樣輸送帶上。相比于已有的旋刮取樣裝置，這樣可避免因兩側擋板受到煤塊沖擊對取樣裝置造成的損壞。此外，采用機械臂取樣更加靈活便捷，可以任意調整取樣的位置和取樣的角度，所占空間較少，安裝較為方便，適用性較強。

1.2" 煤樣傳送及攤平裝置設計

煤塊樣品放置到煤樣輸送帶上以后，為減少煤塊樣本堆積，在輸送帶上方設計如圖3所示的聚氨酯刮刀將煤塊樣品攤平?？紤]到煤塊已經進行過篩分，粒度范圍大致可以確定，因此可根據實際需要調整刮刀傾斜角度進而控制刮刀高度，以適應不同粒度煤樣的檢測。煤塊樣本被刮平整后，避免了煤塊的堆疊，使后續的識別統計結果更加準確。

1.3" 煤樣圖像采集模塊設計

設計的圖像采集模塊如圖4所示，主要由工業相機、輔助光源、光電傳感器及計算機等部分構成。工業相機垂直安裝在輸送帶上方，輔助光源設置在相機旁。當光電傳感器檢測到煤塊樣本經輸送帶運送到指定位置后，向控制系統發送信號使煤樣輸送帶停止，工業相機進行多幀圖像采集并存儲至指定位置，供后續圖像識別程序調用。在工業相機完成圖像采集后，煤樣輸送帶重新啟動，將煤塊樣本傳送至樣本回收區進行回收。

本系統光電傳感器選用E18-D80NK型傳感器，該型傳感器屬于紅外式漫反射型，可對反射光進行調解，避免環境中可見光對檢測的干擾。為完整抓取煤塊樣本圖片，將傳感器固定在識別區末端。相機選用北京大恒圖像的ME2P-G-P型移軸工業數字相機。該相機的分辨率可達1 800萬像素，攝像頭的像元尺寸為2.5 μm×2.5 μm，可微小調節相機鏡頭的角度以適應必須傾斜拍攝的情況。相機的圖像傳感器采用Gpixel GMAX0505，相機上有線纜鎖緊裝置與螺釘安裝孔位，可靈活安裝在各種位置，便于滿足不同使用需求。

2" 基于分水嶺法的煤塊粒度識別算法研究

在計算機端接收到工業攝像頭獲取的煤塊圖像信息后，利用OpenCV對煤塊圖像進行粒度識別與統計，其流程如圖5所示，分割方法主要采用分水嶺算法。該算法是圖片經過亮度調節后，通過二值化處理步驟獲得了黑白圖片，再經形態學處理和距離變換獲得圖片的背景和前景，然后用背景和前景作差得到未知區域，確定分割位置，最后用連通域獲取標記結果并進行分割。

2.1" 圖像預處理

圖像預處理主要包括圖像的亮度調節和二值化處理[9]。為了將煤塊邊緣和背景區分開，使得圖像的全部信息更清楚地展現出來，需要對該煤塊圖像進行亮度處理，增強暗部細節，以降低煤塊邊緣分割難度。

為進行簡化處理，提高分割效率，先對圖像進行二值化處理。即通過選取合適的閾值，將像素灰度值轉為0和255兩種[10]。設該圖像為src（x，y），如果圖像像素的灰度大于閾值，則把其灰度值置為255，小于閾值則置0。在處理煤塊圖像時，所用到的二值化原理如下

經預處理后的圖像如圖6所示。

2.2" 圖像分割

圖像分割主要包括取圖像背景、取圖像前景和分水嶺法分割3部分。由于利用分水嶺算法，必須要在分割之前取圖像背景和前景并進行減法處理來獲得未知區域，因此需要利用形態學處理中的膨脹和開運算提取圖像背景。

膨脹是通過遍歷圖像中的元素，用錨點對準當前遍歷像素，取自定義結構元素對應相應區域中像素的最大值，并將該最大值作為新的像素值，即將原有輪廓進行擴大處理，表示為

由上式可知，利用分水嶺分割要先獲取不同的連通域并對其進行標記，獲取方法為連通域標記算法。上述圖像處理過程如圖7所示。接著根據標簽的內容對圖片進行分割，分割結果如圖8所示。

在系統設計過程中，本文還針對不同二值化閾值對圖像分割結果的影響進行了討論與實驗。表1是第一次二值化取不同閾值的分割誤差變化情況，表2是第二次二值化取不同閾值時的誤差情況。

通過以上分析結果可知，分割的準確度與2次二值化閾值的選取有很大關聯。第一次二值化閾值選取不當會導致后續形態學處理腐蝕過度，致使煤塊信息部分丟失，分割誤差較大。第二次二值化閾值選取不當則會導致前景選取有偏差，導致分割位置不精準，因此分割是否精準主要取決于閾值的選取。而當2個閾值選在246和10時，誤差率為7.1%，數值最小。

2.3" 圖像粒度統計

分割后對粒度大小進行處理和統計，對煤塊來說其粒度大小一般用粒度直徑表示。原理是根據像素點的總面積來得到實際煤塊的面積，接著等效轉化成粒度直徑。通過編寫程序可以獲得在各個分割區域內其像素點的個數。該攝像頭的像元尺寸為2.5 μm×2.5 μm，通過與分割區域中的像素點的乘積就可以得到圖像中的煤塊面積。即

Si=3.45×3.45×10-6×Pi ，

式中：Pi為第i個煤塊的像素點數;Si為圖像中第i個煤塊的面積，mm。

設傳送帶上的煤塊距凸透鏡的距離與像距凸透鏡的距離比值為k，則對應的面積比即為k2。設實際煤塊的照射面積為" ，則

設等效直徑為di，由于攤平后煤塊的照射面積基本是煤塊的最大截面面積，因此可認為該面積近似等于該直徑所在的圓面積，可得

至此完成了像素到粒度直徑的轉化，轉化后去除因分割原因帶來的不準確數據，并生成柱狀圖，如圖9所示。

3" 結論

本項目針對目前煤塊粒度識別效率不高、可靠性不足的問題，設計了一套基于機械臂、輸送帶、工業相機的煤塊自動取樣及粒度識別系統，通過機器視覺及計算機圖像處理技術，實現了對煤塊粒度的自動分析。

基于機械臂的煤塊自動取樣裝置，根據工作需求對其設計了合理的運動形式，可根據工況調整取樣位置、取樣角度等參數，能靈活地進行搬運取樣工作。隨后的攤平裝置可根據實際情況調整刮刀高度，平整煤塊樣本，使圖像處理的難度得到降低。

煤塊粒度識別裝置主要利用了分水嶺算法，該算法具有標記精準、分割高效等優點，能較為精確的對傳至PC端的圖像進行識別分析。該算法還可以根據具體工況調整二值化閾值大小，靈活地適用于不同工況。

本項目設計的基于機械臂的煤塊粒度自動識別系統利用機器視覺原理具有較高的智能化水平，并且兼具開發成本低，操作過程簡潔，軟件界面友好等優點。在使用過程中可直接觀察到各粒度梯度的煤塊數量信息，識別度高，極大地提高了生產智能化。本文設計的系統也可以在其他物料的分選中使用，具有廣闊的利用前景。

參考文獻：

[1] 潘永泰.煤炭洗選加工過程中遇到的有關粒度問題探討[C]//2011年全國選煤技術交流會論文集，2011：130-133.

[2] HONG S H， PARK J H， KWON K H. A distance learning system for robotics[M].Berlin Heidelberg： Springer，2007：523-530.

[3] ASADA M， TANAKA T， HOSODA K. Visual tracking of unknown moving object by adaptive binocular visual servoing[C]// Proceeding of the 1999 IEEE International Conference on Multisensor Fusion and Intelligent Systems.Tai Pei，1999：249-254.

[4] 龐云亭，黃強.基于雙計算機的仿人機器人的視覺跟蹤系統[J].微計算機信息，2007（26）：241-243.

[5] 焦恩璋，杜榮.工業機器人分揀技術的實現[J].組合機床與自動化加工技術，2010（2）：84-87.

[6] 毛德柱，周凱，張伯鵬.基于遺傳算法的工件位姿求取研究[J].制造技術與機床，2001（1）：16-17.

[7] 王詩宇.智能化工業機器人視覺系統關鍵技術研究[D].北京：中國科學院大學（中國科學院沈陽計算技術研究所），2021.

[8] 貴州金瑞新材料有限責任公司.一種皮帶中部取樣機：CN202220539493.6[P].2022-08-05.

[9] 馮振，陳亞萌.OpenCV 4詳解 基于Python [M].北京：人民郵電出版社，2021：118-186.

[10] 葉平坤.基于圖像處理的礦巖粒度檢測的研究[D].鄭州：鄭州大學，2018.

[11] 趙夢琦.基于分水嶺算法的圖像分割算法研究[D].西安：西安郵電大學，2020.