CN103473568A - 煤与矸石分选装置及其分选方法 - Google Patents

Abstract

本发明提供的煤与矸石分选装置，包括振动给煤机、传送带、排队装置、图像传感器、图像采集器、微处理器、上位机、分选控制器，高压喷枪、煤块通道和矸石通道。图像传感器信息通过微处理器进行实时处理后传送到上位机中进行图像信息预处理、特征提取、软测量模式建立及输出分选信号，分选信号传送给分选控制器，原煤自然落入煤块通道，高压喷枪使矸石落入矸石通道。本发明还提供了分选的方法。其优点在于：有效地克服目前煤与矸石分选方法中存在的识别率低和环境污染重等缺点，其识别率高，可有效减少环境污染，设备体积小、易安装、成本低、易维护，大大提高原煤分选精度和自动化程度，代替了人工捡矸。

Description

煤与矸石分选装置及其分选方法

技术领域

本发明涉及检测装置和检测方法，特别涉及一种煤与矸石分选装置及其分选方法。

背景技术

煤与矸石是在采煤过程中伴生的、分选过程中被分离出来的固粉体。国内外煤与矸石分选的方法主要有湿法选煤和干法选煤。湿法选煤工艺复杂、设备庞大、需要大量水、干燥、煤泥水处理等环节。干法选煤主要有流化床干选、伽马射线、风力干洗等。流化床干法不需水、分选范围广、设备易磨损、污染环境严重；伽马法依据γ射线透射物质时的衰减进行分选，效率低、功耗高、对工人身体造成伤害；传统风力法整体投资少、对粒度要求高、效率及精度均较低、工作时能耗和噪音较高、且产生大量的粉尘。针对上述各方法现状，提高原煤分选精度和自动化程度，代替人工捡矸，是一个重要技术课题。

发明内容

本发明的目的是克服上述缺陷，提供一种煤与矸石分选装置及其分选方法，其识别率高，可有效减少环境污染，设备体积小、易安装、成本低、易维护，大大提高原煤分选精度和自动化程度，以代替人工捡矸。

为达到上述目的，本发明提供的煤与矸石分选装置，包括煤与矸石分选装置，包括振动给煤机、传送带、排队装置、高压喷枪、煤块通道和矸石通道，所述振动给煤机通过所述传送带传送待处理料，所述煤块通道和矸石通道位于所述传送带末端的下方，所述排队装置安装在所述传送带的始端，所述高压喷枪安装在所述传送带的末端，所述高压喷枪的喷嘴逆着运行方向与所述传送带的末端相对，还包括图像传感器、图像采集器、微处理器、上位机和分选控制器，所述图像传感器安装在所述传送带的上方，所述图像传感器输出的测量信号经所述图像采集器传输至所述微处理器进行实时处理，然后通过USB通信方式将信息传送到所述上位机，所述上位机进行图像信息的预处理、特征提取并建立软测量模型，然后输出分选信号并通过串口通信传送给所述分选控制器，所述分选控制器将分选信号输出至所述高压喷枪分别执行动作使煤落入所述煤通道,矸石自所述传送带落入所述矸石通道。

本发明煤与矸石分选装置，其中所述图像传感器采用型号为OV7670的CMOS图像敏感器件。

本发明煤与矸石分选装置，其中所述微处理器采用型号为C8051F340的芯片构成。

本发明煤与矸石分选装置，其中所述分选控制器采用型号为STC89C52的芯片构成。

本发明煤与矸石分选装置，其中所述微处理器通过USB通信方式将信息传送到所述上位机，所述上位机输出的分选信号通过串口通信传送给所述分选控制器。

为达到前述目的，本发明提供的一种煤与矸石分选方法，该方法设置振动给煤机、传送带、排队装置、高压喷枪、煤块通道和矸石通道，以及图像传感器、图像采集器、微处理器、上位机和分选控制器，该方法包括：

(1)在所述传送带的上方安装图像传感器；

(2)所述图像采集器按照设定频率进行图像采样、显示和存储，传送带的运行速度为1.5m/s，则每秒钟采样3帧图像；

(3)所述上位机进行图像信息的预处理、特征提取并建立基于BP的神经网络软测量模型，其中：

图像信息的预处理包括去噪、图像增强和图像分割；

图像信息的特征提取包括提取目标的灰度特征值，Tamura纹理特征的粗糙度、对比度和方向度，以及灰度共生矩阵中的熵、二阶矩和相关度，用这些值顺序组成特征值向量，作为识别图像信息的输入量；

建立基于BP的神经网络软测量模型包括设定神经网络隐含层神经元个数，然后在对采集的待处理料样本图像进行神经网络训练识别，将误差逐渐缩小至要求范围之内；

(4)将煤的识别结果用“0”表示，矸石的识别结果用“1”表示，所述上位机输出分选信号至所述分选控制器，所述分选控制器控制所述高压喷枪执行动作使煤落入所述煤通道，矸石自所述传送带落入所述矸石通道。

本发明提供的煤与矸石分选方法，其中所述步骤3)中对采集的待处理料样本图像进行神经网络训练识别的步骤是：

1）制定网络的拓扑结构，将网络设置为三层；

2）设定网络的参数，包括分类精度、循环次数和样本特征值向量的各个常数因子，对网络进行初始化设置；

3）计算各层网络输入矩阵的权值系数和输出，判断该网络的输出精度是否达到要求，首先判断某一样本的输出误差是否达到了预先设定的误差要求，若否，则修改权值系数后返回重新计算；若是，则继续判断全部样本的输出误差是否在要求的范围之内；若全部样本的输出误差在误差要求范围内则继续向下执行，判断循环次数是否超过设定的最大循环次数，若是，则该网络没有实现预期效果，需要修正网络的参数。

4）以修正后的网络参数对各层网络输入矩阵进行上述计算，直到对比实际输出和期望输出后,样本图像识别归为输出误差最小的一类。

本发明煤与矸石分选装置及其分选方法的优点和积极效果在于：由于采用了图像传感器、图像采集器、微处理器、上位机和分选控制器，对原有振动给煤机、传送带、煤块通道和矸石通道进行改造，能够有效地克服目前煤与矸石分选方法中存在的识别率低和环境污染重等缺点，其识别率高，可有效减少环境污染，设备体积小、易安装、成本低、易维护，大大提高原煤分选精度和自动化程度，代替了人工捡矸。

下面将结合实施例参照附图进行详细说明。

附图说明

图1为本发明煤与矸石分选装置的方框图；

图2为本发明煤与矸石分选装置的结构示意图。

具体实施方式

下面以实例说明本发明煤与矸石分选装置。

参照图1，本发明煤与矸石分选装置包括振动给煤机1、传送带2、排队装置3、图像传感器4、图像采集器11、微处理器5、上位机6、分选控制器7，高压喷枪9、煤块通道8和矸石通道10。

图像传感器4采用型号为OV7670的CMOS图像敏感器件，该器件使用3.3V电压供电，集成了图像敏感阵列和A/D转换元件、能直接提供8位RGB/YUV等格式视频数字信号，图像输出最高速度可达30FPS，具有自动曝光控制、自动增益控制、伽玛校正等控制功能。

由于图像传感器4的时钟频率可达24MHz，因此在图像传感器4和微处理器5之间通过采用AL422B为核心的FIFO模块构成的图像采集器11进行连接，保证图像的不失真传输。

微处理器5采用型号为C8051F340的芯片构成，内部集成有USB功能模块，利用USB功能实现与上位机6之间的数据传输与控制。USB接口使用防误插性能出众、体积小巧的Mini B型5pinUSB接口。

分选控制器7采用型号为STC89C52的芯片构成。

振动给煤机1通过传送带2传送待处理料，煤块通道8和矸石通道10位于传送带2末端的下方。排队装置3安装在传送带2的始端，高压喷枪9安装在传送带2的末端，高压喷枪9的喷嘴逆着运行方向与传送带2的末端相对。

结合参照图2，图像传感器4安装在传送带2的上方。图像传感器4输出的测量信号经图像采集器11传输至微处理器5进行实时处理，然后通过USB通信方式将信息传送到上位机6，上位机6进行图像信息的预处理、特征提取并建立软测量模型，然后输出分选信号并通过串口通信传送给分选控制器7，分选控制器7将分选信号输出至高压喷枪9分别执行动作使煤落入煤通道8和使矸石落入矸石通道10。

上位机信息处理采用的C#是一种新型的面向对象的编程语言，保持了C++中的优点，去除了C++的复杂性，使得语言更加简单，功能更加强大。上位机开发环境为Microsoft VisualStudio2008。上位机6进行图像信息的预处理、特征提取并建立基于BP的神经网络软测量模型执行如下步骤：

步骤1，图像信息的预处理包括去噪、图像增强和图像分割。

步骤2，图像信息的特征提取包括提取目标的灰度特征值，Tamura纹理特征的粗糙度、对比度和方向度，以及灰度共生矩阵中的熵、二阶矩和相关度，用这些值顺序组成特征值向量，作为识别图像信息的输入量。

步骤3，建立基于BP的神经网络软测量模型包括设定神经网络隐含层神经元个数，然后在对采集的待处理料样本图像进行神经网络训练识别，将误差逐渐缩小至要求范围之内。具体的步骤是：

1）制定网络的拓扑结构，将网络设置为三层；

2）设定网络的参数，包括分类精度、循环次数和样本特征值向量的各个常数因子，对网络进行初始化设置；

3）计算各层网络输入矩阵的权值系数和输出，判断该网络的输出精度是否达到要求，首先判断某一样本的输出误差是否达到了预先设定的误差要求，若否，则修改权值系数后返回重新计算；若是，则继续判断全部样本的输出误差是否在要求的范围之内；若全部样本的输出误差在误差要求范围内则继续向下执行，判断循环次数是否超过设定的最大循环次数，若是，则该网络没有实现预期效果，需要修正网络的参数。

4）以修正后的网络参数对各层网络输入矩阵进行上述计算，直到对比实际输出和期望输出后,样本图像识别归为输出误差最小的一类。

步骤4，将煤的识别结果用“0”表示，矸石的识别结果用“1”表示，输出分选信号。

参照图1和图2，本发明煤与矸石分选方法，该方法包括：

（1)在传送带2的上方安装图像传感器4。

（2)图像采集器11)按照设定频率进行图像采样、显示和存储，传送带2的运行速度为1.5m/s，则每秒钟采样3帧图像。

（3）上位机6进行图像信息的预处理、特征提取并建立基于BP的神经网络软测量模型，其中：

图像信息的预处理包括去噪、图像增强和图像分割；

图像信息的特征提取包括提取目标的灰度特征值，Tamura纹理特征的粗糙度、对比度和方向度，以及灰度共生矩阵中的熵、二阶矩和相关度，用这些值顺序组成特征值向量，作为识别图像信息的输入量；

建立基于BP的神经网络软测量模型包括设定神经网络隐含层神经元个数，然后在对采集的待处理料样本图像进行神经网络训练识别，将误差逐渐缩小至要求范围之内。具体的步骤包括：

1）制定网络的拓扑结构，将网络设置为三层；

2）设定网络的参数，包括分类精度、循环次数和样本特征值向量的各个常数因子，对网络进行初始化设置；

3）计算各层网络输入矩阵的权值系数和输出，判断该网络的输出精度是否达到要求，首先判断某一样本的输出误差是否达到了预先设定的误差要求，若否，则修改权值系数后返回重新计算；若是，则继续判断全部样本的输出误差是否在要求的范围之内；若全部样本的输出误差在误差要求范围内则继续向下执行，判断循环次数是否超过设定的最大循环次数，若是，则该网络没有实现预期效果，需要修正网络的参数。

4）以修正后的网络参数对各层网络输入矩阵进行上述计算，直到对比实际输出和期望输出后,样本图像识别归为输出误差最小的一类。

（4）将煤的识别结果用“0”表示，矸石的识别结果用“1”表示，上位机(6)输出分选信号至分选控制器7，分选控制器7控制高压喷枪9执行动作使煤落入煤通道8，矸石自传送带2落入矸石通道10。

下面详细说明本发明中煤与矸石分选的工作过程。

大块原煤和矸石经振动给煤机1到传送带2上，煤和矸石经排队装置3排序之后按照单行队列依次被传送前进，安装在传送带上方的图像传感器4对其进行信息采集并通过微处理器5进行实时处理，然后通过USB通信方式将信息传送到上位机6中。在上位机6中进行图像信息预处理、特征提取、软测量模式建立及输出分选信号，分选信号通过串口通信传送给分选控制器7，如果判断是煤，控制部分不动作，原煤自然落入煤块通道8，从煤块通道8运走，如果判断是矸石，分选控制器7命令执行机构高压喷枪9做出分选动作，使矸石落入矸石通道10。这一装置可完全代替人工拣矸，大大增强选煤洗选的自动化程度，同时节约劳动了成本，保护了工人身体健康。

上面所述的实施例仅仅是对本发明的优选实施方式进行描述，并非对本发明的构思和范围进行限定，在不脱离本发明设计方案前提下，本领域中普通工程技术人员对本发明的技术方案做出的各种变型和改进，均应落入本发明的保护范围，本发明请求保护的技术内容，已经全部记载在权利要求书中。

Claims (7)

1.一种煤与矸石分选装置，包括振动给煤机(1)、传送带(2)、排队装置(3)、高压喷枪(9)、煤块通道(8)和矸石通道(10)，所述振动给煤机(1)通过所述传送带(2)传送待处理料，所述煤块通道(8)和矸石通道(10)位于所述传送带(2)末端的下方，所述排队装置(3)安装在所述传送带(2)的始端，所述高压喷枪(9)安装在所述传送带(2)的末端，所述高压喷枪(9)的喷嘴逆着运行方向与所述传送带(2)的末端相对，其特征在于：还包括图像传感器(4)、图像采集器(11)、微处理器(5)、上位机(6)和分选控制器(7)，所述图像传感器(4)安装在所述传送带(2)的上方，所述图像传感器(4)输出的测量信号经所述图像采集器(11)传输至所述微处理器(5)进行实时处理，然后通过USB通信方式将信息传送到所述上位机(6)，所述上位机(6)进行图像信息的预处理、特征提取并建立软测量模型，然后输出分选信号并通过串口通信传送给所述分选控制器(7)，所述分选控制器(7)将分选信号输出至所述高压喷枪(9)分别执行动作使煤落入所述煤通道(8),矸石自所述传送带(2)落入所述矸石通道(10)。

2.根据权利要求1所述的煤与矸石分选装置，其特征在于：其中所述图像传感器(4)采用型号为OV7670的CMOS图像敏感器件。

3.根据权利要求1或2所述的煤与矸石分选装置，其特征在于：其中所述微处理器(5)采用型号为C8051F340的芯片构成。

4.根据权利要求3所述的煤与矸石分选装置，其特征在于：其中所述分选控制器(7)采用型号为STC89C52的芯片构成。

5.根据权利要求4所述的煤与矸石分选装置，其特征在于：其中所述微处理器(5)通过USB通信方式将信息传送到所述上位机(6)，所述上位机(6)输出的分选信号通过串口通信传送给所述分选控制器(7)。

6.一种煤与矸石分选方法，该方法设置振动给煤机(1)、传送带(2)、排队装置(3)、高压喷枪(9)、煤块通道(8)和矸石通道(10)，以及图像传感器(4)、图像采集器(11)、微处理器(5)、上位机(6)和分选控制器(7)，其特征在于：该方法包括：

(1)在所述传送带(2)的上方安装图像传感器(4)；

(2)所述图像采集器(11)按照设定频率进行图像采样、显示和存储，传送带(2)的运行速度为1.5m/s，则每秒钟采样3帧图像；

(3)所述上位机(6)进行图像信息的预处理、特征提取并建立基于BP的神经网络软测量模型，其中：

图像信息的预处理包括去噪、图像增强和图像分割；

图像信息的特征提取包括提取目标的灰度特征值，Tamura纹理特征的粗糙度、对比度和方向度，以及灰度共生矩阵中的熵、二阶矩和相关度，用这些值顺序组成特征值向量，作为识别图像信息的输入量；

建立基于BP的神经网络软测量模型包括设定神经网络隐含层神经元个数，然后在对采集的待处理料样本图像进行神经网络训练识别，将误差逐渐缩小至要求范围之内；

(4)将煤的识别结果用“0”表示，矸石的识别结果用“1”表示，所述上位机(6)输出分选信号至所述分选控制器(7)，所述分选控制器(7)控制所述高压喷枪(9)执行动作使煤落入所述煤通道(8)，矸石自所述传送带(2)落入所述矸石通道(10)。

7.根据权利要求6所述的方法，其特征在于：其中所述步骤3)中对采集的待处理料样本图像进行神经网络训练识别的步骤是：

1）制定网络的拓扑结构，将网络设置为三层；

2）设定网络的参数，包括分类精度、循环次数和样本特征值向量的各个常数因子，对网络进行初始化设置；

3）计算各层网络输入矩阵的权值系数和输出，判断该网络的输出精度是否达到要求，首先判断某一样本的输出误差是否达到了预先设定的误差要求，若否，则修改权值系数后返回重新计算；若是，则继续判断全部样本的输出误差是否在要求的范围之内；若全部样本的输出误差在误差要求范围内则继续向下执行，判断循环次数是否超过设定的最大循环次数，若是，则该网络没有实现预期效果，需要修正网络的参数。

4）以修正后的网络参数对各层网络输入矩阵进行上述计算，直到对比实际输出和期望输出后,样本图像识别归为输出误差最小的一类。

Images