CN110220908A - 一种浮选精煤灰分的在线检测系统及其在线检测方法 - Google Patents

Abstract

一种浮选精煤灰分的在线检测系统及其在线检测方法，所述在线检测系统包括硬件检测系统及其软件检测程序；所述在线检测方法是对泡沫图像进行去燥增强分割处理，泡沫分割图像，提取均值等纹理特征统计量，相关性分析，建立神经网络模型，确定隐含层节点数，对精煤泡沫灰分进行分类识别，并输出到程序界面；本系统占地面积小，设计结构简单，经济环保；本方法在线检测精煤浮选，及时调整加药量，降低了药剂消耗，提高了精煤回收率。

Description

一种浮选精煤灰分的在线检测系统及其在线检测方法

技术领域

本发明涉及一种浮选精煤灰分在线检测方法，尤其是一种用于选煤厂浮选精煤灰分的在线监测方法。

背景技术

浮选是矿物加工中应用较广泛的一种选煤方法，其过程矿化气泡是必须的，它涉及到极复杂的物理化学反应过程，矿化气泡是由气固液三相组成的三维复杂体，包含着如气泡大小、颜色、速度等与浮选状态及指标的视觉信息，多年来选煤厂主要靠生产工人观察泡沫来调节操作，但泡沫状态呈现随机性，而不同操作人员对泡沫状态的判断没有统一定量的标准，导致操作的主观性和随意性较大，使浮选过程难以处于最佳运行状态，常出现生产过程不稳定，浪费矿物资源等问题，随着自动控制、计算机与图像等技术的发展，研究开发浮选泡沫视觉装置，利用图像信息定量地反映浮选过程状态，并给出参考操作信息已成为可能，因此基于机器视觉的浮选过程自动控制是我国选煤厂必然的发展方向，具有重要的现实意义和广阔的应用前景。

发明内容

本发明的目的是要解决选煤厂浮选精煤灰分监测过程中的滞后性问题，提供一种灰分在线监测方法，以指导现场精煤浮选，降低药剂消耗，减轻工人劳动力强度，提高精煤回收率的目的。

实现上述目的采取如下技术方案。

一种浮选精煤灰分的在线检测系统，包括硬件检测系统及其软件检测程序；其特征在于：所述硬件检测系统包括支架、工业控制机、工业相机、镜头、滤光镜、光源、光源控制器、信号传输线及遮光罩；所述软件检测程序包括图像预览、图像采集、预处理、泡沫图像分割、特征参数提取、神经网络训练、建立预测模型及数据输出模块；

所述硬件检测系统是将支架安装在泡沫槽正上方，并在支架上至上而下依次安装有遮光罩、工业相机、光源及其光源控制器，并与泡沫槽垂直相对应；泡沫槽正下方探入泡沫槽以下与泡沫层直接接触；

所述软件检测程序是采用MATLAB语言编写，程序界面采用MATLAB软件的图形用户界面开发工具箱进行设计。

附加技术特征在于：所述光源是环形LED白色光源；所述工业相机是彩色CCD相机；所述信号传输线是千兆网线；所述遮光罩是不透光材质制成的金属骨架；所述镜头是500万像素定焦镜头；所述滤光镜是中灰密度滤光镜；所述工业控制机是安装在浮选机旁，并配有Gig E数据接口用于图像信号传输，通过网线与CCD相机连接。

附加技术特征还在于：所述千兆网线一端连接有CCD工业相机；另一端通过浮选槽下方的电缆桥架连接有工控机的Gig E数据接口。

一种用于上述的浮选精煤灰分的在线检测系统的在线检测方法，其特征在于：所述在线检测方法是按下列步骤进行的：

（1）打开电源设备，运行程序，系统自动调用相机，进入图像预览模式，调节相机焦距、光圈亮度以及光源强度，直到图像清晰稳定为止；

（2）运行主程序，系统开始调用相机并实时采集泡沫图像，将图像采集时间间隔设置为30s，并将图像存储在缓存区内；

（3）程序自动读取缓存区内的图像，将RGB图像转换为256级灰度图像；

（4）基于面积重构开闭滤波与交替顺序滤波结合的去噪方法对泡沫图像进行去燥增强处理；

（5）在步骤（4）的基础上对预处理后的泡沫图像采用自适应形态学的改进分水岭分割算法进行分割处理，该算法具有较强的鲁棒性和准确性，更能够适应各种工况下的泡沫图像分割；

（6）对步骤（5）中经过基于形态学和分水岭变换处理后的泡沫分割图像，计算其盆地的总个数以及每个盆地面积，即泡沫的总个数和每个泡沫的面积，结合相机放大倍数通过比例尺换算最终计算得到所有泡沫的平均面积；

（7）基于灰度直方图法提取均值、方差、三阶矩、熵、相关性、平滑度六个纹理特征统计量；

（8）基于灰度共生矩阵提取出能量、熵、相关性、对比度四个纹理特征统计量；

（9）将步骤（6）、步骤（7）及步骤（8）中所提取的十一个特征量与泡沫实际化验灰分进行相关性分析，筛选出相关性较高的特征统计量；

（10）建立BP神经网络模型，将步骤（9）中筛选出的特征值作为BP神经网络输入层，针对给定的样本集进行训练，通过计算误差确定隐含层节点数；

（11）利用步骤（10）中训练得到的模型对精煤泡沫灰分进行分类识别，并输出到程序界面。

上述本发明所采取的技术方案，与现有技术相比，其优点与积极效果主要体现在：本方法在线检测精煤浮选，掌握精煤浮选情况，及时调整加药量，达到了降低药剂消耗，提高了精煤回收率的目的；

本方法时效性强，能够实时反馈产品指标信息，有效避免了人工测灰劳动强度大、周期长、操作误差大的弊端；

本方法程序算法简单，界面友好，运算速度快，灰分预测精度高；同时整套系统占地面积小，设计结构简单，经济环保。

附图说明

图1是本发明检测设备安装实物图。

图2是本发明煤泥浮选泡沫原始图像。

图3是本发明煤泥浮选泡沫图像滤波结果。

图4是本发明预处理效果图。

图5是本发明的泡沫图像标记点提取。

图6是本发明采用自适应形态学改进分水岭分割算法处理后的泡沫分割图。

图7是本发明执行程序界面示意图。

图8是本发明检测设备灰分预测误差分析图。

具体实施方式

下面对本发明的具体实施方式作出作进一步的详细描述。

如附图所述，实施一种浮选精煤灰分的在线检测系统，包括硬件检测系统及其软件检测程序；其中，所述硬件检测系统包括支架、工业控制机、工业相机、镜头、滤光镜、光源、光源控制器、信号传输线及遮光罩；所述软件检测程序包括图像预览、图像采集、预处理、泡沫图像分割、特征参数提取、神经网络训练、建立预测模型及数据输出模块；

该硬件检测系统是将支架安装在泡沫槽正上方，并在支架上至上而下依次安装有遮光罩、工业相机、光源及其光源控制器，并与泡沫槽垂直相对应；泡沫槽正下方探入泡沫槽以下与泡沫层直接接触；

该软件检测程序是采用MATLAB语言编写，程序界面采用MATLAB软件的图形用户界面开发工具箱进行设计。

在上述具体实施方式中，光源是环形LED白色光源；工业相机是彩色CCD相机；信号传输线是千兆网线；遮光罩是不透光材质制成的金属骨架；镜头是500万像素定焦镜头；滤光镜是中灰密度滤光镜；工业控制机是安装在浮选机旁，并配有Gig E数据接口用于图像信号传输，通过网线与CCD相机连接。

在上述具体实施方式中，所述千兆网线一端连接有CCD工业相机；另一端通过浮选槽下方的电缆桥架连接有工控机的Gig E数据接口。

一种用于上述的浮选精煤灰分的在线检测系统的在线检测方法，其特征在于：所述在线检测方法是按下列步骤进行的：

（1）打开电源设备，运行程序，系统自动调用相机，进入图像预览模式，调节相机焦距、光圈亮度以及光源强度，直到图像清晰稳定为止；

（2）运行主程序，系统开始调用相机并实时采集泡沫图像，将图像采集时间间隔设置为30s，并将图像存储在缓存区内；

（3）程序自动读取缓存区内的图像，将RGB图像转换为256级灰度图像；

（4）基于面积重构开闭滤波与交替顺序滤波结合的去噪方法对泡沫图像进行去燥增强处理；

（5）在步骤（4）的基础上对预处理后的泡沫图像采用自适应形态学的改进分水岭分割算法进行分割处理，该算法具有较强的鲁棒性和准确性，更能够适应各种工况下的泡沫图像分割；

（6）对步骤（5）中经过基于形态学和分水岭变换处理后的泡沫分割图像，计算其盆地的总个数以及每个盆地面积，即泡沫的总个数和每个泡沫的面积，结合相机放大倍数通过比例尺换算最终计算得到所有泡沫的平均面积；

（7）基于灰度直方图法提取均值、方差、三阶矩、熵、相关性、平滑度六个纹理特征统计量；

（8）基于灰度共生矩阵提取出能量、熵、相关性、对比度四个纹理特征统计量；

（9）将步骤（6）、步骤（7）及步骤（8）中所提取的十一个特征量与泡沫实际化验灰分进行相关性分析，筛选出相关性较高的特征统计量；

（10）建立BP神经网络模型，将步骤（9）中筛选出的特征值作为BP神经网络输入层，针对给定的样本集进行训练，通过计算误差确定隐含层节点数；

（11）利用步骤（10）中训练得到的模型对精煤泡沫灰分进行分类识别，并输出到程序界面。

下面是本发明的一个应用案例。

实施例1

基于图像法的浮选产品灰分在线检测系统

本发明实施案例来自西曲矿选煤厂，西曲矿选煤厂浮选系统现有四台浮选机，由于其余浮选机的入料复杂且不稳定，而407浮选机的入料单一，因此本实施例选取407浮选机的煤泥浮选泡沫为研究对象。

在线检测系统包括支架、工业控制机、CCD工业相机、镜头、滤光镜、光源、光源控制器、信号传输线及遮光罩；在线检测程序包括图像预览、图像采集、预处理、泡沫图像分割、特征参数提取、神经网络训练、建立预测模型及数据输出等模块。

在浮选槽顶板的中心位置处开一个方形孔，开孔尺寸为400mm×400mm，将支架固定在孔的正上方。

将光源控制器、CCD工业相机、光源从上到下依次安装在支架上，与泡沫槽垂直相对，防护罩与支架连接。

光源采用环形LED白色光源，工业相机采用彩色CCD相机，信号传输线采用千兆网线，遮光罩采用不透光材质制成的金属骨架。

镜头为500万像素定焦镜头，具有低畸变率、多种光学校正方式，最大限度的减少像差的发生，适合浮选工艺自动化这种画质要求比较高的场合。

滤光镜采用中灰密度滤光镜，安装在相机镜头前面，对各种波长的光线普通吸收，一定程度上限制进入相机的光线，降低泡沫顶端的亮度而不影响颜色反差。

工业控制机选用彩色触摸屏，防护等级高，安装在浮选机旁，便于司机操作，并配有Gig E数据接口用于图像信号传输。

千兆网线一端连接CCD相机，另一端通过浮选槽下方的电缆桥架连接在工控机的Gig E数据接口。

灰分检测程序采用MATLAB语言编写，程序界面采用MATLAB软件的图形用户界面开发工具箱进行设计。

具体检测步骤如下：

步骤1、将系统所有设备电源打开，运行程序，系统自动调用相机，进入图像预览模式，调节相机焦距、光圈亮度以及光源强度，直到图像清晰稳定为止。

步骤2、运行主程序，系统开始调用相机并实时采集泡沫图像，将图像采集时间间隔设置为30s，并将图像存储在缓存区内。

步骤3、程序自动读取缓存区内的图像，将RGB图像转换为256级灰度图像。

步骤4、基于面积重构开闭滤波与交替顺序滤波结合的去噪方法对泡沫图像进行去燥增强处理。

步骤5、在步骤4的基础上对预处理后的泡沫图像采用自适应形态学的改进分水岭分割算法进行分割处理，该算法具有较强的鲁棒性和准确性，更能够适应各种工况下的泡沫图像分割。

步骤6、对步骤5中经过基于形态学和分水岭变换处理后的泡沫分割图像，计算其盆地的总个数以及每个盆地面积，即泡沫的总个数和每个泡沫的面积，结合相机放大倍数通过比例尺换算最终计算得到所有泡沫的平均面积。

步骤7、基于灰度直方图法提取均值、方差、三阶矩、熵、相关性、平滑度6个纹理特征统计量。

步骤8、基于灰度共生矩阵提取出能量、熵、相关性、对比度4个纹理特征统计量。

步骤9、将步骤6、7、8中所提取的11个特征量与泡沫实际化验灰分进行相关性分析，筛选出相关性较高的特征统计量。

步骤10、建立BP神经网络模型，将步骤9中筛选出的特征值作为BP神经网络输入层，针对给定的样本集进行训练，通过计算误差确定隐含层节点数。

步骤11、利用步骤10中训练得到的模型对精煤泡沫灰分进行分类识别，并输出到程序界面。

Claims (4)

1.一种浮选精煤灰分的在线检测系统，包括硬件检测系统及其软件检测程序；其特征在于：所述硬件检测系统包括支架、工业控制机、工业相机、镜头、滤光镜、光源、光源控制器、信号传输线及遮光罩；所述软件检测程序包括图像预览、图像采集、预处理、泡沫图像分割、特征参数提取、神经网络训练、建立预测模型及数据输出模块；

所述硬件检测系统是将支架安装在泡沫槽正上方，并在支架上至上而下依次安装有遮光罩、工业相机、光源及其光源控制器，并与泡沫槽垂直相对应；泡沫槽正下方探入泡沫槽以下与泡沫层直接接触；

所述软件检测程序是采用MATLAB语言编写，程序界面采用MATLAB软件的图形用户界面开发工具箱进行设计。

2.如权利要求1所述的浮选精煤灰分的在线检测系统，其特征在于：所述光源是环形LED白色光源；所述工业相机是彩色CCD相机；所述信号传输线是千兆网线；所述遮光罩是不透光材质制成的金属骨架；所述镜头是500万像素定焦镜头；所述滤光镜是中灰密度滤光镜；所述工业控制机是安装在浮选机旁，并配有Gig E数据接口用于图像信号传输，通过网线与CCD相机连接。

3.如权利要求2所述的浮选精煤灰分的在线检测系统，其特征在于：所述千兆网线一端连接有CCD工业相机；另一端通过浮选槽下方的电缆桥架连接有工控机的Gig E数据接口。

4.一种用于如权利要求1所述的浮选精煤灰分的在线检测系统的在线检测方法，其特征在于：所述在线检测方法是按下列步骤进行的：

（1）打开电源设备，运行程序，系统自动调用相机，进入图像预览模式，调节相机焦距、光圈亮度以及光源强度，直到图像清晰稳定为止；

（2）运行主程序，系统开始调用相机并实时采集泡沫图像，将图像采集时间间隔设置为30s，并将图像存储在缓存区内；

（3）程序自动读取缓存区内的图像，将RGB图像转换为256级灰度图像；

（4）基于面积重构开闭滤波与交替顺序滤波结合的去噪方法对泡沫图像进行去燥增强处理；

（5）在步骤（4）的基础上对预处理后的泡沫图像采用自适应形态学的改进分水岭分割算法进行分割处理，该算法具有较强的鲁棒性和准确性，更能够适应各种工况下的泡沫图像分割；

（6）对步骤（5）中经过基于形态学和分水岭变换处理后的泡沫分割图像，计算其盆地的总个数以及每个盆地面积，即泡沫的总个数和每个泡沫的面积，结合相机放大倍数通过比例尺换算最终计算得到所有泡沫的平均面积；

（7）基于灰度直方图法提取均值、方差、三阶矩、熵、相关性、平滑度六个纹理特征统计量；

（8）基于灰度共生矩阵提取出能量、熵、相关性、对比度四个纹理特征统计量；

（9）将步骤（6）、步骤（7）及步骤（8）中所提取的十一个特征量与泡沫实际化验灰分进行相关性分析，筛选出相关性较高的特征统计量；

（10）建立BP神经网络模型，将步骤（9）中筛选出的特征值作为BP神经网络输入层，针对给定的样本集进行训练，通过计算误差确定隐含层节点数；

（11）利用步骤（10）中训练得到的模型对精煤泡沫灰分进行分类识别，并输出到程序界面。