CN113680689A - 一种自由落体式光电智能分选方法和实现该方法的设备 - Google Patents

一种自由落体式光电智能分选方法和实现该方法的设备 Download PDF

Info

Publication number
CN113680689A
CN113680689A CN202110461815.XA CN202110461815A CN113680689A CN 113680689 A CN113680689 A CN 113680689A CN 202110461815 A CN202110461815 A CN 202110461815A CN 113680689 A CN113680689 A CN 113680689A
Authority
CN
China
Prior art keywords
blowing
free
intelligent sorting
rays
ray
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110461815.XA
Other languages
English (en)
Inventor
王金诚
齐美石
洪声
孙硕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hefei Taihe Zhuohai Intelligent Technology Co ltd
Original Assignee
Hefei Taihe Zhuohai Intelligent Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hefei Taihe Zhuohai Intelligent Technology Co ltd filed Critical Hefei Taihe Zhuohai Intelligent Technology Co ltd
Priority to CN202110461815.XA priority Critical patent/CN113680689A/zh
Publication of CN113680689A publication Critical patent/CN113680689A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
    • B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
    • B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
    • B07C5/34—Sorting according to other particular properties
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
    • B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
    • B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
    • B07C5/02—Measures preceding sorting, e.g. arranging articles in a stream orientating
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
    • B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
    • B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
    • B07C5/36—Sorting apparatus characterised by the means used for distribution
    • B07C5/363—Sorting apparatus characterised by the means used for distribution by means of air
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

本发明涉及一种自由落体式光电智能分选方法，将物料通过输送机机构布料，通过图像处理方式进行分选，X射线发射装置在箱体宽度方向上发射出连续的、长度覆盖物料下落宽度范围的X射线，X射线接收装置将每个位置的X射线转换成对应的信号，所述图像处理方式通过目标检测和分割算法对物料进行识别。实现该方法的设备，箱体上方安装有振动给料机，箱体内分别连接有X射线接收装置和X射线发射装置，箱体内安装有气动吹选执行装置。能够准确且高效率的将物料进行吹选分离，十分的方便快捷，同时相较于传统的分选方法，能够节省空间，实用性更高。

Description

一种自由落体式光电智能分选方法和实现该方法的设备
技术领域
本发明属于煤矿洗选技术领域，具体来说涉及一种自由落体式光电智能分选方法；具体还涉及一种自由落体式光电智能分选设备。
背景技术
矸石是在成煤过程中与煤共同沉积的有机化合物和无机化合物混合在一起的岩石，通常呈薄层和在煤层中或煤层顶、煤层底，是在煤矿建设和煤炭采掘、洗选加工过程中产生的数量较大的矿山固态排弃物。
现有技术所采取的技术方案为：通过皮带输送机机构布料，X射线的发射装置与接收装置分别在皮带的上下两侧，物料在运行至皮带尽头时，会带着皮带提供的水平初速度抛出，最后由布置于皮带尽头下方的执行机构进行对物料进行吹选。该技术的缺点为：1、机构复杂，装配精度要求高，安装不便；2、皮带机的调试较为费时，尤其是对于保证皮带运动水平、整体机架调平及调整皮带跑偏；3、物料在皮带上经过X射线后，由于结构所限通常会经过一段波动后才会被抛出，此时对于执行机构的判断会有干扰，执行精度有限。4、后期维护保养点很多，需要及时检查皮带的磨损情况，轴承润滑情况等。尤其是设备后期皮带、滚筒及易损件件的更换拆装工作量较大，且通常在实际生产现场由于空间及设备有限，更换难度较大，更换工作较为繁琐。另一方面X射线的接收器位于皮带下方，且由于结构要求，本身重量很大，检修以及调整位置的操作难度都较大。5、通常该种设备的长度都在10m左右，另外还要包含前后的检修空间及通道，以之前与选煤单位沟通方案的经验来看，该设备的尺寸对于实际情况来说是偏大了。
发明内容
本发明的目的在于克服现有技术的不足，主要解决的问题为提供一种能够分选效果好和分选效率更高的自由落体式光电智能分选方法。
与此相应，本发明另一个要解决的技术问题是提供一种能够分选效果好和分选效率更高的自由落体式光电智能分选设备。
本发明的目的是这样实现的：就自由落体式光电智能分选方法而言，该方法包括如下步骤：将物料通过输送机机构布料，物料在输送机端部通过输送机提供的水平初速度抛出，位于输送机两侧的X射线的发射装置与接收装置对物料通过图像处理方式进行分选，由布置于输送机端部下方的执行机构对物料进行吹选分离；所述X射线发射装置在箱体宽度方向上发射出连续的、长度覆盖物料下落宽度范围的X射线，X射线接收装置将每个位置的X射线转换成对应的信号，所述图像处理方式通过目标检测和分割算法对物料进行识别。
进一步的，所述图像处理方式中使用传统图像处理算法与基于深度学习的目标检测算法这两种算法。
再进一步的，所述传统的图像处理算法的基本步骤是：(1)二值化。二值化的阈值由实验确定，对于光照背景不均匀的场景，使用自定义的自适应二值化方法，及取一定的图像范围，统计范围内像素灰度值，找到中值进行二值化； (2)取连通域，二值化后将像素值为1的作为一类，0的作为一类，形成连通域；(3)进行边缘检测。使用一阶和二阶导数描述图像边缘；(4)将图像边缘进行连接，取得目标区域。基于深度学习的目标检测算法基本步骤是：(1) 采集样本图像，构成训练集；(2)使用目标检测网络如Yolo，ssd等，进行网络学习；(3)获得网络权重模型；(4)利用X射线的物料组成分析方法：该方法基于深度学习的分类算法。当X射线透过物体时，部分光子能量被物质吸收而产生衰减，衰减程度和物质的厚度和密度有关。同时，物质被X射线照射后被激发，产生二次射线，不同元素的二次射线具有特定的能量特性或波长特性。算法中使用双能射线获取二维图像，能反映出物质的密度、厚度以及元素组成。算法中使用双能射线获得的二维图像进行融合。将合成后的图像，根据物质的元素组成进行分类，制作数据集。使用深度学习算法进行模型训练，最终得到多分类的深度学习算法模型。
进一步的，所述输送机机构布料步骤采用振动给料方式将物料均匀摊开。
进一步的，所述吹选分离步骤中通过对吹选物料与不吹选物料的运动轨迹 (扇型面)进行仿真模拟，用隔板分开两个扇形面，从而达到将吹选物料与不吹选物料分流的效果。
就自由落体式光电智能分选设备而言，包括箱体，所述箱体进料口上方安装有振动给料机，所述振动给料机下端连接有导流板，所述箱体内靠近上端位置处的两侧壁分别连接有X射线接收装置和X射线发射装置，所述箱体中间位置处安装有气动吹选执行装置，所述箱体下端开设有两组通道，所述箱体上端一侧还安装有除尘系统。
进一步的，所述除尘系统包括除尘装置和立式干选机，所述除尘装置和立式干选机分选室配套设计，用于缩短含尘空气的流通距离，减少风阻，提高除尘效率，立式干选机入料口设有吸尘罩。
再进一步的，所述气动吹选执行装置包括若干组阵列喷嘴，所述喷嘴通过高频大气量电磁阀驱动。
进一步的，两组所述通道上端中间位置处固定连接有隔板。
进一步的，所述箱体的外壳采用夹铅设计，防止X射线泄漏。
本发明的技术效果：在本发明自由落体式光电智能分选方法的上述改进中，布料步骤中采用的振动给料方式能够将物料均匀摊开，通过振动向前输送物料保证物料在离开筛面后形成规整的抛物面，并且单独的物料个体在水平以及垂直方向上的速度具有一致性；利用该特性，采用X射线线阵扫描成像技术对物料进行均匀成像。X射线发射装置在箱体宽度方向上发射出连续的、长度覆盖物料下落宽度范围的X射线，并通过X接收装置将每个位置的射线转换成对应的信号，并通过目标检测和分割算法对物料进行识别大大提高了后续吹选的精确度和效率。
就本发明自由落体式光电智能分选设备而言，振动给料机能够使得物料均匀摊开并且在离开振动给料机后能够形成规整的抛物面，取代的传统的皮带机布料，不仅能够使得设备的安装保养等更加方便和快捷，而且能够极大的缩短长度方向上的尺寸，减小了实际生产场地的占地面积，X射线的发射装置和X射线接收装置以及气动吹选执行装置的配合使用使得设备的使用过程中对于物料的吹选的效果和效率更高，除尘系统更能保护现场的环境质量。
附图说明
图1为本发明图像采集模块示意图；
图2为本发明喷嘴控制模块示意图；
图3为本发明装置结构示意图一；
图4为本发明装置结构示意图二；
图5为本发明物料吹选示意图。
附图中：1、箱体；2、振动给料机；3、X射线接收装置；4、X射线发射装置；5、气动吹选执行装置；6、通道；7、除尘系统；8、隔板；9、导流板。
具体实施方式
下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合附图对本发明做详尽描述。
如图1-5所示，一种自由落体式光电智能分选方法，该方法包括如下步骤：将物料通过输送机机构布料，物料在输送机端部通过输送机提供的水平初速度抛出，位于输送机两侧的X射线的发射装置与接收装置对物料通过图像处理方式进行分选，由布置于输送机端部下方的执行机构对物料进行吹选分离；所述X 射线发射装置在箱体宽度方向上发射出连续的、长度覆盖物料下落宽度范围的X 射线，X射线接收装置将每个位置的X射线转换成对应的信号，所述图像处理方式通过目标检测和分割算法对物料进行识别。
根据本发明的一个实施例，所述图像处理方式中使用传统图像处理算法与基于深度学习的目标检测算法这两种算法。
根据本发明的一个实施例，所述传统的图像处理算法的基本步骤是：(1) 二值化。二值化的阈值由实验确定，对于光照背景不均匀的场景，使用自定义的自适应二值化方法，及取一定的图像范围，统计范围内像素灰度值，找到中值进行二值化；(2)取连通域，二值化后将像素值为1的作为一类，0的作为一类，形成连通域；(3)进行边缘检测。使用一阶和二阶导数描述图像边缘； (4)将图像边缘进行连接，取得目标区域。
基于深度学习的目标检测算法基本步骤是：(1)采集样本图像，构成训练集；(2)使用目标检测网络如Yolo，ssd等，进行网络学习；(3)获得网络权重模型；(4)利用X射线的物料组成分析方法：该方法基于深度学习的分类算法。当X射线透过物体时，部分光子能量被物质吸收而产生衰减，衰减程度和物质的厚度和密度有关。同时，物质被X射线照射后被激发，产生二次射线，不同元素的二次射线具有特定的能量特性或波长特性。算法中使用双能射线获取二维图像，能反映出物质的密度、厚度以及元素组成。算法中使用双能射线获得的二维图像进行融合。将合成后的图像，根据物质的元素组成进行分类，制作数据集。使用深度学习算法进行模型训练，最终得到多分类的深度学习算法模型。
根据本发明的一个实施例，所述输送机机构布料步骤采用振动给料方式将物料均匀摊开。
根据本发明的一个实施例，所述吹选分离步骤中通过对吹选物料与不吹选物料的运动轨迹(扇型面)进行仿真模拟，用隔板分开两个扇形面，从而达到将吹选物料与不吹选物料分流的效果。
就本发明的自由落体式光电智能分选方法而言，如图1-5所示，能够准确且高效率的将物料进行吹选分离，十分的方便快捷，同时相较于传统的分选方法，能够节省空间，实用性更高。
本发明的自由落体式光电智能分选设备，包括箱体1，所述箱体1进料口上方安装有振动给料机2，所述振动给料机2下端连接有导流板9，所述箱体1内靠近上端位置处的两侧壁分别连接有X射线接收装置3和X射线发射装置4，所述箱体1中间位置处安装有气动吹选执行装置5，所述箱体1下端开设有两组通道6，所述箱体1上端一侧还安装有除尘系统7。振动给料机2能够大大缩短设备长度方向的尺寸，而充分利用了实际生产厂地高度方向的尺寸，从而更符合煤炭洗选行业的实际生产情况，更有利于煤炭洗选单位在厂房内进行工艺流程布局。通过振动给料机2振动输送的物料更加均匀且在离开时形成的规整的抛物面使得图像采集模块对其采集后通过分割算法将抛物面分成若干的特定的区域，大大提高了吹选的精确性。同时振动给料机2的改变使得设备的安装和保养等更加的方便和便捷。
根据本发明的一个实施例，所述除尘系统7包括除尘装置和立式干选机，所述除尘装置和立式干选机分选室配套设计，用于缩短含尘空气的流通距离，减少风阻，提高除尘效率，立式干选机入料口设有吸尘罩。除尘系统7是集除尘装置于一体的智能立式干选机，将除尘装置与立式干选机分选室配套设计，立式干选机入料口设有吸尘罩；除尘装置核心部分为除尘器和离心风机，除尘器的进风口通过风道与立式干选机主机进料处连接，除尘器的出风口与离心风机连接。通过合理设计的风道增加成像区域的风压和流速，同时通过一体化的设计，缩短含尘空气的流通距离，减少风阻，提高除尘效率。
根据本发明的一个实施例，所述气动吹选执行装置5包括若干组阵列喷嘴，所述喷嘴通过高频大气量电磁阀驱动。将图像数据位置通过标尺装置对应喷嘴，利用人工智能数据分析判断模块控制电磁阀阀是否执行；人工智能数据分析判断模块通过其高速GPIO发送编码后的数字信号控制多个级联的高频电磁阀控制模组；高频电磁阀控制模组获取信号，通过门级电路解析控制信号，刷新多个寄存器，控制电磁阀开闭，从而控制高压气体按照控制信号在特定时间的特定区域开启或关闭。
根据本发明的一个实施例，两组所述通道6上端中间位置处固定连接有隔板8。该结构是通过对吹选物料与不吹选物料的运动轨迹(扇型面)进行仿真模拟，用隔板8分开两个扇形面，从而达到将吹选物料与不吹选物料分流的效果。
根据本发明的一个实施例，所述箱体1的外壳采用夹铅设计，防止X射线泄漏。辐射防护系统，整机的外壳采用夹铅设计，防止X射线泄漏，整机被夹铅外壳完全包裹。
就本发明的自由落体式光电智能分选设备而言，能够准确且高效率的将物料进行吹选分离，十分的方便快捷，同时相较于传统的分选方法，能够节省空间，实用性更高。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现均应包含在本发明的保护范围之内。

Claims (10)

1.一种自由落体式光电智能分选方法，该方法包括如下步骤：将物料通过输送机机构布料，物料在输送机端部通过输送机提供的水平初速度抛出，位于输送机两侧的X射线的发射装置与接收装置对物料通过图像处理方式进行分选，由布置于输送机端部下方的执行机构对物料进行吹选分离；其特征在于：所述X射线发射装置在箱体宽度方向上发射出连续的、长度覆盖物料下落宽度范围的X射线，X射线接收装置将每个位置的X射线转换成对应的信号，所述图像处理方式通过目标检测和分割算法对物料进行识别。
2.根据权利要求1所述的一种自由落体式光电智能分选方法，其特征在于：所述图像处理方式包括传统图像处理算法和基于深度学习的目标检测算法。
3.根据权利要求2所述的一种自由落体式光电智能分选方法，其特征在于：所述传统的图像处理算法的基本步骤是：(1)二值化；二值化的阈值由实验确定，对于光照背景不均匀的场景，使用自定义的自适应二值化方法，及取一定的图像范围，统计范围内像素灰度值，找到中值进行二值化；(2)取连通域，二值化后将像素值为1的作为一类，0的作为一类，形成连通域；(3)进行边缘检测；使用一阶和二阶导数描述图像边缘；(4)将图像边缘进行连接，取得目标区域；
基于深度学习的目标检测算法基本步骤是：(1)采集样本图像，构成训练集；(2)使用目标检测网络如Yolo，ssd等，进行网络学习；(3)获得网络权重模型；(4)利用X射线的物料组成分析方法：该方法基于深度学习的分类算法；当X射线透过物体时，部分光子能量被物质吸收而产生衰减，衰减程度和物质的厚度和密度有关；同时，物质被X射线照射后被激发，产生二次射线，不同元素的二次射线具有特定的能量特性或波长特性；算法中使用双能射线获取二维图像，能反映出物质的密度、厚度以及元素组成；算法中使用双能射线获得的二维图像进行融合；将合成后的图像，根据物质的元素组成进行分类，制作数据集；使用深度学习算法进行模型训练，最终得到多分类的深度学习算法模型。
4.根据权利要求3所述的一种自由落体式光电智能分选方法，其特征在于：所述输送机机构布料步骤采用振动给料方式将物料均匀摊开。
5.根据权利要求4所述的一种自由落体式光电智能分选方法，其特征在于：所述吹选分离步骤中通过对吹选物料与不吹选物料的运动轨迹(扇型面)进行仿真模拟，用隔板分开两个扇形面，从而达到将吹选物料与不吹选物料分流的效果。
6.一种用于实现权利要求1-5任一项所述的自由落体式光电智能分选方法的设备，包括箱体(1)，其特征在于：所述箱体(1)进料口上方安装有振动给料机(2)，所述振动给料机(2)下端连接有导流板(9)，所述箱体(1)内靠近上端位置处的两侧壁分别连接有X射线接收装置(3)和X射线发射装置(4)，所述箱体(1)中间位置处安装有气动吹选执行装置(5)，所述箱体(1)下端开设有两组通道(6)，所述箱体(1)上端一侧还安装有除尘系统(7)。
7.根据权利要求6所述的自由落体式光电智能分选设备，其特征在于：所述除尘系统(7)包括除尘装置和立式干选机，所述除尘装置和立式干选机分选室配套设计，用于缩短含尘空气的流通距离，减少风阻，提高除尘效率，立式干选机入料口设有吸尘罩。
8.根据权利要求7所述的自由落体式光电智能分选设备，其特征在于：所述气动吹选执行装置(5)包括若干组阵列喷嘴，所述喷嘴通过高频大气量电磁阀驱动。
9.根据权利要求8所述的自由落体式光电智能分选设备，其特征在于：两组所述通道(6)上端中间位置处固定连接有隔板(8)。
10.根据权利要求9所述的自由落体式光电智能分选设备，其特征在于：所述箱体(1)的外壳采用夹铅设计，防止X射线泄漏。
CN202110461815.XA 2021-04-27 2021-04-27 一种自由落体式光电智能分选方法和实现该方法的设备 Pending CN113680689A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110461815.XA CN113680689A (zh) 2021-04-27 2021-04-27 一种自由落体式光电智能分选方法和实现该方法的设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110461815.XA CN113680689A (zh) 2021-04-27 2021-04-27 一种自由落体式光电智能分选方法和实现该方法的设备

Publications (1)

Publication Number Publication Date
CN113680689A true CN113680689A (zh) 2021-11-23

Family

ID=78576325

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110461815.XA Pending CN113680689A (zh) 2021-04-27 2021-04-27 一种自由落体式光电智能分选方法和实现该方法的设备

Country Status (1)

Country Link
CN (1) CN113680689A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115041420A (zh) * 2022-06-14 2022-09-13 合肥泰禾卓海智能科技有限公司 一种可移动的立式智能分选设备

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115041420A (zh) * 2022-06-14 2022-09-13 合肥泰禾卓海智能科技有限公司 一种可移动的立式智能分选设备

Similar Documents

Publication Publication Date Title
CN112170260B (zh) 一种移动式煤矸光电分选机器人
CN106238342B (zh) 全景视觉马铃薯分选和缺陷检测装置及其分选检测方法
CN104096680A (zh) 基于微波加热与红外线阵成像的矿石分选系统及方法
CN101279321B (zh) 颗粒物料光学色选机
CN105107760B (zh) 一种主动激发式光致多光谱成像的分选设备
CN105499154A (zh) Tds智能干选机
CN112845039B (zh) 一种基于微波辐射的煤矸高效分选方法
CN204710740U (zh) 建筑垃圾色彩分选系统
CN205518682U (zh) Tds智能干选机
CN102921635B (zh) 一种用于细粒煤选前干法分级的螺旋风筛脱粉机
CN112791933A (zh) 一种基于微波辐射的煤矸高效分选系统
CN207547032U (zh) 一种机制炭原料用的筛选设备
CN101823057A (zh) 大米色选仪系统
CN113680689A (zh) 一种自由落体式光电智能分选方法和实现该方法的设备
CN106475327A (zh) 一种色选机吸尘转接口、吸尘装置及色选机
CN206248494U (zh) 一种煤料密度分布在线检测系统
CN106391506A (zh) 建筑垃圾色彩分选系统
CN207126835U (zh) 一种马铃薯快速无损检测自动分级装置
CN110142225A (zh) 一种智能干选机
CA3224924A1 (en) Method and system for conducting ore presorting based on hierarchical arrayed intelligent sorting
CN206578043U (zh) 三产品智能干选机
CN102179376B (zh) 食品分选机
CN204866599U (zh) 一种主动激发式光致多光谱成像的分选设备
CN210059031U (zh) 一种智能干选机
CN206373091U (zh) 一种色选系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination