CN1795374A - 煤及矿石处理系统颗粒参数和处理器性能确定方法和装置 - Google Patents

Abstract

颗粒材料的图像(100)－例如煤的X－射线图像被获取和处理，以确定该材料的参数－例如颗粒密度或颗粒尺寸分布。通过确定进入处理系统之前和从处理系统出来之后的材料的参数，可以评估该处理系统－例如致密介质分选器－的性能或效率。通过将(与该材料的统计特征等有关的)图像特性与预先确定的一组图像特性比较，来确定所述参数。如果该图像(100)是通过辐射透过所述材料获得的，则通过测量该材料的厚度，可以改善准确度。

Description

煤及矿石处理系统颗粒参数和处理器性能确定方法和装置

技术领域

本发明涉及确定颗粒的参数的方法和装置，以及确定处理器性能的方法和装置。

本发明可在颗粒状材料处理系统，特别是在处理诸如煤、铁矿石、锰、金刚石和其他材料一类的矿物和碳质固体的系统中应用。本发明尤其适用于煤的处理，以下将进一步针对煤的处理进行说明。然而，应当理解，本发明可以在处理包括但不限于上述的其他材料中应用。

本发明还涉及对颗粒参数的确定。该参数的确定可以用于确定处理器的性能，或使用在用于其它目的、与简单地确定颗粒参数的环境不同的环境中。

背景技术

原煤从地下开采出来，并处理形成所希望的商业产品。原煤包括一定量的矿碴含量，它在标准条件下燃烧后，留下固体灰烬残渣。可出售的煤最好具有固定的灰分规格范围，该范围通常在生产者和购买者之间的合同协议中说明。高质量的炼焦煤的灰分含量规格的一个典型例子为10％。如果生产的煤的灰分含量增加超过了这个含量，则产品仍可销售，但对其价格有有害影响，并且/或者会对生产者进行处罚。

开采后的原煤可以利用一个筛网式或其他分级型装置分选成特定的颗粒尺寸，以便将原煤分选成由筛网分选器的筛网孔尺寸确定的预先确定的颗粒尺寸。

所希望尺寸的分选的煤再送至一个处理器。在这个例子中，该处理器为一个致密介质分选器。根据被处理的颗粒的尺寸，现在在应用中有很多不同的致密介质分选器。例如，大块可在重介质鼓室、重介质池、重介质容器及larcodem容器等中处理，较小但依然粗糙的颗粒可在重介质旋流器和重介质摆线器(cycloid)等中处理。要注意的是，词“重”和“致密”在该上下文中可互换使用。这些类型的重介质装置使用搅拌在水中的温和或惰性的且经细致碾磨的介质固体粉末来形成致密介质，该致密介质的密度可以通过浆体中的固体比例来控制。原煤与致密介质的混合使得能够基于其相对于致密介质密度的密度来进行分选。例如，通过将原煤添加到例如1400kg/m³的致密介质中，可从原煤的更高灰分成分中分选出具有10％灰分水平的煤。在该示例中，10％灰分产品煤可以漂浮起来，而不含更高灰分的材料，这些更高灰分的材料在致密介质中倾向于下沉。漂浮的材料会到达分选器溢出出口，而下沉的材料会到达下溢出口。

对于致密介质旋流器的特定情况，煤颗粒的分选效率通常是最大化产量和回收率的关键。已接受的测量效率的工业标准是有着其特性D₅₀和Ep参数的分离系数曲线。D₅₀是颗粒的分选密度，而Ep是分选锐度的一种度量(Ep值越高表示颗粒误选的情况越多，因此表示效率越低)。当分选的D₅₀与介质密度密切相关时，有一些机器效应几乎总是导致D₅₀比介质密度高一点。D₅₀和介质之间的差通常被称为“偏量”。该偏量大到的程度依赖于很多参数，这些参数包括但不限于介质密度、介质稳定性、致密介质旋流器压力、原煤供给速率、旋流波的度数(degree)以及其中的变化。分选的总体锐度是这些参数中每一个的变化的强相关函数。

目前，致密介质旋流器(DMC)的分离曲线可从实验室的可洗性分析或在工厂中的示踪剂测试工作中得到，从而可以得到DMC电路的效率。获得的数据有一定的准确性，根据该数据工业部门确定DMC的性能水平以及是否需要采取校正措施。然而，这些测试的特征是成本很高，并且取得信息以前需要很长的时间。不经常检查，只能得到次优的性能，造成煤的损失较大。

因此，如果可以更快地确定颗粒的具体参数，就可以确定处理器的性能；并且如果需要的话，可以更快地采取补救措施，以保证处理器满意地工作。确定颗粒的参数在与处理器性能完全无关的环境中，也是很有用的信息，例如轧碎机生产的材料的尺寸、材料的煅烧程度等。

发明内容

第一个发明的目的是要提供确定处理器性能的方法和装置。

因此，第一个发明可以认为在于一种确定处理颗粒材料的处理装置的性能的方法，该方法包括：

在辐射通过要送至所述处理装置的颗粒材料的样品并且该辐射被所述颗粒材料改变后，取得所述辐射的图像；

在辐射通过从所述处理装置出来的颗粒材料的样品并且该辐射被所述颗粒材料改变后，取得所述辐射的图像；

从所取得的图像中，确定要送至所述装置的材料的样品和从该装置出来的样品中的所述颗粒材料的参数；以及

通过相对于所述从装置出来的材料与送至该装置的颗粒材料的参数有关的预期参数，考虑所述从所述装置出来的材料的参数，确定所述装置的性能指标。

第一个发明还可以认为在于一种确定处理颗粒材料的处理装置的性能的装置，该装置包括：

一传感器，该传感器用于在辐射穿过要送至所述处理装置的颗粒材料的样品并且该辐射被所述颗粒材料改变后，获取所述辐射的图像；并且用于在辐射穿过从所述处理装置出来的颗粒材料的样品并且该辐射被所述颗粒材料改变后，获取辐射的图像；和

数据处理装置，该数据处理装置用于从所获取的图像确定在所述要送至装置的材料样品和所述从装置出来的样品中，所述颗粒材料的参数；并且用于通过相对于所述从装置出来的材料与送至该装置的颗粒材料的参数有关的预期参数考虑所述从装置出来的材料的参数，确定所述装置的性能指标。

这样，如果该处理装置的预期性能指标与根据该方法和装置确定的性能指标不符合，则表示该处理装置工作不令人满意，需要采取修理措施来校正该处理装置。在一个具体例子中，该材料为煤，该处理装置为致密介质分选器，该参数为颗粒材料的密度。如果送至该分选器的材料密度确定，则可以估计溢流输出的材料密度和/或下溢输出的材料密度。这样，可以确定分离系数(即，应该溢流的材料量与应该下溢的材料量的比)。如果该分离系数与预期的不符合，则表示该分选器工作不令人满意，需要进行相应的校正。

在一个实施例中，所述处理装置为一个分选器，所述从装置出来的材料的样品为溢流并包括产品的材料的第一样品、和下溢并成为废品的材料的第二样品；其中，所述方法还包括取得从颗粒材料的第一样品发射的辐射的图像，和取得从颗粒材料的第二样品发射的辐射的图像；其中，根据所确定的所述要送至装置的材料样品和所述从装置出来的样品两者中颗粒材料的参数，可以确定说明在所述分选器工作满意情况下有多少材料溢流以及多少材料下溢的性能指标，并且从第一样品的参数和第二样品的参数的确定中，可以得到实际下溢和溢流的材料量的指示；并且，通过将这些量与预期量比较，可以确定所述分选器的性能指标。

在这个实施例中，该分选器优选为一个致密介质旋流器。

优选，在这个实施例中，该参数为该颗粒材料的密度或矿物含量；并且要下溢的材料量和要溢流的材料量由要下溢的材料的密度或矿物含量和要溢流的材料的密度或矿物含量确定；使得如果实际应该溢流的材料的密度或矿物含量下溢，则可以确定该分选器工作不满意。

优选，该辐射为X-射线辐射。

在另一个实施例中，该装置为将该颗粒材料破碎至较小尺寸的轧碎机，并且，该参数为该颗粒材料的尺寸或密度或矿物含量。

在另一个实施例中，该装置为一个煅烧装置，并且该参数为该颗粒材料的煅烧量。

优选，该辐射的变化为该辐射的衰减。

优选，该辐射通过利用一个辐射源照射该颗粒材料，使得该辐射可穿过该颗粒材料到达该传感器由传感器取得。

然而，在另一些实施例中，该颗粒材料本来就是自辐射的，或可通过在该辐射材料内包括产生辐射的材料而成为自辐射的。

这样，在该装置的优选实施例中，该装置还包括一辐射源，用于产生照射该颗粒材料的辐射，所述辐射可从所述颗粒材料发出。

优选，所述传感器和辐射源设置在一壳体中，并且设置一传送器，用于传送在该辐射源和该传感器之间通过的颗粒材料，使得辐射可穿过该颗粒材料，并且可由传感器获得相应的图像。或者，所述颗粒材料放在所述辐射源和传感器之间的一个静止的平板上，使得辐射可穿过该颗粒材料，并且可以由该传感器获取相应的图像。

优选，所述传感器为基于例如闪烁器和光电导体的各种检测技术的X-射线线性阵列检测器，或者为具有用于成像的多个像素的CCD X-射线检测器。

优选，所述取得的图像由多个像素构成，每一个像素的光强取决于被辐射穿过的颗粒对该辐射衰减的程度。

优选所述确定参数的步骤包括以下步骤：通过识别单个颗粒或重叠的颗粒组的边界，产生局部的图像窗口，在该窗口内只出现一个颗粒和一组重叠的颗粒；计算每一个识别的局部图像窗口的图像特性；利用多变量统计方法，计算概括了所述图像特性中包含的信息的指示变量；以及，利用预报数学模型，从该指示变量中，确定在该颗粒材料中每一个颗粒或一组重叠的颗粒的至少一个参数。

优选，该图像特性包括但不限于基于灰度或RGB颜色柱形图的统计特征、基于灰度共存矩阵(也称为空间灰度相关矩阵)(参见：Haralick R.M.，Shanmugam K.和Dinstein I.，IEEE transactions on Systems，Man andCybernetics，SMC-3，1973，pp601-621)的纹理特征、基于Gabor滤波器的Gabor特征和基于小波变换的特征，其中所述柱形图为带有一局部图像窗口的像素的光强频率值与光强的关系图。

基于灰度或RGB颜色柱形图的统计特性优选包括，但不限于像素的总数，平均值，中值，标准偏差，峰度和偏斜。基于灰度共存矩阵的纹理特征包括但不限于熵，对比度，相关性，能量，局部均匀性，最大概率，和熵和差熵。

在本发明的一个实施例中，所述方法包括：获得材料厚度的量度，以提供厚度量度，以及提供厚度量度作为另一个特征，以确定所述参数。

在一个实施例中，该厚度量度是通过用于照亮材料的光源和用于检测被照亮的材料的照相机而得到的，从而可得到该材料的三维图像，从该三维图像可确定颗粒材料每一个点上的厚度值。然而，该厚度值可用其他方法得到。

确定参数的数学模型包括不限于人工神经网络或多变量回归模型。

优选，所述方法包括利用所述颗粒材料的多个标定样品以及所获得的X-射线图像和已知的参数与厚度，训练和验证所述人工神经网络模型的步骤。所述方法还包括，利用所述颗粒材料的多个图像特性或指示变量以及已知的厚度，计算预报数学模型中的参数。

第二个发明涉及确定颗粒的参数。本发明可用于在先前发明中所用的参数的确定，还可以用于确定与第一个发明没有关联的颗粒参数。因此，本发明可以用于希望确定颗粒材料的具体参数的任何环境中。

第二个发明可以认为在于一种确定颗粒材料的参数的方法，它包括：

在辐射穿过颗粒材料的样品并且该辐射被所述颗粒材料改变后，获取辐射的图像；

通过识别单个颗粒或重叠的颗粒组的边界，形成局部图像窗口，在该窗口内只出现一个颗粒或一组重叠的颗粒；

确定与统计特征、纹理特征、Gabor特征和基于小波变换的特征有关的一组图像特性；

将所述的一组图像特性与关于颗粒材料的预定的一组图像特性比较；和

由比较确定所述参数。

本发明还可以认为在于一种确定颗粒参数的装置，它包括：

一传感器，该传感器用于在辐射穿过要送至处理装置的颗粒材料的样品并且该辐射被所述颗粒材料改变后，获取辐射的图像；和

数据处理器，它用于通过识别单独的颗粒或重叠的颗粒组的边界，产生局部图像窗口，在该窗口内只出现一个颗粒或一组重叠的颗粒，并且用于确定与统计特征、纹理特征、Gabor特征和基于小波变换的特征有关的一组图像特性；将所述的一组图像特性与和所述颗粒材料有关的预定的一组图像特性比较，并从比较中确定所述参数。

这样，根据本发明的这个方面，通过获取颗粒材料的样品的图像和处理该图像，根据所确定的特性与和该颗粒形式有关的预定的一组特性比较，可以确定该参数。

优选，该参数为颗粒材料的密度。

优选，该辐射为X-射线辐射。

优选，该辐射的改变为该辐射的衰减。

优选，辐射是通过用一个辐射源照射该颗粒材料，使得该辐射穿过该颗粒材料到达传达器由该传感器获取的。

然而，在另一些实施例中，该颗粒材料本来就是自辐射的，或可通过在该辐射材料内包括产生辐射的材料而成为自辐射的。

因此，在该装置的优选实施例中，该装置还包括一辐射源，用于产生照射该颗粒材料的辐射，使得该辐射可穿过所述颗粒材料。

优选，所述传感器和辐射源设置在一壳体中，并且设置一传送器，用于传送在该辐射源和传感器之间通过的颗粒材料，因此，辐射可穿过该颗粒材料，并且可由该传感器获得相应的图像。

或者，该颗粒材料放在该辐射源和传感器之间的一静止的平板上，使得，辐射可穿过该颗粒材料，并且可以由该传感器获取相应的图像。

优选，该传感器为基于例如闪烁器和光电导体的各种检测技术的X-射线线性阵列检测器，或者为具有用于成像的CCD X-射线检测器。

优选，该取得的图像由多个像素构成，每一个像素的光强取决于被辐射穿过的该颗粒使该辐射衰减的程度；优选，该光强值包括灰度和RGB颜色值。

优选，所述参数是通过以下步骤确定的：通过识别单个颗粒或重叠的颗粒组的边界，产生局部的图像窗口，在该窗口内只出现一个颗粒和一组重叠的颗粒；确定与统计特征，纹理特征，Gabor特征和基于小波变换的特征有关的一组图像特性；和利用预报数学模型，从该组图像特性和每一个颗粒的厚度确定所述参数；将该组图像特性与关于该颗粒形式的预定的一组图像特性比较；和从该组图像特性与该预定的一组图像特性比较中确定该参数。

优选，所述的一组特性从包括像素总数、平均值、中值、标准偏差、峰度和偏斜、熵、对比度、相关性、能量、局部均匀性、最大概率、和熵、差熵以及基于Gabor过滤器和小波变换的特征的多个特性中选择。

优选，参数的确定是通过对从所获得的图像中抽取的图像特性进行智能数据分析进行的。

优选，所述装置包括材料厚度测量装置，用于提供材料厚度的量度，使得可以利用该厚度量度作为要确定的参数的一个特征。

在一个实施例中，所述装置包括用于照亮材料的光源和用于检测被照亮的材料的照相机，使得可得到该材料的三维图像，从该三维图像可确定厚度测量值。

智能信息处理方法可包括人工神经网络、通用算法(generic algorithsm)或多变量相关法。

优选，获取参数已知的标定样品材料的X-射线图像，并确定与该标定材料的所述参数有关的一组图像特性。

优选，该图像特性根据与该标定材料的已知参数最准确相关的图像特性来选择。

优选，在所述的一组图像特性中的特征数目尽可能少，以便实现所要求的所确定参数的准确度和置信度。

附图说明

现参照附图，利用例子来说明本发明的优选实施例。其中：

图1为示出使用本发明的优选实施例的用于处理煤的装置的示意图；

图2为示出本发明的概念的图，其中，不同的密度对X-射线辐射衰减的量不同；

图3为不同密度的颗粒材料的样品X-射线图像；

图4为拍摄到的煤样品的X-射线图像的柱形图；

图5为各种煤样品的相对密度(RD)与柱形图的平均值和标准偏差的关系图；

图6为其他煤样品的相对密度(RD)与柱形图的平均值和标准偏差关系的图；

图7为根据本发明的一个实施例的处理的示图；

图8为有关本发明的优选实施例的示意图；和

图9为在本发明的优选实施例中使用的、用于得到厚度度量的装置的示意图。

具体实施方式

以下是一般致密介质旋流器回路(cyclone circuit)的具体示例。它仅仅用于解释如何应用发明，并不是要将本发明的范围限制到给出的具体示例。

在进入图1所示处理之前，原煤可能被减小到50mm的最大尺寸。参考图1，原煤在弧形筛1上被分选，该弧形筛后跟随着具有洗水添加装置3的振动筛2。该装置从原煤中去除了细小颗粒，一般是小于2-0.2mm的颗粒，所有尺寸不足的颗粒将在这里没有提及的装置中被处理。超出尺寸的材料下沉到池4中，并从池4被泵送5到致密介质旋流器6。在图1中应该注意的是，致密介质被加入到在致密介质旋流器供给池4中的粗煤颗粒中。在致密介质旋流器6中分选粗糙原煤以产生较低灰分产品和较高灰分废弃物。产品在弧形筛7、排水筛8和漂洗筛9上从致密介质中被分离出来。弧形筛和排水筛去除了大多数致密介质，这随后被再循环到致密介质池14。漂洗筛9使用水添加装置21、22(不干净的和净化的)以帮助去除粘附到煤颗粒上的物质。漂洗筛下溢导出物被极大地稀释，所以必须被浓缩，以便在其能够再用于致密介质旋流器的操作之前能将水去除。对于致密介质旋流器下溢材料，类似地用弧形筛10、排水筛10和漂洗筛12进行致密介质回收。

被稀释的致密介质利用磁分选器16和17脱水。回收的致密介质传输到超密池18，从此处它被泵送15到致密介质池14。分离出来的水循环用在设备中的其它地方，包括上述筛选操作的水添加装置。

图1示出实现本发明的装置，它包括X-射线源50、诸如CCD阵列等的检测器52和与该传感器52连接的处理器54，处理器54用于拍摄送至旋流器6中的材料的图像。类似地，在产品到达的溢流管路中设有X-射线源50a和检测器52a；在废品到达的溢流管路中设有X-射线源50b和检测器52b。为了安全，该X-射线源的传感器52被适当地屏蔽，颗粒材料在该X-射线源50和检测器52之间通过。应当理解，虽然图1示出三组X-射线源和检测器，用于为送至旋流器6的材料、在旋流器6的溢流处接收的材料和在旋流器6的下溢处接收的材料拍摄图像，但这仅仅是举例说明，给出了在希望对旋流器6进行固定在线监测时会出现的一种情况。然而，布置更有可能是这样的：X-射线源50和检测器设置在自己的壳体中，在该X-射线源50和检测器52之间有一个传送器组件，要送入旋流器6的材料样品置于传送器上，以拍摄图像；然后放置在溢流处接收的材料样品，以拍摄图像；然后放置在下溢处接收的材料样品以拍摄图像。优选，样品材料简单地放置在传送器上，传送器运行使样品材料经过X-射线源50和检测器52，而各种样品简单地从送料管路，溢流和下溢处接收。优选，将样品材料放置在传送器上并散布开以形成较薄的样品材料体，X-射线穿过该样品材料体从X-射线源50到达检测器52。

传感器52连接至用于处理由传感器52获得的数据的电子处理器54。如果该系统是在线的，则传感器50a和50b也连接至处理器54。然而，如果系统不是在线的，并且馈送、溢流和下溢的样品简单地放在该装置中，则显然只设置X-射线源50、传感器52和处理器54。在另一个结构中，不需在该装置上设置处理器54，并且处理器对于该装置可以是远程的，仅仅是将由传感器52获得的数据送往并输入处理器中进行处理。

图2为简单示出Rd＝1.3和Rd＝1.8的颗粒材料对由X-射线源50产生的X-射线辐射56的衰减的示图。图中右手侧的“电光”简单地示出对辐射55的消弱情况。

为了说明本发明的概念，得到来自煤处理工厂的脱泥筛溢流物样品，实验室制备耐洗性尺寸与密度等级RD(50×16，16×4，4×2和2×0.5mm，相对密度浮动为1.3，1.35，1.4，1.45，1.5，1.6，1.7，1.8，1.9和2.0)。

利用诸如PXM型扫描器一类的X-射线扫描器形成X-射线辐射源50和传感器52，并且得到上述样品的衰减的图像。图3示出这些图像的例子。可以看出，随着煤颗粒密度增大，颗粒图像的灰度降低(即，颗粒Rd越高，颗粒图像越暗)。所得到的图像由许多像素构成，每一个像素灰度的定量水平取决于被X-射线所辐射通过的颗粒中的材料衰减的程度。对于每一个颗粒，可以以柱形图形式画出特定灰度的像素数目与灰度的关系。图4示出颗粒图像的柱形图的例子。随着颗粒Rd的增加，这些柱形图向着左手侧移动并且而变宽。这是由于清洁的煤被矿物代替并且性质变得更不均匀。

从该柱形图，即分布中，可以计算由标准偏差(GL宽度)分布给出的两个参数，即平均灰度值(GL平均值)和分布的宽度。这里是最容易计算用于描述分布的两个值，但也可以使用许多其他的因素。对于尺寸小至4mm的颗粒，图5和图6示出对于最小尺寸为4mm的颗粒，这两个参数与煤颗粒相对密度(RD)的关系图。可以看出，RD明显地与GL平均值和GL宽度相关。随着RD增大，GL平均值降低，而随着RD增大，GL宽度增加。这些相关关系是从X-射线图像确定颗粒密度的基础。

应当注意，颗粒密度的确定不只是基于RD和两个参数之间的相关关系，还基于对从颗粒图像提取的所有重要图像特性的智能数据分析。可用于提高确定密度的准确性的从X-射线图像提取的图像特性或参数有很多。所述图像特性不仅包括GL平均值和GL宽度，而且包括从颗粒图像中提取的参数，例如中值、峰度、偏斜(skew)、熵、对比度、相关性、能量、局部均匀性、最大概率、和熵、差熵和基于Gabor滤波器和小波转换的特征。

所得到的煤颗粒的X-射线图像包含不但与颗粒密度，而且与颗粒尺寸、形状和矿物成分以及位置有关的信息。因此，从X-射线图像提取的图像特性与煤颗粒密度和其他因素有关。

这样，通过获得例如参照图5和图6所述的标定样品的图像，可以建立已知的颗粒参数(例如标定的颗粒样品的已知的密度和厚度)的一组图像特性(例如平均值和标准偏差)。这为比较提供了一个基准，以便从图1所示的方案确定材料的参数。

如上所述，在本发明的优选实施例中，图像可通过从X-射线源产生X-射线辐射和检测衰减的辐射的检测器得到。然而，图像也可用例如RMI图像的其他方法取得。

在用于对定量关系进行描述和建模的、对于分析法或经验法则而言太复杂的各种方法中，在不需要对建模结构有特别了解的情况下识别或映射复杂非线性关系优选采用人工智能数据分析方法，特别是人工神经网络方法。人工神经网络(ANN)由于前馈性质在计算方面是非常有效和可靠的，并且与其它参数评估方法相比，它还具有对输入数据组的误差的更大容限。反向传播人工神经网络(BPANN)被用来从测量得到的煤颗粒的X-射线图像估测煤颗粒的密度分布。

如图7所示，三层的反向传播人工神经网络(BPANN)包括一个输入层，一个隐藏层和一个输出层。预先处理送至网络的每一个颗粒的图像数据，以计算图像特性值，例如：平均值、标准偏差、中值、峰度、偏斜、熵、对比度、相关性、能量、局部均匀性、最大概率、和熵、差熵和基于Gabor滤波器和小波变换的特征。然后，将这些参数直接送入神经网络，计算煤颗粒密度；或者在送入神经网络中，计算煤颗粒密度以前，利用特征提取法(例如主要成分分析(PCA))和部分最小二乘法(PLS))，进行预先处理以减小变量的数目。

图8示出本发明的优选实施例，其中，对由传感器50得到的图像进行处理，以确定颗粒材料的密度。显然，对要送入旋流器6的样品材料，从旋流器6溢流的材料和从旋流器6下溢的材料也进行相同的处理。同样，也可以使用从任何其他环境得来的颗粒材料，形成图像，然后处理该图像，以确定该材料的密度。

如图8所示，由X-射线传感器52得到的图像100为像素组101形式。所有像素的光强值与获取图像时照射在像素上的辐射量有关。从X-射线源50产生的辐射，由于穿过颗粒材料而发生变化，具体而言，根据颗粒材料的诸如材料密度之类的特性而被该材料所衰减。

这样，灰度中的每一个像素101的光强或者RGB颜色值，都根据照射在这些像素上的辐射的光强而不同，从而其取决于辐射穿过的材料的密度。

这样，该X-射线传感器52可以产生X-射线图像，然后，从该图像可以确定一些图像特性，例如平均值，标准偏差以及上述的其他特性。在图8的105中，确定和示出了这些图像特性。

因此，这些图像特性提供了原始数据，这些数据在步骤107中，利用主要成分分析(PCA)方法被预先处理，提取特征，以提供给图8的步骤108所示的人工神经网络。特征提取方法可以提取概括了所述的一组图像特性的数量较少的特征。优选，选择尽可能少的特征，以保证最终测量密度的准确度和置信度。因此，步骤107中用于提取特征的预先处理步骤，为步骤108中的网络提供了输入。然后，在步骤108中，人工神经网络利用在训练阶段预先确定的网络加权系数矩阵，处理该输入数据，以确定颗粒密度。

参见图9，因为在该优选实施例中，诸如密度一类参数的确定是通过测量穿过该材料的X-射线辐射进行的，因此测量是根据X-射线辐射的衰减进行的。因为即使铺成极薄的层，样品材料也可有不同的尺寸并且通常具有不同的形状，因此，X-射线辐射的衰减会依赖于X-射线辐射通过的材料的实际厚度。例如，如果材料具有较薄的板皮状形状，则产生一定量的衰减。如果材料的密度精确地相同，但为块状形状或更不规则的形状，则衰减可以更多，因为X-射线辐射通过相同材料的更大的厚度。这样，如果与上述特征一起，测量材料的厚度，送至神经网络进行处理，以确定参数，则可大大改善用于确定装置性能的实际参数的测量或简单地得到该参数的量度。

因此，在图9的实施例中，示意性地示出(例如)X-射线源52b和检测器52a，用于得到可放置在传送器C上的材料M的上述图像。利用参照图1所述的其他传感器和检测器对50a，52a和50b，52b，同样也可以测量厚度。

优选，确定厚度量度的装置150包括M50型的IVP测距仪装置。这个装置包括一个激光光源152和一个照相机154。该装置150还带有自身的软件，用于从该照相机154获得的图像中形成图像值。该激光152形成穿过材料M的薄且散开的扇形形状的光，并且利用照相机154可以取得被照亮的材料M的三维图像。通过在该装置内处理该三维图像，可以得到该材料M的厚度，该厚度又与由检测器52a得到的测量有关。

这样，图8的步骤108中提供给神经网络的特征可以包括厚度量度。因为提供了与X-射线衰减值和其他特征有关的、指示材料实际厚度的另一些特征，从而改善了所得到的密度测量的准确度，因此，上述厚度量度可以大大改善所得到的结果。

在本发明的一个实施例中，X-射线源和检测器的形式为通常的具有一个基本上为L形的检测器的X-射线机的形式。材料作为在传送带上的一薄层，通过该X-射线源和检测器。这形成基本上为扇形形状的X-射线束和照相机或检测器元件在空间上的特定分布。由于这样，相同的颗粒的X-射线图像，可随着该颗粒在输送颗粒的传送带的纵向方向上的位置而改变。因此，相同颗粒的图像特性不仅是取决于颗粒的密度和厚度，而且取决于该颗粒在传送带上的位置。考虑这些影响，也可以利用在图像结构中的每一个识别颗粒的中心位置作为参照图7和图8所述的数字建模的输入。在使用具有适当分辨率的不同形式的检测器时，这就不是必需的了。

在所附权利要求书和本发明的上述说明中，除了由于语言表达或必要的提示上下文需要以外，术语“包括”等是非封闭的，即，说明存在所述的特征但不排除在本发明的各个实施例中存在或加入另外一些特征。

Claims (60)

1.一种确定处理颗粒材料的处理装置的性能的方法，该方法包括：

在辐射通过要送至所述处理装置的颗粒材料的样品并且该辐射被所述颗粒材料改变后，取得所述辐射的图像；

在辐射通过从所述处理装置出来的颗粒材料的样品并且该辐射被所述颗粒材料改变后，取得所述辐射的图像；

测量每一个颗粒的厚度；

从所取得的图像中，确定要送至所述装置的材料的样品和从该装置出来的样品中的所述颗粒材料的参数；以及

通过相对于从所述装置出来的材料的与所述送至装置的颗粒材料的参数有关的预期参数，考虑所述从所述装置出来的材料的参数，确定所述装置的性能指标。

2.如权利要求1所述的方法，其中，所述处理装置为一个分选器，所述从该装置出来的材料的样品为溢流并包括产品的材料的第一样品、和下溢并成为废品的材料的第二样品；其中，所述方法还包括取得从颗粒材料的第一样品发射的辐射的图像，和取得从颗粒材料的第二样品发射的辐射的图像；其中，根据所确定的所述要送至装置的材料样品和所述从装置出来的样品两者中颗粒材料的参数，确定说明在所述分选器工作满意情况下有多少材料溢流以及多少材料下溢的性能指标，并且从第一样品的参数和第二样品的参数的确定中，可以得到实际下溢和溢流的材料量的指示；并且，通过将这些量与预期量比较，可以确定所述分选器的性能指标。

3.如权利要求2所述的方法，其中，所述分选器为一致密介质旋流器。

4.如权利要求2或3所述的方法，其中，所述参数为所述颗粒材料的密度或矿物含量；并且所下溢的材料量和所溢流的材料量是通过所下溢的材料的密度或矿物含量以及所溢流的材料的密度或矿物含量确定的，使得如果实际应该溢流的特定密度或矿物含量下溢，则可以确定该分选器工作不令人满意。

5.如权利要求1所述的方法，其中，所述辐射为X-射线辐射。

6.如权利要求1所述的方法，其中，所述装置为将该颗粒材料破碎至较小尺寸的轧碎机，并且，所述参数为颗粒材料的尺寸或密度或矿物含量。

7.如权利要求1所述的方法，其中，所述装置为一煅烧装置，并且所述参数为颗粒材料的煅烧量。

8.如权利要求1所述的方法，其中，所述辐射的变化为该辐射的衰减。

9.如权利要求1所述的方法，其中，所述辐射通过利用一辐射源照射所述颗粒材料，使得该辐射穿过颗粒材料到达所述传感器而被该传感器取得。

10.如权利要求1所述的方法，其中，所述颗粒材料本来就是自辐射的，或通过在该颗粒材料内包括产生辐射的材料而成为自辐射的。

11.如权利要求1所述的方法，其中，所述取得的图像由多个像素构成，每一个像素的光强水平取决于被辐射所穿过的颗粒对所述辐射的衰减程度。

12.如权利要求11所述的方法，其中，所述光强值包括灰度值和RGB颜色值。

13.如权利要求1所述的方法，其中，所述确定参数的步骤包括下列步骤：通过识别单个颗粒或重叠的颗粒组的边界，产生局部的图像窗口，在该图像窗口内只出现一个颗粒或一组重叠的颗粒；计算每一个被识别的局部图像窗口的图像特性；利用多变量统计方法，计算概括所述图像特性中包含的信息的指示变量；以及，利用预报数学模型，从该指示变量中，确定所述颗粒材料中每一个颗粒或一组重叠颗粒的至少一个参数。

14.如权利要求13所述的方法，其中，所述图像特性从由基于灰度或RGB颜色柱形图的统计特征、基于灰度共存矩阵的纹理特征、基于Gabor滤波器的Gabor特征和基于小波变换的特征中的一个或多个组成的组中选择，其中所述柱形图为带有一局部图像窗口的像素的光强频率值与光强的关系图。

15.如权利要求14所述的方法，其中，所述基于灰度或RGB颜色柱形图的统计特征从由像素总数、平均值、中值、标准偏差、峰度和偏斜中的一个或多个组成的组中选择；而所述基于灰度共存的纹理特征从由熵、对比度、相关性、能量、局部均匀性、最大概率、和熵和差熵中的一个或多个组成的组中选择。

16.如权利要求14所述的方法，其中，所述方法包括得到所述材料的厚度的亮度，以提供厚度量度；以及提供所述厚度量度作为用于确定所述参数的另一个特征。

17.如权利要求16所述的方法，其中，所述厚度量度是通过光源照亮所述材料和照相机检测该被照亮的材料而得到的，从而得到该材料的三维图像，由该三维图像确定所述厚度量度。

18.如权利要求13所述的方法，其中，所述用于确定参数的数学模型包括人工神经网络或多变量回归模型。

19.如权利要求18所述的方法，其中，还包括利用所述颗粒材料的多个标定样品以及所获得的X-射线图像和已知的参数与厚度，训练和验证所述人工神经网络模型的步骤。

20.如权利要求18所述的方法，其中，还包括：利用所述颗粒材料的多个图像特性或指示变量以及已知的厚度，计算预报数学模型中的参数。

21.一种确定处理颗粒材料的处理装置的性能的装置，该装置包括：

一传感器，该传感器用于在辐射穿过要送至所述处理装置的颗粒材料的样品并且该辐射被所述颗粒材料改变后，获取所述辐射的图像；并且用于在辐射穿过从所述处理装置出来的颗粒材料的样品并且该辐射被所述颗粒材料改变后，获取辐射的图像；和

数据处理装置，该数据处理装置用于从所获取的图像确定在所述要送至装置的材料样品和所述从装置出来的样品中，所述颗粒材料的参数；并且用于通过相对于所述从装置出来的材料与送至该装置的颗粒材料的参数有关的预期参数，考虑所述从装置出来的材料的参数，确定所述装置的性能指标。

22.如权利要求21所述的装置，其中，所述处理装置为一个分选器，所述从装置出来的材料的样品为溢流并包括产品的材料的第一样品、和下溢并成为废品的材料的第二样品；其中，所述方法还包括取得从颗粒材料的第一样品发射的辐射的图像，和取得从颗粒材料的第二样品发射的辐射的图像；其中，根据所确定的所述要送至装置的材料样品和所述从装置出来的样品两者中颗粒材料的参数，确定说明在所述分选器工作满意情况下有多少材料溢流以及多少材料下溢的性能指标，并且从第一样品的参数和第二样品的参数的确定中，可以得到实际下溢和溢流的材料量的指示；并且，通过将这些量与预期量比较，可以确定所述分选器的性能指标。

23.如权利要求22所述的装置，其中，所述分选器优选为一致密介质旋流器。

24.如权利要求22或23所述的装置，其中，所述参数为所述颗粒材料的密度或矿物含量；并且所下溢的材料量和所溢流的材料量是通过所下溢的材料的密度或矿物含量以及所溢流的材料的密度或矿物含量确定的，使得如果实际应该溢流的特定密度或矿物含量下溢，则可以确定该分选器工作不令人满意。

25.如权利要求21所述的装置，其中，所述装置为将所述颗粒材料破碎至较小尺寸的轧碎机，并且，所述参数为所述颗粒材料的尺寸或密度或矿物含量。

26.如权利要求21所述的装置，其中，所述装置为一煅烧装置，并且所述参数为所述颗粒材料的煅烧量。

27.如权利要求21所述的装置，其中，所述装置还包括一辐射源，用于产生辐射以照射所述颗粒材料，所述辐射可从所述颗粒材料发出。

28.如权利要求27所述的装置，其中，所述传感器和辐射源设置在一壳体中，并设置一传送器，用于传送在所述辐射源和传感器之间通过的颗粒材料，使得所述辐射可穿过所述颗粒材料，并且所述传感器可以获得相应的图像。

29.如权利要求28所述的装置，其中，所述传感器为基于诸如闪烁器和光电导体之类的各种检测技术的X-射线线性阵列检测器，或者为具有用于成像的多个像素的CCD X-射线检测器。

30.如权利要求21所述的装置，其中，所述取得的图像由多个像素构成，每一个像素的光强水平取决于被辐射所穿过的颗粒对所述辐射的衰减程度。

31.如权利要求30所述的装置，其中，所述光强值包括灰度值和RGB颜色值。

32.如权利要求21所述的装置，其中，所述处理装置用于通过以下步骤确定参数：通过识别单个颗粒或重叠的颗粒组的边界，产生局部的图像窗口，在该图像窗口内只出现一个颗粒或一组重叠的颗粒；计算每一个被识别的局部图像窗口的图像特性；利用多变量统计方法，计算概括所述图像特性中包含的信息的指示变量；以及，利用预报数学模型，从该指示变量中，确定所述颗粒材料中每一个颗粒或一组重叠颗粒的至少一个参数。

33.如权利要求32所述的装置，其中，所述图像特性从由基于灰度或RGB颜色柱形图的统计特征、基于灰度共存矩阵的纹理特征、基于Gabor滤波器的Gabor特征和基于小波变换的特征中的一个或多个组成的组中选择，其中所述柱形图为带有一局部图像窗口的像素的光强频率值与光强的关系图。

34.如权利要求33所述的装置，其中，  所述基于灰度或RGB颜色柱形图的统计特征从由像素总数、平均值、中值、标准偏差、峰度和偏斜中的一个或多个组成的组中选择。

35.如权利要求33所述的装置，其中，还包括用于提供材料的厚度量度的厚度测量装置。

36.如权利要求35所述的装置，其中，所述厚度测量装置包括用于照亮所述材料的光源和用于检测所述被照亮的材料的照相机，以便获得所述材料的三维图像，由该三维图像确定所述厚度量度。

37.如权利要求35所述的装置，其中，所述处理装置还包括人工神经网络或多变量回归模型，用于提供确定参数用的预报数学模型。

38.如权利要求37所述的装置，其中，所述处理装置还用于利用所述颗粒材料的多个标定样品以及所获得的X-射线图像和已知的参数与厚度，训练和验证所述人工神经网络模型。

39.如权利要求37所述的装置，其中，所述处理装置还用于利用所述颗粒材料的多个图像特性或指示变量以及已知的厚度，计算预报数学模型中的参数。

40.一种确定颗粒材料的参数的方法，它包括：

在辐射穿过颗粒材料的样品并且该辐射被所述颗粒材料改变后，获取辐射的图像；

通过识别单个颗粒或重叠的颗粒组的边界，形成局部图像窗口，在该窗口内只出现一个颗粒或一组重叠的颗粒；

测量每一个颗粒的厚度；

确定与统计特征、纹理特征、Gabor特征和基于小波变换的特征有关的一组图像特性；和

利用一预报数学模型，由所述的一组图像特性和颗粒的厚度确定所述参数。

41.如权利要求40所述的方法，其中，所述参数为所述颗粒材料的密度。

42.如权利要求40所述的方法，其中，所述辐射为X-射线辐射。

43.如权利要求40所述的方法，其中，所述辐射的变化为该辐射的衰减。

44.如权利要求40所述的方法，其中，所述辐射通过利用一辐射源照射所述颗粒材料，使得该辐射穿过颗粒材料到达所述传感器而被该传感器取得。

45.如权利要求40所述的方法，其中，所述颗粒材料本来就是自辐射的，或通过在该颗粒材料内包括产生辐射的材料而成为自辐射的。

46.如权利要求40所述的方法，其中，所述取得的图像由多个像素构成，每一个像素的光强水平取决于被辐射所穿过的颗粒对所述辐射的衰减程度，优选光强值包括灰度值和RGB颜色值。

47.如权利要求46所述的方法，其中，所述参数是通过以下步骤确定的：通过识别单个颗粒或重叠的颗粒组的边界，产生局部的图像窗口，在该图像窗口内只出现一个颗粒或一组重叠的颗粒；确定与统计特征、纹理特征、Gabor特征和基于小波变换的特征有关的一组图像特性；和利用一预报数学模型，由所述的一组图像特性和每一个颗粒的厚度确定所述参数。

48.如权利要求47所述的方法，其中，所述一组特性从由包括像素总数、平均值、中值、标准偏差、峰度和偏斜、熵、对比度、相关性、能量、局部均匀性、最大概率、和熵、差熵以及基于Gabor过滤器和小波变换的特征中的一个或多个组成的组中选择。

49.如权利要求48所述的方法，其中，所述确定参数是通过对从所获得的图像中抽取的图像特性进行智能数据分析进行的。

50.如权利要求48所述的方法，其中，还包括材料厚度量度的特性，用于提供该材料的厚度量度。

51.如权利要求40所述的方法，其中，获取其中所述参数已知的标定样品材料的X-射线图像，并且确定与所述标定材料的所述参数有关的一组图像特性。

52.如权利要求48所述的方法，其中，所述图像特性是根据与所述标定材料的已知参数最准确相关的那些图像特性而选定的。

53.如权利要求52所述的方法，其中，所述的一组图像特性中的特征数目尽可能少，以便实现所要求的所确定的参数的准确度和置信度。

54.一种确定颗粒的参数的装置，它包括：

一传感器，该传感器用于在辐射穿过要送至处理装置的颗粒材料的样品并且该辐射被所述颗粒材料改变后，获取辐射的图像；和

数据处理器，它用于通过识别单独的颗粒或重叠的颗粒组的边界，产生局部图像窗口，在该窗口内只出现一个颗粒或一组重叠的颗粒，并且用于确定与统计特征、纹理特征、Gabor特征和基于小波变换的特征有关的一组图像特性；将所述的一组图像特性与和所述颗粒材料有关的预定的一组图像特性比较，并从比较中确定所述参数。

55.如权利要求54所述的装置，其中，所述辐射通过利用一辐射源照射所述颗粒材料，使得该辐射穿过颗粒材料到达所述传感器而被该传感器取得。

56.如权利要求54所述的装置，其中，该装置还包括一辐射源，用于产生照射所述颗粒材料的辐射，使得所述辐射可以穿过所述颗粒材料。

57.如权利要求56所述的装置，其中，所述传感器和辐射源设置在一壳体中，并且设置一传送器，用于传送在所述辐射源和传感器之间通过的颗粒材料，使得所述辐射可以穿过所述颗粒材料，并且可以获得所述颗粒材料的相应图像。

58.如权利要求54所述的装置，其中，所述颗粒材料放在所述辐射源和传感器之间的一静止的平板上，使得所述辐射可穿过所述颗粒材料，并且所述传感器可以获取相应的图像。

59.如权利要求56所述的装置，其中，所述传感器为基于诸如闪烁器和光电导体之类的各种检测技术的X-射线线性阵列检测器，或者为具有用于成像的多个像素的CCD X-射线检测器。

60.如权利要求54所述的装置，其中，还包括用于测量材料厚度的装置，以便提供厚度量度，以改善确定所述参数的准确度。

Images