1、隨著科技的發(fā)展,選煤自動化程度逐步提高,推動了煤炭洗選效率和經(jīng)濟效益的增長。然而國內(nèi)選煤廠的自動控制還停留在自動啟停車、介質(zhì)密度桶液位控制、自動加藥控制、產(chǎn)品灰分實時監(jiān)測等零散反饋控制階段,未能對整個生產(chǎn)環(huán)節(jié)進行實時監(jiān)測和調(diào)控,主要原因在于目前沒有任何技術能夠?qū)崟r監(jiān)測入料煤和產(chǎn)品煤組成信息,進而不能對整個生產(chǎn)環(huán)節(jié)進行實時控制。為此,論文提出了基于機器視覺的煤質(zhì)快速分析方法,力圖在線測定煤的粒度組成、密度組成和平均灰分。
　　論文以

2、太西無煙煤為研究對象,建立了一套煤質(zhì)快速分析實驗系統(tǒng)。提出了三種煤粒圖像分割方法即非接觸煤粒背光圖像分割方法、煤堆圖像局部分割方法和煤堆圖像整體分割方法。非接觸煤粒背光圖像分割方法主要針對背光散粒煤圖像,采用雙峰法、面積閾值和孔洞填充算法精確分割不重疊煤粒;煤堆圖像局部分割方法為半自動分割方法,結(jié)合人工勾勒目標區(qū)域和彩色圖像分割方法識別煤堆中的目標煤粒區(qū)域,其中還涉及到形態(tài)學圖像處理、分水嶺邊緣處理、面積閾值區(qū)域篩選和煤粒區(qū)域最小外接矩

3、形截取等算法;煤堆圖像整體分割方法采用對比度受限自適應直方圖均衡法、最小值和最大值濾波算法增強圖像,進而引入Hess ia n矩陣和高斯函數(shù)的多尺度線性濾波器進行煤粒邊緣檢測,其效果比傳統(tǒng)邊緣檢測算法更可靠更精確,最終采用雙閾值邊緣連接和標記分水嶺分割算法識別煤粒區(qū)域;前兩種圖像分割方法主要用于精確建立預測模型,而第三種圖像分割方法用于煤質(zhì)快速分析;同時還提出了一種煤堆圖像分割效果量化方法,結(jié)果表明煤堆圖像整體分割方法誤差區(qū)域百分比為1

4、2.76％。
　　建立了一個基于機器視覺的煤粒質(zhì)量預測模型,將煤粒圖像二維信息轉(zhuǎn)化為三維信息。通過對比分析煤粒區(qū)域?qū)嶋H大小與圖像測量大小,表明圖像測量方法精度很高;發(fā)現(xiàn)了煤粒區(qū)域面積與周長、最小外接矩形長和寬之間的指數(shù)關系,并分別采用最小二乘法建立了三個指數(shù)關系模型;采用多重線性回歸方法(MLR)建立并優(yōu)化了煤粒厚度預測模型,結(jié)合煤粒區(qū)域面積和密度提出了煤粒質(zhì)量預測模型,測試結(jié)果表明煤樣質(zhì)量預測相對誤差在±6%以內(nèi)。
　　提

5、出了一種基于機器視覺的煤堆粒度組成快速分析方法。通過對比分析,采用最小外接矩形寬( DB)表征煤粒粒度;通過建立表面煤粒區(qū)域所屬粒級的概率模型,提出了煤堆表面重疊誤差校正方法;采用 R-R粒度特性方程探尋煤堆整體粒度分布參數(shù)和表面粒度分布參數(shù)之間的內(nèi)在關系,提出了煤堆顆粒偏析誤差校正方法;結(jié)合上述研究提出了一種煤堆粒度組成預測方法,測試結(jié)果表明實驗次數(shù)越多,預測誤差越小,兩種誤差校正方法能夠有效減小粒度組成預測誤差,前20次煤堆粒度組成

6、平均預測誤差最高為3.79%,最低為0.03%。
　　提出了一種基于機器視覺的煤堆密度組成快速分析方法。本文提取了煤粒表面50個顏色、光澤和紋理特征參數(shù),并對其進行異常點檢測和標準化處理;采用箱線圖對所有特征參數(shù)進行了初步分析,探索其隨煤粒粒級和密度級的變化趨勢,初步篩選特征參數(shù);隨后采用核主成分分析(KPCA)和遺傳算法(GA)進一步優(yōu)化特征參數(shù),結(jié)果表明GA特征篩選方法效果更佳;支持向量機分類器(SVM)相對于 BP、RBF和

7、PNN神經(jīng)網(wǎng)絡能夠更準確的預測煤粒密度級;窄粒級煤粒密度級預測準確率遠高于全粒級煤粒,并且窄粒級中煤粒密度級預測準確率隨粒級增大而升高;結(jié)合上述研究提出了一種分粒級進行的煤堆密度組成分析方法,測試結(jié)果表明實驗次數(shù)越多,預測誤差呈降低趨勢,前20次各密度級組成平均預測誤差最高為8.03%,最低為0.87%。
　　提出了一種基于機器視覺的煤堆各密度級灰分和總灰快速分析方法。通過建立煤?；曳峙c密度的二次多項式模型,確定煤粒表面特征參數(shù)隨

8、灰分的變化趨勢應與其隨密度級的變化趨勢一致;采用遺傳算法(G A)篩選特征參數(shù),結(jié)合支持向量機(SVM)建立煤?；曳诸A測模型;結(jié)果表明全粒級煤粒灰分預測模型精度不如窄粒級灰分預測模型,并且灰分預測模型精度隨粒級增大而升高,SVM預測模型比 BP和 RBF神經(jīng)網(wǎng)絡模型更適合用于煤?；曳中畔㈩A測;結(jié)合上述研究提出了一種分粒級進行的煤堆各密度級灰分與總灰分析方法,測試結(jié)果表明預測誤差隨實驗次數(shù)增多呈降低趨勢,前20次各密度級平均灰分預測誤差最

9、高為3.39%,最低為0.22%,總灰平均誤差為0.73%。
　　初步嘗試了基于機器視覺的煤質(zhì)快速分析半工業(yè)試驗。在神華寧煤太西選煤廠設計開發(fā)了一套原煤可選性實時預測系統(tǒng)和一套超純煤灰分實時預測系統(tǒng),運行情況表明煤質(zhì)快速分析方法是可行的,兩套設備基本能夠滿足現(xiàn)場環(huán)境實時煤質(zhì)預測要求;實時預測的入料原煤粒度組成、密度組成和灰分信息絕對誤差均在10%以內(nèi),并可實時顯示可選性曲線;實時預測的超純煤灰分絕對誤差平均值為0.12%;本文研究