任百戰(zhàn)

（山西霍爾辛赫煤業(yè)有限責(zé)任公司， 山西 長治 046699）

引言

礦井監(jiān)測視覺系統(tǒng)盡管已經(jīng)取得了相當(dāng)大的進步，但是使用分割算法進行測量其可靠性仍然存在問題，特別是礦井照明條件有限，加之煤炭尺寸不均導(dǎo)致光的不規(guī)則反射，對檢測產(chǎn)生影響。在實踐中，煤的有效制備和質(zhì)量控制對于煤的穩(wěn)定性非常重要。在線測量在持續(xù)運煤過程和實時質(zhì)量控制中發(fā)揮著至關(guān)重要的作用。本文的目標(biāo)是探索通過圖像分析來量化不同煤樣在傳送帶上的模型，模擬煤炭尺寸在不同條件下出現(xiàn)的細粒數(shù)量（＜6 mm）[1]。通過圖像分析確定的細粒質(zhì)量分數(shù)有可能以小于10%的誤差進行預(yù)測，研究成果為帶式輸送機運煤技術(shù)的分析研究提供依據(jù)。

1 機器視覺系統(tǒng)簡介

機器視覺系統(tǒng)測量粒度分布是由用于監(jiān)控磨機和其他礦石處理系統(tǒng)的復(fù)雜控制系統(tǒng)驅(qū)動的，因此在惡劣環(huán)境中可以為煤礦提供可靠的測量。

用于監(jiān)測煤炭粒子大小分布的機器視覺算法通常使用分割使單個粒子彼此分離并分離其背景。為了在線實現(xiàn)顆粒尺寸測量的圖像處理，高速攝像機、防止數(shù)據(jù)過載的實時數(shù)據(jù)儲存以及連續(xù)監(jiān)測的數(shù)據(jù)呈現(xiàn)要求是必要的。還需要有效的照明系統(tǒng)來呈現(xiàn)樣品的精確質(zhì)量圖像。更重要的是，從暴露層填充煤炭測量的顆粒尺寸分布會由于負載中顆粒的重力分離而嚴(yán)重偏離，并且經(jīng)驗性的尺寸校正通常用于將測量的尺寸數(shù)據(jù)轉(zhuǎn)換為實際尺寸數(shù)據(jù)。本文基于對傳送帶上的煤顆粒中的細粒濃度的估計，考慮使用PLC 核心處理的分析方法來校正這種分離偏差[2]。此外，還考慮了使用PLC 內(nèi)部計算程序直接從圖像數(shù)據(jù)估計煤炭細粒濃度，整體系統(tǒng)架構(gòu)如圖1 所示。

圖1 機器視覺系統(tǒng)應(yīng)用架構(gòu)示意圖

2 試驗技術(shù)方法

2.1 粗細煤混合實驗

對煤樣品進行篩分，并在傳送帶上采集這些樣品的圖像，以模擬工業(yè)條件（見圖2）。在一系列實驗中，煤被分離成細粒（小于6 mm）和粗粒（大于6 mm）部分。產(chǎn)生了7 種不同的混合物，即基于0%、20%、40%、50%、60%、80%和100%細粒的混合物[3]，每種混合物均配置10 個樣品。

圖2 實驗室傳送帶上煤炭物料

2.2 圖像分析

對70 個樣本各采集3 張圖像，如下頁圖3 所示，其中顯示了每個樣本的代表性圖像。所有的圖像都以相同的比例顯示。用直徑為26 mm 的樣板標(biāo)尺進行對比表示，其中包括60%、80%和100%的比例細屑[3]。

圖3 不同比例煤炭細屑占總體積的比例示意圖

2.3 分析方法

灰度圖像被數(shù)字化并計算每個煤炭圖像的共生矩陣。從這些矩陣中，可以提取圖像的5 個紋理特征，即對比度、相關(guān)性、能量、均勻性和平均信息量。

基于從數(shù)據(jù)中提取的特征，開發(fā)了不同的模型來對圖像數(shù)據(jù)進行分類。這些模型沒有預(yù)測細粒，而是預(yù)測細粒材料的范圍，即沒有小于6 mm 的顆粒，20%的顆粒小于6 mm 等。從圖像數(shù)據(jù)中提取特征，并將特性信息進行歸集。一旦將這些圖像轉(zhuǎn)換為像素強度矩陣，就會從圖像數(shù)據(jù)中提取紋理特征。從圖像的灰度共生矩陣中提取5 個特征，即對比度、相關(guān)性、能量、平均信息量、同質(zhì)性的相關(guān)性進行統(tǒng)計和分類，達到辨識煤炭細粒大小的目的。

3 工業(yè)試驗圖像結(jié)果分析

3.1 篩管分析

篩選了8 個煤樣，得到10 個煤樣粒徑分布不同的樣品。分別采用機械振動篩和兩個5 mm 和8 mm的方孔篩進行篩選。樣品質(zhì)量在12～24 kg 之間[4]。與初期設(shè)計的篩選準(zhǔn)則一樣，顆粒被定義為直徑小于6 mm 的顆粒。因此，有必要在5～8 mm 之間進行線性插值，以計算6 mm 的質(zhì)量分數(shù)。表1 顯示了所使用的篩子尺寸和在6 mm 處的插值的質(zhì)量分數(shù)百分比。

表1 累積顆粒質(zhì)量分數(shù) %

3.2 常規(guī)圖像分析

每個煤樣品被分散在皮帶上，以模擬在線系統(tǒng)的實際工況監(jiān)測。照片是用佳能EOS 400D 單反相機和索尼攝像機拍攝的，對每個樣品的三種不同混合物分別拍攝了兩張圖像。由于混合時煤可能會降解，因此只進行了三次混合。試圖讓每種混合物代表樣品的分布，但無法防止非常小的顆粒從視野中消失。相機閃光燈用于拍攝每個樣品的所有照片。使用不同的邊緣檢測參數(shù)進行三組分析以生成分割網(wǎng)。將參考這些分析分別為D（基于軟件的默認設(shè)置）、C（自定義設(shè)置）和M（手動設(shè)置）[5]。通過操縱每幅圖像上的分割網(wǎng)來擬合視覺上識別的粒子，從而完成分析。雖然過程非常煩瑣，但這種分析被認為是相當(dāng)可靠的，因為它允許對不能自動分割的非常小的粒子或由于其紋理和光照而被自動邊緣檢測分割的大粒子進行校正。

由于人工分析耗時，只能對10 個樣本進行分析。該軟件從分割網(wǎng)自動生成顆粒尺寸分布，通過計算小于5 mm 的顆粒質(zhì)量分數(shù)、5～8 mm 之間的顆粒質(zhì)量分數(shù)和大于8 mm 的顆粒質(zhì)量分數(shù)，可以對照顆粒的篩分析對這些分布進行驗證。

3.3 識別結(jié)果分析

圖4 顯示了每個樣本的默認（D）和自定義（C）分析的平均結(jié)果與篩選結(jié)果的比較。這個數(shù)字顯示篩結(jié)果和圖像結(jié)果之間的差異性。

圖4 篩分結(jié)果的比較示意圖

在圖5 中清晰可見，顯示了疊加在同一圖像上的分析方法C、分析方法D 和分析方法M 的分割網(wǎng)。和以前一樣，圖像中顯示了一枚直徑為26 mm 的標(biāo)尺作為對比。圖4 和圖5 中顯示的結(jié)果清楚地表明，該軟件不能直接用于估計顆粒尺寸，至少在沒有校正算法的情況下。

圖5 實際與系統(tǒng)辨識圖像對比

下頁圖6 將手動估算的細粒分數(shù)與篩分結(jié)果進行了比較并且加入了校正算法。對于這10 個樣品，篩分結(jié)果和手工獲得的結(jié)果之間有相當(dāng)好的相關(guān)性（方法M）。這種相關(guān)性滿足了工程對于煤炭物料的辨識需要，因為圖像分析只能考慮煤表面的顆粒，而篩析則反映了煤的整體性質(zhì)。然而，通過研究發(fā)現(xiàn)了可以從圖像數(shù)據(jù)中合理準(zhǔn)確地估計已知的顆粒尺寸分數(shù)（混合物、總精度為84.2%），表明視覺技術(shù)在對煤樣品的篩粒度分布方面的應(yīng)用具有很大的價值。

圖6 6 mm 篩分結(jié)果示意圖

4 結(jié)論

根據(jù)在帶式輸送機上在線估算煤粒度分布的監(jiān)測，分析獲得實驗結(jié)果，可以得出以下結(jié)論:

1）在受控的實驗室條件下，通過手動圖像分析獲得煤頂層中的粒度分布規(guī)律和通過篩選分析獲得煤主體層之間有很強相關(guān)性。

2）通過使用基于視覺技術(shù)的判別模型，可以從圖像數(shù)據(jù)中合理準(zhǔn)確地估計已知的顆粒尺寸分數(shù)（混合物、總精度為84.2%）。這是一種很有前瞻性的應(yīng)用技術(shù)方法，它需要的大量數(shù)據(jù)是通過復(fù)雜的現(xiàn)場篩選過程獲得的。

3）使用邊緣檢測算法從圖像中識別顆粒的結(jié)果不太令人滿意，因為非常小的顆粒不能被識別，具有融合傾向性的特征，而大塊煤傾向于被分割，并被誤認為是小塊煤碎片。這種偏差取決于顆粒大小，原則上可以進行修正，以提高對顆粒大小分數(shù)的估計，前提是細粒的范圍不要規(guī)定太窄。