氣流分級機分級效率實時檢測系統(tǒng)的設(shè)計

丁亞非，陳曉煒，李超永

1國家知識產(chǎn)權(quán)局專利局 北京 102206

2中國礦業(yè)大學(xué)化工學(xué)院 江蘇徐州 221116

在 正確認(rèn)識和把握碳達峰、碳中和上，仍要立足于我國以煤為主的基本國情的基礎(chǔ)上[1]。我國富煤、貧油、少氣的基本國情，決定了我國在未來一段時間內(nèi)仍是世界上最大的煤炭消費大國。隨著近些年新能源和清潔能源的發(fā)展，我國煤炭占一次能源消費比例持續(xù)降低，但依然占據(jù)很高的比例。《中國能源大數(shù)據(jù)報告 (2021) ——煤炭篇》指出，2020 年全國煤炭消費占一次能源消費的比重仍有 56.8%。因此，煤炭分選是煤炭清潔高效利用中較為關(guān)鍵的一環(huán)[2]。

目前，煤炭選前干法分級大多采用篩分機，其篩分效率對原煤中的水分非常敏感：水分會使原煤中的物料團聚，進而黏附在篩面上，堵塞篩孔，從而減小篩面的有效篩分面積，降低了篩分效率[3]。氣流分級機的出現(xiàn)避免了篩分過程中篩孔堵塞的問題[4]。氣流分級機分級效果的檢測方法一般為人工取樣測量，或有經(jīng)驗的工人根據(jù)經(jīng)驗粗略地判斷氣流分級機的分級效果。該類方法費時費力，檢測結(jié)果不具代表性，且難以實時反饋[5]。

本文利用機器視覺技術(shù)設(shè)計了基于圖像識別的氣流分級機分級效率在線檢測系統(tǒng)。該系統(tǒng)以氣流分級機細(xì)物料產(chǎn)物出口處帶式輸送機上的物料作為檢測對象，將取得的物料圖像進行灰度圖轉(zhuǎn)化、灰度調(diào)整、圖像二值化、填充孔洞后，使用編寫的算法進行三次分割，去除小于 6 mm 的顆粒，保留圖像中的粗顆粒。依據(jù)粗顆粒物料的投影面積所占顆粒群投影面積的比值，確定煤樣中粗顆粒的質(zhì)量分?jǐn)?shù)，實現(xiàn)氣流分級機分級效果的實時檢測。

1 圖像獲取

利用防塵性能較好的工業(yè)相機拍攝得到系統(tǒng)所需圖像；隨后導(dǎo)入 MATLAB 圖像采集工具箱，利用工具箱中的 videoinput 函數(shù)可完成視頻輸入對象的創(chuàng)建，preview 函數(shù)可預(yù)覽此圖像，getsnashot 函數(shù)對圖像進行捕捉；最后將捕捉到的圖像保存到計算機中，調(diào)用函數(shù)為 imwrite 函數(shù)。煤樣表面圖像如圖 1 所示。

2 灰度處理

煤樣原圖像為 RGB 圖像。圖像處理前，應(yīng)先調(diào)用 rgb2gray 函數(shù)將圖像預(yù)處理為灰度圖像，處理后的灰度如圖 2 所示。處理公式為

由圖 2(a) 所示，圖像整體明顯偏暗。采用基于灰度直方圖的方法調(diào)節(jié)對比度，使圖像整體增量，如圖 2(b) 所示，直方圖均衡化就是方法之一[6]。使用 MATLAB 中于全局的均衡化的用于直方圖均衡化操作的 histeq 函數(shù)，得到全局均衡化效果如圖 2(c) 所示。圖像經(jīng)全局直方圖均衡化后，雖然整體對比度增加，但仍然存在局部細(xì)節(jié)的對比度不升反降的現(xiàn)象。因此，再使用自適應(yīng)直方圖均衡化方法 (Contrast Limited Adaptive Histogram Equalization，CLAHE) 在其局部操作，以抑制噪聲且保存原圖像中灰度分布的特點。增強后的圖片如圖 2(d) 所示。

濾波是預(yù)處理的關(guān)鍵環(huán)節(jié)，其目的是弱化或者去除噪聲和干擾。對于此樣品圖像，噪聲與干擾即是煤炭顆粒表面的紋理。最佳的濾波效果是在保留煤炭顆粒邊緣的同時，消除顆粒表面紋理所帶來的影響。

本文采用空間域濾波，在弱化顆粒表面紋理的同時，還能盡可能地保留邊界信息的雙邊濾波來處理圖像[7]。最終當(dāng)距離權(quán)重方差σd=3.0，灰度權(quán)重方差σr=0.1 時，可以得到較為理想的濾波效果。

3 圖像處理

灰度處理后，仍然發(fā)現(xiàn)煤層表面的圖像中，顆粒相互堆疊在一起，非常復(fù)雜。若要計算 0～ 6 mm 細(xì)物粒正配效率，則必須除去 0～ 6 mm 顆粒，保留粒徑大于 6 mm 顆粒。通過一定的方法計算出其比例，從而計算其篩分效率，這也是評價氣流分級機分級效率的指標(biāo)。

3.1 圖像分割

分割圖像中黏連的煤炭顆粒是準(zhǔn)確計算細(xì)物粒正配效率的關(guān)鍵。很多學(xué)者采用分水嶺算法作為圖像分割的算法，然而此方法并不直接適用與煤炭的分割。這是因為：一是分水嶺算法對噪聲十分敏感，盡管用雙邊濾波消除了部分噪聲，但剩余的噪聲足以影響算法的準(zhǔn)確性；二是圖像中顆粒小且邊界復(fù)雜，不適合直接使用分水嶺算法。盡管如此，分水嶺算法分割圖像后，仍能清楚地區(qū)分出顆粒的邊緣，故對分水嶺算法進行改進，輔以適宜的二值化算法，以將黏連的顆粒分割開，去除粒徑小于 6 mm 顆粒，僅保留粒徑大于 6 mm 顆粒。

3.2 二值圖像

顆粒邊緣圖像亮度因陰影的存在而降低，可根據(jù)顆粒表面與邊緣的亮度差異，來區(qū)分圖像的前景和背景并進行二值圖像。其中，顆粒表面為前景白色，而顆粒邊緣為背景黑色，依此來對圖像進行初步分割。此處，筆者分別采取大津閾值法、維納自適應(yīng)閾值法和灰度變化率法分別進行二值化，二值圖像結(jié)果如圖3 所示。

可見，基于灰度變化率的二值化圖像中的顆粒更接近于原圖像?；诨叶茸兓实亩祷椒ㄊ且罁?jù)圖像中顆粒邊緣灰度變化規(guī)律對圖像進行分割，其過程如圖 4 所示。

從圖 4(b) 中選取劃線部分點作為研究對象，研究內(nèi)容包括灰度值A(chǔ)(i)、灰度值的一階導(dǎo)數(shù)B(i) 和灰度值的變化率C(i)，C(i)=B(i)/A(i)，灰度值數(shù)據(jù)分析結(jié)果由上到下依次如圖 4(c) 所示。

選取圖 4(b) 中的該行中顆粒左邊緣、中間雜質(zhì)點以及右邊緣 3 處較暗區(qū)域，不難發(fā)現(xiàn)，顆粒邊緣處灰度值會發(fā)生波動，且邊緣的波動幅度遠大于雜質(zhì)的波動幅度。取任意 3 處圖片位置的灰度值進行統(tǒng)計，結(jié)果如表 1 所列。通過分析表 1 數(shù)據(jù)，可將 30～ 200作為顆粒邊緣灰度值范圍；在灰度值變化率方面，以0.2 作為區(qū)分顆粒的邊緣和雜質(zhì)點的閾值；以 100為邊緣延伸距離的灰度值閾值進行二值圖像，二值化結(jié)果如圖 5 所示。

表1 灰度值統(tǒng)計表Tab.1 Statistics of gray value

3.3 三次分割

二值圖像法進行一次分割后，并不能完全符合要求，故對圖像進行多次標(biāo)定和分割。對比發(fā)現(xiàn)，三次分割后，圖 2(d) 的圖像其與實際相符，其最終分割圖如圖 6 所示。

4 結(jié)果對比分析

對照圖 4(b)，將圖 2(d) 人工勾勒出一定數(shù)量的顆粒，將圖像處理結(jié)果中的顆粒分為 3 類：分割基本正確、分割不準(zhǔn)確、錯誤分割。其判別標(biāo)準(zhǔn)為：分割基本正確為顆粒形狀和面積與人工勾勒出的基本一致；分割不準(zhǔn)確為該顆粒雖然存在，但形狀和面積與人工勾勒的不一致；錯誤分割為原圖不存在該顆粒。系統(tǒng)每隔一定時間獲取一張圖像并進行檢測分析，經(jīng)多次檢測，10 張圖像處理后，平均錯誤率已經(jīng)降低至 3%以下，滿足實時檢測系統(tǒng)的要求。因此，將某一時刻的前 10 張?zhí)幚淼膱D像檢測結(jié)果的平均值，作為該時刻氣流分級機分機效率實時檢測系統(tǒng)的檢測結(jié)果。

5 結(jié)語

設(shè)計了一個基于圖像識別的氣流分級機分級效果在線檢測系統(tǒng)。該系統(tǒng)用工業(yè)相機和計算機圖像處理程序拍攝的氣流分級機細(xì)物料產(chǎn)物出口處煤樣表面的圖像，計算出粗顆粒物料的投影面積所占顆粒群投影面積的比值確定該處細(xì)物粒正配效率從而確定煤樣中粗顆粒的質(zhì)量分?jǐn)?shù)，將某一時刻的前 10 張圖像中的質(zhì)量分?jǐn)?shù)平均值作氣流分級機分機效率實時檢測系統(tǒng)該時刻的檢測結(jié)果，其分析誤差在 3% 以下。該系統(tǒng)較人工檢測更加符合現(xiàn)代工業(yè)生產(chǎn)中自動檢測的要求。