基于視覺技術(shù)的礦井帶式輸送機(jī)運(yùn)煤技術(shù)研究

任百戰(zhàn)

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

引言

礦井監(jiān)測(cè)視覺系統(tǒng)盡管已經(jīng)取得了相當(dāng)大的進(jìn)步，但是使用分割算法進(jìn)行測(cè)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(duì)檢測(cè)產(chǎn)生影響。在實(shí)踐中，煤的有效制備和質(zhì)量控制對(duì)于煤的穩(wěn)定性非常重要。在線測(cè)量在持續(xù)運(yùn)煤過程和實(shí)時(shí)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(xì)粒數(shù)量（＜6 mm）[1]。通過圖像分析確定的細(xì)粒質(zhì)量分?jǐn)?shù)有可能以小于10%的誤差進(jìn)行預(yù)測(cè)，研究成果為帶式輸送機(jī)運(yùn)煤技術(shù)的分析研究提供依據(jù)。

1 機(jī)器視覺系統(tǒng)簡(jiǎn)介

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

用于監(jiān)測(cè)煤炭粒子大小分布的機(jī)器視覺算法通常使用分割使單個(gè)粒子彼此分離并分離其背景。為了在線實(shí)現(xiàn)顆粒尺寸測(cè)量的圖像處理，高速攝像機(jī)、防止數(shù)據(jù)過載的實(shí)時(shí)數(shù)據(jù)儲(chǔ)存以及連續(xù)監(jiān)測(cè)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(cè)量的顆粒尺寸分布會(huì)由于負(fù)載中顆粒的重力分離而嚴(yán)重偏離，并且經(jīng)驗(yàn)性的尺寸校正通常用于將測(cè)量的尺寸數(shù)據(jù)轉(zhuǎn)換為實(shí)際尺寸數(shù)據(jù)。本文基于對(duì)傳送帶上的煤顆粒中的細(xì)粒濃度的估計(jì)，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(jì)算程序直接從圖像數(shù)據(jù)估計(jì)煤炭細(xì)粒濃度，整體系統(tǒng)架構(gòu)如圖1 所示。

圖1 機(jī)器視覺系統(tǒng)應(yīng)用架構(gòu)示意圖

2 試驗(yàn)技術(shù)方法

2.1 粗細(xì)煤混合實(shí)驗(yàn)

對(duì)煤樣品進(jìn)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(shí)驗(yàn)中，煤被分離成細(xì)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(xì)粒的混合物[3]，每種混合物均配置10 個(gè)樣品。

圖2 實(shí)驗(yàn)室傳送帶上煤炭物料

2.2 圖像分析

對(duì)70 個(gè)樣本各采集3 張圖像，如下頁圖3 所示，其中顯示了每個(gè)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(jìn)行對(duì)比表示，其中包括60%、80%和100%的比例細(xì)屑[3]。

圖3 不同比例煤炭細(xì)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(jì)算每個(gè)煤炭圖像的共生矩陣。從這些矩陣中，可以提取圖像的5 個(gè)紋理特征，即對(duì)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(duì)圖像數(shù)據(jù)進(jìn)行分類。這些模型沒有預(yù)測(cè)細(xì)粒，而是預(yù)測(cè)細(xì)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(jìn)行歸集。一旦將這些圖像轉(zhuǎn)換為像素強(qiáng)度矩陣，就會(huì)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(gè)特征，即對(duì)比度、相關(guān)性、能量、平均信息量、同質(zhì)性的相關(guān)性進(jìn)行統(tǒng)計(jì)和分類，達(dá)到辨識(shí)煤炭細(xì)粒大小的目的。

3 工業(yè)試驗(yàn)圖像結(jié)果分析

3.1 篩管分析

篩選了8 個(gè)煤樣，得到10 個(gè)煤樣粒徑分布不同的樣品。分別采用機(jī)械振動(dòng)篩和兩個(gè)5 mm 和8 mm的方孔篩進(jìn)行篩選。樣品質(zhì)量在12～24 kg 之間[4]。與初期設(shè)計(jì)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(jìn)行線性插值，以計(jì)算6 mm 的質(zhì)量分?jǐn)?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?jǐn)?shù)百分比。

表1 累積顆粒質(zhì)量分?jǐn)?shù) %

3.2 常規(guī)圖像分析

每個(gè)煤樣品被分散在皮帶上，以模擬在線系統(tǒng)的實(shí)際工況監(jiān)測(cè)。照片是用佳能EOS 400D 單反相機(jī)和索尼攝像機(jī)拍攝的，對(duì)每個(gè)樣品的三種不同混合物分別拍攝了兩張圖像。由于混合時(shí)煤可能會(huì)降解，因此只進(jìn)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(jī)閃光燈用于拍攝每個(gè)樣品的所有照片。使用不同的邊緣檢測(cè)參數(shù)進(jìn)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(rèn)設(shè)置）、C（自定義設(shè)置）和M（手動(dòng)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(shí)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(rèn)為是相當(dāng)可靠的，因?yàn)樗试S對(duì)不能自動(dòng)分割的非常小的粒子或由于其紋理和光照而被自動(dòng)邊緣檢測(cè)分割的大粒子進(jìn)行校正。

由于人工分析耗時(shí)，只能對(duì)10 個(gè)樣本進(jìn)行分析。該軟件從分割網(wǎng)自動(dòng)生成顆粒尺寸分布，通過計(jì)算小于5 mm 的顆粒質(zhì)量分?jǐn)?shù)、5～8 mm 之間的顆粒質(zhì)量分?jǐn)?shù)和大于8 mm 的顆粒質(zhì)量分?jǐn)?shù)，可以對(duì)照顆粒的篩分析對(duì)這些分布進(jìn)行驗(yàn)證。

3.3 識(shí)別結(jié)果分析

圖4 顯示了每個(gè)樣本的默認(rèn)（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(gè)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(duì)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(jì)顆粒尺寸，至少在沒有校正算法的情況下。

圖5 實(shí)際與系統(tǒng)辨識(shí)圖像對(duì)比

下頁圖6 將手動(dòng)估算的細(xì)粒分?jǐn)?shù)與篩分結(jié)果進(jìn)行了比較并且加入了校正算法。對(duì)于這10 個(gè)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(duì)于煤炭物料的辨識(shí)需要，因?yàn)閳D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(jì)已知的顆粒尺寸分?jǐn)?shù)（混合物、總精度為84.2%），表明視覺技術(shù)在對(duì)煤樣品的篩粒度分布方面的應(yīng)用具有很大的價(jià)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(jī)上在線估算煤粒度分布的監(jiān)測(cè)，分析獲得實(shí)驗(yàn)結(jié)果，可以得出以下結(jié)論:

1）在受控的實(shí)驗(yàn)室條件下，通過手動(dòng)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(qiáng)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(jì)已知的顆粒尺寸分?jǐn)?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(chǎng)篩選過程獲得的。

3）使用邊緣檢測(cè)算法從圖像中識(shí)別顆粒的結(jié)果不太令人滿意，因?yàn)榉浅Ｐ〉念w粒不能被識(shí)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(rèn)為是小塊煤碎片。這種偏差取決于顆粒大小，原則上可以進(jìn)行修正，以提高對(duì)顆粒大小分?jǐn)?shù)的估計(jì)，前提是細(xì)粒的范圍不要規(guī)定太窄。