基于机器视觉的煤矿浮选尾水灰分在线检测系统.pdfVIP

摘要

摘要

随着工业化进程中自动化技术的不断提升，人们越来越关注煤泥浮选系统的自动

化和智能化控制。实时追踪和检测浮选产品的质量，尤其是对浮选精煤和尾煤质量的

监控，已经成为智能控制的核心环节。然而检测技术手段和传感元件的局限性，限制

了浮选过程向智能化方向的进一步发展。在过去，大部分的研究主要集中在浮选精煤

的质量检验上，但对于尾煤的关注则相对较少。尾煤的品质反馈对于浮选过程中的闭

环优化管理起到了非常关键的作用。

由于实际生产过程中工人主要依靠经验通过观察尾煤水颜色来估计灰分，并据此

调整药剂量、泡沫层的厚度以及充气量等因素，以保障产品的浮选质量。因此本课题

主要研究如何运用机器视觉技术来预测浮选过程中尾煤水的灰分含量。

(1)本课题首先搭建了一个图像采集系统，旨在捕获浮选尾煤水的表面图像。图像

采集系统的设计考虑到了浮选尾煤水表面的特殊环境，确保了稳定的采集效果。

(2)考虑到煤泥浮选过程中光的不均匀分布、图像中的噪声污染以及分割的难度等

难题，本课题依据图像去噪增强技术，对尾煤水图像进行处理，处理过的图像能够保

留图像细节且去除噪声。在灰度均值阈值分割算法的基础上，进一步引入形态学操作，

对尾煤水图像进行开运算，去除小尺寸噪点。利用前述的预处理方法，构建了一个基

于灰度均值阈值的分割技术。在进行特征数据提取的过程中，采用了自适应边缘检测

算法，有效地减少了干扰因素对图像处理的影响，提高了尾煤水图像的准确性和可信

度。

(3)为了确定尾煤水图像的彩色特征与灰分的相互关系。通过分析尾煤水图像的彩

色特征，得到彩色特征与灰分的相关系数，证明彩色特征可以作为灰分预测的输入值。

通过RGB、YUV、HSI三种颜色空间的一阶颜色矩进行比较；H分量、S分量、I分量

对灰分的改变更为敏感。

(4)通过使用遗传算法优化的BP神经网络来预测灰分，将彩色特征加入输入值，提

高预测精度，将GA-BP神经网络和SVM支持向量回归、ELM极限学习机三种方式建

立了预测模型进行对比，从而在浮选过程控制上，对产品灰分检测，提供了有效方法。

(5)基于前述的研究，并结合实际选煤厂浮选车间的操作状况以及机器视觉技术的

布局，本课题构建了一个在线的灰分检测系统。图像处理模块采用先进的算法，能够

有效提取煤炭图像中的灰分信息，实时性强。在实际应用中，该在线灰分检测系统不

仅提高了浮选车间的生产效率，还降低了人工操作的需求。

关键词：煤泥浮选，机器视觉，图像处理，特征处理，在线检测

I

盐城工学院硕士学位论文

Abstract

Withthecontinuousimprovementofautomationtechnologyintheprocessof

industrialization,peoplearepayingmoreandmoreattentiontotheautomationandintelligent

controlofcoalslimeflotationsystems.Real-timetrackinganddetectionofthequalityof

flotationproducts,especiallymonitoringthequalityofflotationcleancoalandtailings,has

becomethecorelinkofintelligentcontrol.However,thelimitationsofdetectiontechnology