基于圖像灰度特征的浮選尾礦灰分軟測量研究.pdf

1、隨著我國煤炭向貧、雜、細的方向發(fā)展以及市場對煤炭產(chǎn)品品質(zhì)的要求日益嚴格，浮選技術已經(jīng)成為選煤技術中不可或缺的一環(huán)。目前在浮選過程中，大多數(shù)選煤廠仍然依靠人工觀察浮選泡沫層的形態(tài)特征和浮選尾礦的顏色特征判別浮選效果的好壞。作為浮選過程的主要指標，產(chǎn)品灰分的在線監(jiān)測已經(jīng)成為制約浮選過程自動化水平提高的瓶頸。機器視覺技術的發(fā)展為浮選過程變量的檢測提供一種新的思路。本文結合薛湖選煤廠浮選工藝的實際情況，對基于圖像灰度特征的尾礦灰分在線檢測問題進

2、行了研究。
　　為了獲得高質(zhì)量的樣品圖像，本文對圖像采集系統(tǒng)進行了優(yōu)化，并且對系統(tǒng)的運行條件進行了研究。首先，采集系統(tǒng)選取可以滿足長時間工作、光照穩(wěn)定、發(fā)熱少等需求的LED光源，并對比不同顏色光源條件下樣品圖像的特征參數(shù)，發(fā)現(xiàn)白色光源條件下的樣品圖像識別度最高，最終選取白色的LED光源作為系統(tǒng)的光源；其次，對比四種不同的照明和觀察幾何條件，結合圖像質(zhì)量的要求和圖像采集系統(tǒng)的實際情況，本文最終選取了光照均勻、無大亮斑、圖像無變形、成

3、本低的對稱光源照明和觀察條件；此外對系統(tǒng)性能進行了探索，發(fā)現(xiàn)光源在初次開啟后光照強度會出現(xiàn)衰減，大約在50分鐘左右進入穩(wěn)定狀態(tài)，為了防止樣品在圖像采集過程中發(fā)生沉淀，在系統(tǒng)中添加了磁力攪拌器，通過試驗發(fā)現(xiàn)其轉(zhuǎn)速為800r/min左右時既能保證樣品不發(fā)生沉淀，同時又能保證樣圖像品的像素異常率在2.5％以內(nèi)。
　　為了保證圖像灰度特征值的代表性，本文對圖像灰度特征值的提取方法進行了優(yōu)化，首先選取圖像形狀特征中的最大亮斑面積作為圖像是否

4、合格的評判標準，將最大亮斑面積大于1000個像素點的圖像直接刪除，不參與后續(xù)圖像特征值的提取，其次為了消除圖像中的噪聲，選取中值濾波的方式對圖像進行預處理，從而保證圖像灰度特征的代表性；同時，探索了浮選尾礦的物理特性對樣品圖像的影響。本文通過單因素試驗和正交試驗的方式分別探討了不同灰分、不同濃度和不同粒度條件下樣品圖像特征的變化規(guī)律，通過單因素試驗結果發(fā)現(xiàn)當樣品的灰分發(fā)生變化時，樣品圖像的灰度均值也會有同樣的變化趨勢，說明根據(jù)圖像的灰度

5、均值預測浮選尾礦灰分的方法是可行的；另外，樣品的濃度和粒度對樣品圖像的灰度均值也有一定的影響。為了量化濃度和粒度對圖像特征的影響，提取亮斑平均面積和亮斑數(shù)目作為樣品濃度和粒度替代變量，然后通過正交試驗的方差分析得到樣品物理特性對圖像灰度均值的影響大小是：灰分>粒度>濃度，最后將圖像灰度特征中的灰度均值、方差、偏度、平衡度、能量、熵、亮斑平均面積和亮斑數(shù)目等8個圖像的特征值作為軟測量模型的輸入。
　　為了保證模型的精度和運算時間，對

6、8個圖像灰度特征值進行PCA分析，結果表明輸入變量的前三個主元的累計貢獻率超過95%，故選取前三個主元作為浮選尾礦灰分預測模型的輸入。利用試驗得到的214組試驗數(shù)據(jù)分別建立了浮選尾礦灰分預測的SVMR模型和GA-SVMR模型，誤差分析表明：兩個模型的相對誤差在15%以內(nèi)，且GA-SVMR的預測穩(wěn)定性強于 SVMR獲得的預測模型。
　　最后，對浮選尾礦灰分在線預測平臺進行了概念設計，主要包括尾礦樣品采集裝置的選型、采集裝置控制方案的