我國煤炭資源豐富,但隨著開采時間變長,煤炭資源日趨貧雜難選。隨著科技的進步,基于高新傳感器的煤料干法分揀技術(shù)嶄露頭角,但由于高成本、輻射、響應(yīng)速度慢、礦石單體識別難等問題限制了大部分先進檢測技術(shù)在礦石干選領(lǐng)域的應(yīng)用推廣,而基于機器視覺的智能礦石干選技術(shù)能夠很好的克服上述難題。因此本文結(jié)合機器視覺技術(shù)在煤料干選技術(shù)中的優(yōu)勢和當前機器視覺技術(shù)在選煤行業(yè)中的應(yīng)用現(xiàn)狀,提出一種基于機器視覺的多煤種密度級在線分類技術(shù)。本文以不同成煤環(huán)境和煤化程度下的氣煤、焦煤和無煙煤為研究對象,采用浮沉試驗在各煤種中準備了<1.4g/cm3、1.4～1.6g/cm3、1.6～1.8g/cm3、>1.8g/cm3四個密度級煤樣,并搭建了一套動態(tài)煤樣圖像采集系統(tǒng)。通過對實驗煤進行顯微組分分析以及煤粒的表面圖像分析,證明煤粒表面顏色、光澤和紋理等表觀特征與煤粒密度級之間存在密切聯(lián)系,并分析了不同煤種表觀特性存在差異的根源,同時也指出了不同煤種表觀特性與密度級之間存在相同的變化規(guī)律,為后續(xù)提取煤粒表面共性特征參數(shù)和建立多煤種共性分類模型奠定了理論基礎(chǔ)。提出了煤料表面圖像特征提取和篩選方法。采用閾值分割、二值... 

【文章來源】：武漢科技大學湖北省

【文章頁數(shù)】：80 頁

【學位級別】：碩士

【部分圖文】：

煤炭干選機原理圖

9圖1.2技術(shù)路線圖1.4本章小結(jié)本章主要闡述了論文的研究背景與意義，分析了國內(nèi)外機器視覺技術(shù)在選礦領(lǐng)域的發(fā)展方向和研究現(xiàn)狀，指出了機器視覺技術(shù)在煤炭干選技術(shù)中的優(yōu)勢所在和重要意義，提出了一種基于機器視覺的多煤種密度級在線分類技術(shù)，并具體介紹了本文的主要研究內(nèi)容及技術(shù)路線。

122.1.3煤樣圖像采集系統(tǒng)煤樣圖像采集系統(tǒng)由自動給料系統(tǒng)、圖像采集系統(tǒng)、分類識別系統(tǒng)三部分組成，如圖2.2-a所示。本試驗主要對多煤種密度級在線分類效果進行評估，不涉及煤料噴吹分選，因此不含煤料分揀系統(tǒng)。自動給料系統(tǒng)由自動給料機和皮帶機組成，其中自動給料機的給料速度和皮帶機的運轉(zhuǎn)速度皆可根據(jù)現(xiàn)場實際情況進行調(diào)節(jié)。拍攝圖像時，皮帶機轉(zhuǎn)軸處的傳感器將皮帶機運轉(zhuǎn)速度轉(zhuǎn)化為數(shù)字信號傳遞到圖像采集系統(tǒng)，對相機工作參數(shù)進行自適應(yīng)調(diào)節(jié)，以獲取清晰有效的圖像。圖像采集系統(tǒng)采用4K彩色3CCD線陣工業(yè)相機，以及配套的圖像處理軟件，實現(xiàn)在皮帶運轉(zhuǎn)條件下煤粒圖像的連續(xù)拍攝與存儲；所采用光源為線性光源，光照強度可根據(jù)實際需求進行調(diào)節(jié)。分類識別系統(tǒng)將完成煤粒圖像的預(yù)處理及分類，其中核心算法皆通過MatlabR2017b自主開發(fā)。試驗中設(shè)定皮帶機運行速度1m/s，所獲取煤料圖像大小為4096*3000pixel，精度為0.098mm/pixel，如圖2.1-b所示。圖2.1動態(tài)煤樣圖像采集系統(tǒng)，a：實物圖；b：所獲取圖像

【參考文獻】：
期刊論文
[1]X射線透射智能分選機預(yù)選某低品位鎢礦石的試驗研究[J]. 陳俊,鄒尚.  湖南有色金屬. 2019(06)
[2]XNDT-104智能分選系統(tǒng)在閃星銻業(yè)的應(yīng)用[J]. 孫照焱,蔣康生,尹華功,郭勁.  有色金屬設(shè)計. 2019(03)
[3]計算機視覺技術(shù)在礦山生產(chǎn)中的應(yīng)用綜述[J]. 王貴根,張博洋.  采礦技術(shù). 2019(05)
[4]基于機器視覺的多機械臂煤矸石分揀機器人系統(tǒng)研究[J]. 王鵬,曹現(xiàn)剛,夏晶,吳旭東,馬宏偉.  工礦自動化. 2019(09)
[5]基于X射線透射的礦石品位檢測方法研究[J]. 葛丁,梁殿印.  有色金屬(選礦部分). 2019(04)
[6]智能分揀選礦技術(shù)的發(fā)展及其應(yīng)用[J]. 羅仙平,寧湘菡,王濤,王鵬程,何鵬宇.  金屬礦山. 2019(07)
[7]基于半監(jiān)督聚類的煤泥浮選泡沫圖像分類方法[J]. 曹文艷,王然風,樊民強,付翔,王宇龍.  工礦自動化. 2019(07)
[8]機器學習在選煤廠的應(yīng)用[J]. 王龍龍,蘇子慕,楊小平.  機電信息. 2019(12)
[9]基于多機械臂協(xié)同的煤矸分揀方法研究[J]. 曹現(xiàn)剛,費佳浩,王鵬,李寧,蘇玲玲.  煤炭科學技術(shù). 2019(04)
[10]煤泥浮選中I-ELM的應(yīng)用[J]. 武林海,劉洋.  煤炭技術(shù). 2019(03)

博士論文
[1]基于機器視覺的煤質(zhì)快速分析方法研究[D]. 張澤琳.中國礦業(yè)大學 2014

碩士論文
[1]基于圖像處理的煤泥浮選精煤灰分檢測研究[D]. 林祖貴.太原理工大學 2014



本文編號：3282008