基于机器视觉的多煤种密度级在线分类研究
发布时间：2021-07-13 11:52
我国煤炭资源丰富,但随着开采时间变长,煤炭资源日趋贫杂难选。随着科技的进步,基于高新传感器的煤料干法分拣技术崭露头角,但由于高成本、辐射、响应速度慢、矿石单体识别难等问题限制了大部分先进检测技术在矿石干选领域的应用推广,而基于机器视觉的智能矿石干选技术能够很好的克服上述难题。因此本文结合机器视觉技术在煤料干选技术中的优势和当前机器视觉技术在选煤行业中的应用现状,提出一种基于机器视觉的多煤种密度级在线分类技术。本文以不同成煤环境和煤化程度下的气煤、焦煤和无烟煤为研究对象,采用浮沉试验在各煤种中准备了<1.4g/cm3、1.4～1.6g/cm3、1.6～1.8g/cm3、>1.8g/cm3四个密度级煤样,并搭建了一套动态煤样图像采集系统。通过对实验煤进行显微组分分析以及煤粒的表面图像分析,证明煤粒表面颜色、光泽和纹理等表观特征与煤粒密度级之间存在密切联系,并分析了不同煤种表观特性存在差异的根源,同时也指出了不同煤种表观特性与密度级之间存在相同的变化规律,为后续提取煤粒表面共性特征参数和建立多煤种共性分类模型奠定了理论基础。提出了煤料表面图像特征提取和筛选方法。采用阈值分割、二值...
【文章来源】：武汉科技大学湖北省
【文章页数】：80 页
【学位级别】：硕士
【部分图文】：
煤炭干选机原理图
9图1.2技术路线图1.4本章小结本章主要阐述了论文的研究背景与意义，分析了国内外机器视觉技术在选矿领域的发展方向和研究现状，指出了机器视觉技术在煤炭干选技术中的优势所在和重要意义，提出了一种基于机器视觉的多煤种密度级在线分类技术，并具体介绍了本文的主要研究内容及技术路线。
122.1.3煤样图像采集系统煤样图像采集系统由自动给料系统、图像采集系统、分类识别系统三部分组成，如图2.2-a所示。本试验主要对多煤种密度级在线分类效果进行评估，不涉及煤料喷吹分选，因此不含煤料分拣系统。自动给料系统由自动给料机和皮带机组成，其中自动给料机的给料速度和皮带机的运转速度皆可根据现场实际情况进行调节。拍摄图像时，皮带机转轴处的传感器将皮带机运转速度转化为数字信号传递到图像采集系统，对相机工作参数进行自适应调节，以获取清晰有效的图像。图像采集系统采用4K彩色3CCD线阵工业相机，以及配套的图像处理软件，实现在皮带运转条件下煤粒图像的连续拍摄与存储；所采用光源为线性光源，光照强度可根据实际需求进行调节。分类识别系统将完成煤粒图像的预处理及分类，其中核心算法皆通过MatlabR2017b自主开发。试验中设定皮带机运行速度1m/s，所获取煤料图像大小为4096*3000pixel，精度为0.098mm/pixel，如图2.1-b所示。图2.1动态煤样图像采集系统，a：实物图；b：所获取图像
【参考文献】：
期刊论文
[1]X射线透射智能分选机预选某低品位钨矿石的试验研究[J]. 陈俊,邹尚. 湖南有色金属. 2019(06)
[2]XNDT-104智能分选系统在闪星锑业的应用[J]. 孙照焱,蒋康生,尹华功,郭劲. 有色金属设计. 2019(03)
[3]计算机视觉技术在矿山生产中的应用综述[J]. 王贵根,张博洋. 采矿技术. 2019(05)
[4]基于机器视觉的多机械臂煤矸石分拣机器人系统研究[J]. 王鹏,曹现刚,夏晶,吴旭东,马宏伟. 工矿自动化. 2019(09)
[5]基于X射线透射的矿石品位检测方法研究[J]. 葛丁,梁殿印. 有色金属(选矿部分). 2019(04)
[6]智能分拣选矿技术的发展及其应用[J]. 罗仙平,宁湘菡,王涛,王鹏程,何鹏宇. 金属矿山. 2019(07)
[7]基于半监督聚类的煤泥浮选泡沫图像分类方法[J]. 曹文艳,王然风,樊民强,付翔,王宇龙. 工矿自动化. 2019(07)
[8]机器学习在选煤厂的应用[J]. 王龙龙,苏子慕,杨小平. 机电信息. 2019(12)
[9]基于多机械臂协同的煤矸分拣方法研究[J]. 曹现刚,费佳浩,王鹏,李宁,苏玲玲. 煤炭科学技术. 2019(04)
[10]煤泥浮选中I-ELM的应用[J]. 武林海,刘洋. 煤炭技术. 2019(03)
博士论文
[1]基于机器视觉的煤质快速分析方法研究[D]. 张泽琳.中国矿业大学 2014
硕士论文
[1]基于图像处理的煤泥浮选精煤灰分检测研究[D]. 林祖贵.太原理工大学 2014
本文编号：3282008
【文章来源】：武汉科技大学湖北省
【文章页数】：80 页
【学位级别】：硕士
【部分图文】：
煤炭干选机原理图
9图1.2技术路线图1.4本章小结本章主要阐述了论文的研究背景与意义，分析了国内外机器视觉技术在选矿领域的发展方向和研究现状，指出了机器视觉技术在煤炭干选技术中的优势所在和重要意义，提出了一种基于机器视觉的多煤种密度级在线分类技术，并具体介绍了本文的主要研究内容及技术路线。
122.1.3煤样图像采集系统煤样图像采集系统由自动给料系统、图像采集系统、分类识别系统三部分组成，如图2.2-a所示。本试验主要对多煤种密度级在线分类效果进行评估，不涉及煤料喷吹分选，因此不含煤料分拣系统。自动给料系统由自动给料机和皮带机组成，其中自动给料机的给料速度和皮带机的运转速度皆可根据现场实际情况进行调节。拍摄图像时，皮带机转轴处的传感器将皮带机运转速度转化为数字信号传递到图像采集系统，对相机工作参数进行自适应调节，以获取清晰有效的图像。图像采集系统采用4K彩色3CCD线阵工业相机，以及配套的图像处理软件，实现在皮带运转条件下煤粒图像的连续拍摄与存储；所采用光源为线性光源，光照强度可根据实际需求进行调节。分类识别系统将完成煤粒图像的预处理及分类，其中核心算法皆通过MatlabR2017b自主开发。试验中设定皮带机运行速度1m/s，所获取煤料图像大小为4096*3000pixel，精度为0.098mm/pixel，如图2.1-b所示。图2.1动态煤样图像采集系统，a：实物图；b：所获取图像
【参考文献】：
期刊论文
[1]X射线透射智能分选机预选某低品位钨矿石的试验研究[J]. 陈俊,邹尚. 湖南有色金属. 2019(06)
[2]XNDT-104智能分选系统在闪星锑业的应用[J]. 孙照焱,蒋康生,尹华功,郭劲. 有色金属设计. 2019(03)
[3]计算机视觉技术在矿山生产中的应用综述[J]. 王贵根,张博洋. 采矿技术. 2019(05)
[4]基于机器视觉的多机械臂煤矸石分拣机器人系统研究[J]. 王鹏,曹现刚,夏晶,吴旭东,马宏伟. 工矿自动化. 2019(09)
[5]基于X射线透射的矿石品位检测方法研究[J]. 葛丁,梁殿印. 有色金属(选矿部分). 2019(04)
[6]智能分拣选矿技术的发展及其应用[J]. 罗仙平,宁湘菡,王涛,王鹏程,何鹏宇. 金属矿山. 2019(07)
[7]基于半监督聚类的煤泥浮选泡沫图像分类方法[J]. 曹文艳,王然风,樊民强,付翔,王宇龙. 工矿自动化. 2019(07)
[8]机器学习在选煤厂的应用[J]. 王龙龙,苏子慕,杨小平. 机电信息. 2019(12)
[9]基于多机械臂协同的煤矸分拣方法研究[J]. 曹现刚,费佳浩,王鹏,李宁,苏玲玲. 煤炭科学技术. 2019(04)
[10]煤泥浮选中I-ELM的应用[J]. 武林海,刘洋. 煤炭技术. 2019(03)
博士论文
[1]基于机器视觉的煤质快速分析方法研究[D]. 张泽琳.中国矿业大学 2014
硕士论文
[1]基于图像处理的煤泥浮选精煤灰分检测研究[D]. 林祖贵.太原理工大学 2014
本文编号：3282008
本文链接：https://www.wllwen.com/kejilunwen/kuangye/3282008.html
