丁亚非，陈晓炜，李超永

1国家知识产权局专利局 北京 102206

2中国矿业大学化工学院 江苏徐州 221116

在 正确认识和把握碳达峰、碳中和上，仍要立足于我国以煤为主的基本国情的基础上[1]。我国富煤、贫油、少气的基本国情，决定了我国在未来一段时间内仍是世界上最大的煤炭消费大国。随着近些年新能源和清洁能源的发展，我国煤炭占一次能源消费比例持续降低，但依然占据很高的比例。《中国能源大数据报告 (2021) ——煤炭篇》指出，2020 年全国煤炭消费占一次能源消费的比重仍有 56.8%。因此，煤炭分选是煤炭清洁高效利用中较为关键的一环[2]。

目前，煤炭选前干法分级大多采用筛分机，其筛分效率对原煤中的水分非常敏感：水分会使原煤中的物料团聚，进而黏附在筛面上，堵塞筛孔，从而减小筛面的有效筛分面积，降低了筛分效率[3]。气流分级机的出现避免了筛分过程中筛孔堵塞的问题[4]。气流分级机分级效果的检测方法一般为人工取样测量，或有经验的工人根据经验粗略地判断气流分级机的分级效果。该类方法费时费力，检测结果不具代表性，且难以实时反馈[5]。

本文利用机器视觉技术设计了基于图像识别的气流分级机分级效率在线检测系统。该系统以气流分级机细物料产物出口处带式输送机上的物料作为检测对象，将取得的物料图像进行灰度图转化、灰度调整、图像二值化、填充孔洞后，使用编写的算法进行三次分割，去除小于 6 mm 的颗粒，保留图像中的粗颗粒。依据粗颗粒物料的投影面积所占颗粒群投影面积的比值，确定煤样中粗颗粒的质量分数，实现气流分级机分级效果的实时检测。

1 图像获取

利用防尘性能较好的工业相机拍摄得到系统所需图像；随后导入 MATLAB 图像采集工具箱，利用工具箱中的 videoinput 函数可完成视频输入对象的创建，preview 函数可预览此图像，getsnashot 函数对图像进行捕捉；最后将捕捉到的图像保存到计算机中，调用函数为 imwrite 函数。煤样表面图像如图 1 所示。

2 灰度处理

煤样原图像为 RGB 图像。图像处理前，应先调用 rgb2gray 函数将图像预处理为灰度图像，处理后的灰度如图 2 所示。处理公式为

由图 2(a) 所示，图像整体明显偏暗。采用基于灰度直方图的方法调节对比度，使图像整体增量，如图 2(b) 所示，直方图均衡化就是方法之一[6]。使用 MATLAB 中于全局的均衡化的用于直方图均衡化操作的 histeq 函数，得到全局均衡化效果如图 2(c) 所示。图像经全局直方图均衡化后，虽然整体对比度增加，但仍然存在局部细节的对比度不升反降的现象。因此，再使用自适应直方图均衡化方法 (Contrast Limited Adaptive Histogram Equalization，CLAHE) 在其局部操作，以抑制噪声且保存原图像中灰度分布的特点。增强后的图片如图 2(d) 所示。

滤波是预处理的关键环节，其目的是弱化或者去除噪声和干扰。对于此样品图像，噪声与干扰即是煤炭颗粒表面的纹理。最佳的滤波效果是在保留煤炭颗粒边缘的同时，消除颗粒表面纹理所带来的影响。

本文采用空间域滤波，在弱化颗粒表面纹理的同时，还能尽可能地保留边界信息的双边滤波来处理图像[7]。最终当距离权重方差σd=3.0，灰度权重方差σr=0.1 时，可以得到较为理想的滤波效果。

3 图像处理

灰度处理后，仍然发现煤层表面的图像中，颗粒相互堆叠在一起，非常复杂。若要计算 0～ 6 mm 细物粒正配效率，则必须除去 0～ 6 mm 颗粒，保留粒径大于 6 mm 颗粒。通过一定的方法计算出其比例，从而计算其筛分效率，这也是评价气流分级机分级效率的指标。

3.1 图像分割

分割图像中黏连的煤炭颗粒是准确计算细物粒正配效率的关键。很多学者采用分水岭算法作为图像分割的算法，然而此方法并不直接适用与煤炭的分割。这是因为：一是分水岭算法对噪声十分敏感，尽管用双边滤波消除了部分噪声，但剩余的噪声足以影响算法的准确性；二是图像中颗粒小且边界复杂，不适合直接使用分水岭算法。尽管如此，分水岭算法分割图像后，仍能清楚地区分出颗粒的边缘，故对分水岭算法进行改进，辅以适宜的二值化算法，以将黏连的颗粒分割开，去除粒径小于 6 mm 颗粒，仅保留粒径大于 6 mm 颗粒。

3.2 二值图像

颗粒边缘图像亮度因阴影的存在而降低，可根据颗粒表面与边缘的亮度差异，来区分图像的前景和背景并进行二值图像。其中，颗粒表面为前景白色，而颗粒边缘为背景黑色，依此来对图像进行初步分割。此处，笔者分别采取大津阈值法、维纳自适应阈值法和灰度变化率法分别进行二值化，二值图像结果如图3 所示。

可见，基于灰度变化率的二值化图像中的颗粒更接近于原图像。基于灰度变化率的二值化方法是依据图像中颗粒边缘灰度变化规律对图像进行分割，其过程如图 4 所示。

从图 4(b) 中选取划线部分点作为研究对象，研究内容包括灰度值A(i)、灰度值的一阶导数B(i) 和灰度值的变化率C(i)，C(i)=B(i)/A(i)，灰度值数据分析结果由上到下依次如图 4(c) 所示。

选取图 4(b) 中的该行中颗粒左边缘、中间杂质点以及右边缘 3 处较暗区域，不难发现，颗粒边缘处灰度值会发生波动，且边缘的波动幅度远大于杂质的波动幅度。取任意 3 处图片位置的灰度值进行统计，结果如表 1 所列。通过分析表 1 数据，可将 30～ 200作为颗粒边缘灰度值范围；在灰度值变化率方面，以0.2 作为区分颗粒的边缘和杂质点的阈值；以 100为边缘延伸距离的灰度值阈值进行二值图像，二值化结果如图 5 所示。

表1 灰度值统计表Tab.1 Statistics of gray value

3.3 三次分割

二值图像法进行一次分割后，并不能完全符合要求，故对图像进行多次标定和分割。对比发现，三次分割后，图 2(d) 的图像其与实际相符，其最终分割图如图 6 所示。

4 结果对比分析

对照图 4(b)，将图 2(d) 人工勾勒出一定数量的颗粒，将图像处理结果中的颗粒分为 3 类：分割基本正确、分割不准确、错误分割。其判别标准为：分割基本正确为颗粒形状和面积与人工勾勒出的基本一致；分割不准确为该颗粒虽然存在，但形状和面积与人工勾勒的不一致；错误分割为原图不存在该颗粒。系统每隔一定时间获取一张图像并进行检测分析，经多次检测，10 张图像处理后，平均错误率已经降低至 3%以下，满足实时检测系统的要求。因此，将某一时刻的前 10 张处理的图像检测结果的平均值，作为该时刻气流分级机分机效率实时检测系统的检测结果。

5 结语

设计了一个基于图像识别的气流分级机分级效果在线检测系统。该系统用工业相机和计算机图像处理程序拍摄的气流分级机细物料产物出口处煤样表面的图像，计算出粗颗粒物料的投影面积所占颗粒群投影面积的比值确定该处细物粒正配效率从而确定煤样中粗颗粒的质量分数，将某一时刻的前 10 张图像中的质量分数平均值作气流分级机分机效率实时检测系统该时刻的检测结果，其分析误差在 3% 以下。该系统较人工检测更加符合现代工业生产中自动检测的要求。