基于图像灰度特征的浮选尾矿灰分软测量研究

摘要

随着我国煤炭向贫、杂、细的方向发展以及市场对煤炭产品品质的要求日益严格，浮选技术已经成为选煤技术中不可或缺的一环。目前在浮选过程中，大多数选煤厂仍然依靠人工观察浮选泡沫层的形态特征和浮选尾矿的颜色特征判别浮选效果的好坏。作为浮选过程的主要指标，产品灰分的在线监测已经成为制约浮选过程自动化水平提高的瓶颈。机器视觉技术的发展为浮选过程变量的检测提供一种新的思路。本文结合薛湖选煤厂浮选工艺的实际情况，对基于图像灰度特征的尾矿灰分在线检测问题进行了研究。
　　为了获得高质量的样品图像，本文对图像采集系统进行了优化，并且对系统的运行条件进行了研究。首先，采集系统选取可以满足长时间工作、光照稳定、发热少等需求的LED光源，并对比不同颜色光源条件下样品图像的特征参数，发现白色光源条件下的样品图像识别度最高，最终选取白色的LED光源作为系统的光源；其次，对比四种不同的照明和观察几何条件，结合图像质量的要求和图像采集系统的实际情况，本文最终选取了光照均匀、无大亮斑、图像无变形、成本低的对称光源照明和观察条件；此外对系统性能进行了探索，发现光源在初次开启后光照强度会出现衰减，大约在50分钟左右进入稳定状态，为了防止样品在图像采集过程中发生沉淀，在系统中添加了磁力搅拌器，通过试验发现其转速为800r/min左右时既能保证样品不发生沉淀，同时又能保证样图像品的像素异常率在2.5％以内。
　　为了保证图像灰度特征值的代表性，本文对图像灰度特征值的提取方法进行了优化，首先选取图像形状特征中的最大亮斑面积作为图像是否合格的评判标准，将最大亮斑面积大于1000个像素点的图像直接删除，不参与后续图像特征值的提取，其次为了消除图像中的噪声，选取中值滤波的方式对图像进行预处理，从而保证图像灰度特征的代表性；同时，探索了浮选尾矿的物理特性对样品图像的影响。本文通过单因素试验和正交试验的方式分别探讨了不同灰分、不同浓度和不同粒度条件下样品图像特征的变化规律，通过单因素试验结果发现当样品的灰分发生变化时，样品图像的灰度均值也会有同样的变化趋势，说明根据图像的灰度均值预测浮选尾矿灰分的方法是可行的；另外，样品的浓度和粒度对样品图像的灰度均值也有一定的影响。为了量化浓度和粒度对图像特征的影响，提取亮斑平均面积和亮斑数目作为样品浓度和粒度替代变量，然后通过正交试验的方差分析得到样品物理特性对图像灰度均值的影响大小是：灰分>粒度>浓度，最后将图像灰度特征中的灰度均值、方差、偏度、平衡度、能量、熵、亮斑平均面积和亮斑数目等8个图像的特征值作为软测量模型的输入。
　　为了保证模型的精度和运算时间，对8个图像灰度特征值进行PCA分析，结果表明输入变量的前三个主元的累计贡献率超过95%，故选取前三个主元作为浮选尾矿灰分预测模型的输入。利用试验得到的214组试验数据分别建立了浮选尾矿灰分预测的SVMR模型和GA-SVMR模型，误差分析表明：两个模型的相对误差在15%以内，且GA-SVMR的预测稳定性强于 SVMR获得的预测模型。
　　最后，对浮选尾矿灰分在线预测平台进行了概念设计，主要包括尾矿样品采集装置的选型、采集装置控制方案的设计、图像自动采集功能的设计和图像自动处理功能的设计，对浮选尾矿灰分的在线测量装置在工业现场的应用有一定的促进作用。
　　本文设计的图像采集系统与提出的基于图像灰度特征的浮选尾矿灰分软测量方法在实验室试验中取得了较好的效果，证明了利用图像的灰度特征检测浮选尾矿灰分的可行性，且检测的相对误差在15%以内，可为自动控制系统提供反馈信号，利于促进浮选工艺自动化的发展。

目录

封面

声明

致谢

中文摘要

英文摘要

目录

变量注释表

1 绪论

1.1课题来源（Subject Origin）

1.2 研究背景（Background）

1.3研究内容（Research Content）

2 文献综述

2.1软测量技术研究现状（Research Status On Soft-Sensing Technique）

2.2灰分检测技术现状（Technology Status of Ash Measuring）

2.3基于图像的软测量研究概述（Summary of Research on Soft-Sensing Technique Based on Image）

2.4本文涉及的其他理论知识（Other Theoretical Knowledge Involved by This Paper）

3 图像采集系统搭建及参数优化

3.1图像采集系统框架（Frame of the Picture-Capturing System）

3.2光源与照射方式选择（Selection of the Light Source and Irradiation Methods）

3.3样品容器（Introduction to Sample Container）

3.4图像采集系统搭建（Build of the Picture-Capturing System）

3.5光源特性研究（Research on Features of Light Source）

3.6图像采集系统参数优化（Parameter Optimization of Picture-Capturing System）

3.7 本章小结（Summary）

4 尾矿图像特征的影响因素分析与特征值提取

4.1尾矿图像特征的影响因素（Select Main Influencing Factors）

4.2尾矿图像灰度特征值及提取方法（Introduction to Feature Values of Gray Images and Obtainment Methods）

4.3实验样品的制备（Preparation of Experiment Samples）

4.4灰分对图像灰度特征的影响（Influence of Ash on Feature Values of Gray Images）

4.5浓度对图像灰度特征的影响（Influence of Concentration on Feature Values of Gray Images）

4.6粒度对图像灰度特征的影响（Influence of Particle Size on Feature Values of Gray Images）

4.7各影响因素显著性分析（Significance Analysis of Influencing Factors）

4.8 本章小结（Summary）

5 基于图像法的浮选尾矿灰分软测量模型建立

5.1输入输出变量（Input and Output Variables）

5.2试验设计与特征值提取（Experimental Design and Feature Values Obtainment）

5.3输入数据的主元分析（PCA Analysis of the Input Data Set）

5.4 基于 SVMR 的浮选尾矿灰分软测量模型训练与部署（The Training and Deployment of Soft-Sensing Model for Ash Measurement of Floatation Tailings Based on SVMR）

5.5 基于 GA-SVMR 的尾矿灰分软测量模型训练与部署（The Training and Deployment of Soft-Sensing Model for Ash Measurement of Floatation Tailings Based on GA-SVMR）

5.6 模型对比（Model Space Contrast）

5.7 本章小结（Summary）

6 浮选尾矿灰分在线检测系统搭建

6.1浮选尾矿灰分在线检测系统框架（Frame f On-line Ash Measurement of Floatation Tailings）

6.2浮选尾矿自动采样系统（Design of the System for Collecting Floatation Tailings）

6.3图像自动采集系统（Design of the Automatic Picture Processing System）

6.4 本章小结（Summary）

7 总结与展望

7.1 总结（Conclusions）

7.2主要创新点(Main Innovations)

7.3 展望（Expectations）

参考文献

附录1

作者简历

学位论文数据集