首页 > 论文范文 > 工程工业论文 > 工程综合论文 > 矿业工程论文 > 基于机器视觉的带式输送机煤流量检测系统研究

基于机器视觉的带式输送机煤流量检测系统研究

2025-04-02 24 上传者：管理员

摘要：煤矿带式输送机的煤流量实时监控对保障安全生产和优化运行效率具有重要意义，然而传统的煤流量监测方法存在精度不高、实时性差及维护成本高等问题。提出了一种基于机器视觉的带式输送机煤流量检测系统。利用高分辨率工业相机采集煤体图像，经过去噪及增强处理后，应用背景减除技术和Canny边缘检测算法对煤体进行识别和分割，进而根据煤体轮廓计算煤体体积和煤流量。现场试验结果表明：在不同运行速度及煤体粒度条件下，该系统的检测误差均低于2%，显示出较高的准确性和良好的适应性。研究成果可为采煤自动化及煤矿安全生产提供一定的借鉴。

关键词：
带式输送机
帧差法
机器视觉
煤流量
煤炭
加入收藏

在当前能源需求持续增长的背景下,煤炭仍是我国不可替代的重要能源｡在煤炭生产过程中,带式输送机作为煤炭从地下开采到地面运输的关键环节[1],其煤流量的实时监控对于保障安全生产及优化运行效率均具有重要意义｡然而当前煤流量的监控主要依赖于人工计量或力学传感器系统,这些方法通常存在精度不高､实时性差及维护成本高等问题,无法满足现代煤炭生产对自动化及智能化的需求｡

机器视觉技术近年来在煤矿的煤质检测[2]､煤矸识别[3-4]､异物识别[5]及巷道定位[6]等方面均展现出了强大的应用潜力,尤其是在输煤设备方面更是涌现出了系列研究成果｡苗长云等[7]针对带式输送机落料口的堆煤检测问题,提出了一种基于视觉原理的堆煤检测系统;曹正远等[8]基于深度学习提出了一种煤流异物智能检测方法,可有效减少带式输送机的异物堵塞及输送带撕裂事故｡目前机器视觉技术已在煤矿领域得到了广泛的应用｡本文对基于机器视觉的带式输送机煤流量检测系统展开研究,通过精准识别带式输送机上煤的体积,进而计算煤流量,从而为煤炭运输与处理的自动化及智能化提供技术支持｡

1、带式输送机煤流量检测系统工作原理

带式输送机煤流量检测系统的工作原理如图1所示｡摄像头采集到的煤体照片首先进行去噪及增强处理,以便减少干扰并强化识别特征;随后利用背景减除算法分离煤体与背景,从而提取出有效的煤流区域;进一步利用Canny边缘检测算法提取煤体的边缘信息,并根据煤体轮廓计算煤体的总体积;最终根据带式输送机的速度和煤体积,计算煤流量｡

图1带式输送机煤流量检测系统工作原理图

2、图像预处理

由于输煤环境中存在粉尘及光照变化等干扰因素,采集到的图像中常包含噪声,将影响后续的煤体识别与分割,因此本文采用高斯滤波对图像进行去噪处理[9]｡高斯函数

进一步采用直方图均衡化对图像进行增强处理,从而提升煤体的边缘和细节信息,有助于后续的煤体识别与分割｡直方图均衡化的主要步骤包括计算图像的灰度直方图､累积分布函数,以及将原始灰度值映射到新的灰度值｡假设图像的灰度级范围为[0,L-1],灰度级为rk的像素点个数为nk,则图像的灰度直方图表示为出现的概率

式中N——图像的总像素数｡

某次试验均衡化后的图片及直方图如图2所示,可见均衡化后的直方图可使像素个数少的灰度等级缩减,从而使得图像变得更加清晰｡

图2某次试验均衡化后图片及直方图

3、煤体分割

相机拍摄到的图像包含大量背景信息,将对图像边缘检测造成干扰,因此必须对原始图像进行背景减除,进而从图像序列中提取出动态的煤体区域｡本文采用帧差法进行背景减除[10],假设第t帧图像在位置(x,y)处的像素值为It(x,y),前一帧的对应像素值为It-1(x,y),则帧差法计算的差异图像像素值

根据式(3)计算出差异图像的像素值后,通过试验调试设定合适的阈值,使得超过阈值的像素点全部略去,则可有效地提取出煤体的前景区域｡某次试验背景减除图像处理后的图片对比如图3所示,可见利用帧差法可有效去除图像背景,并保留了煤体的有效信息｡

图3某次试验背景减除图像处理对比图

4、边缘检测

利用Canny边缘检测算法识别煤体的边缘,进而根据煤体边缘形状计算煤体体积,再结合拍照时间间隔,便可实时计算得到煤流量｡本文采用Canny算法进行边缘检测,运算时需计算图像在每个像素点处的梯度强度和方向｡假设图像在位置(x,y)处的像素值为I(x,y),则图像的梯度强度

随后通过非极大值抑制技术,在梯度方向上对每个像素点进行抑制,保留具有最大梯度幅值的像素,从而获得更为清晰的边缘｡最终采用双阈值处理,使用高､低2个阈值来进一步筛选边缘点,以确保检测到的边缘连续且具有良好的连通性｡

5、试验验证

系统设计完成后在某煤矿进行了现场试验｡试验时选择了1.5m/s､2.0m/s及2.5m/s三种带式输送机运行速度,以及0~20mm､20~50mm和50~100mm三种煤块粒度进行测试,每种速度下均进行不同煤块粒度的测试,各进行100组测试｡部分具有代表性的试验结果如表1所示｡

由表1可知,所建立的煤流量检测系统测量误差小于2%,具有较高的检测准确性｡在不同带式输送机运行速度及煤块粒度下,测量误差均低于2%,说明带式输送机运行速度及煤块粒度对该系统无影响,表明该系统具有良好的适应性｡

表1代表性的试验结果

6、结语

本文基于机器视觉技术提出了一种带式输送机煤流量检测系统｡该系统通过高分辨率的工业相机进行煤体图像采集,经过去噪及增强处理后,采用背景减除技术和边缘检测算法对煤体进行识别和分割,进而根据煤体轮廓计算煤体体积和煤流量｡现场试验结果表明:在不同带式输送机运行速度及煤块粒度条件下,检测误差均低于2%,显示出较高的准确性和适应性｡未来研究将进一步优化该系统的性能,以提升其在更加复杂环境下的鲁棒性,为煤炭行业的自动化和智能化提供有力的支撑｡

参考文献:

[1]程玮,李申岩.选煤厂智能输煤系统[J].工矿自动化,2023,49(S2):36-39.

[2]王洪磊,郭鑫,张亦凡,等.煤质煤量全面在线检测技术发展现状及应用进展[J].煤炭科学技术,2024,52(2):219-237.

[3]刘茂福,程磊,张梦奇.基于机器视觉的煤岩识别系统研究[J].煤矿机械,2024,45(8):206-208.

[4]李嘉豪,司垒,王忠宾,等.综放工作面煤矸识别技术及其应用[J].仪器仪表学报,2024,45(1):1-15.

[5]李江涛,张康辉,沙特.煤中异物识别的深度学习模型轻量化策略[J].煤炭工程,2023,55(S1):220-224.

[6]屈波,马腾飞,杨虎,等.掘进机器人视觉定位及巷道地图重构技术研究[J].煤矿机械,2024,45(1):192-195.

[7]苗长云,李佳.基于机器视觉的带式输送机落料口堆煤检测[J].辽宁工程技术大学学报(自然科学版),2023,42(5):617-624.

[8]曹正远,蒋伟,方成辉.基于双注意力生成对抗网络的煤流异物智能检测方法[J].工矿自动化,2023,49(12):56-62.

[9]张丽,郭海涛.基于高斯滤波与均值聚类的异质多源传感器数据加权融合[J].传感技术学报,2024,37(3):519-523.

[10]刘小韬,段金英,贾雯超,等.基于ZYNQ的实时运动目标检测系统设计[J].工业控制计算机,2023,36(8):105-107

基金资助:国家重点研发计划项目(2023YFC2907502);陕西陕煤曹家滩矿业有限公司项目(KCYJY-2023-ZD-02);