本发明涉及浮选尾煤矿技术领域，特别涉及一种基于图像的浮选尾煤灰分、浓度、粗颗粒含量检测方法。
背景技术：
随着工业过程自动化整体水平的不断提升，煤泥浮选过程的自动控制和智能控制也越来越受到人们的重视。浮选过程智能控制的关键环节之一是实现产品质量的在线检测，包括浮选精煤和尾煤。然而相关检测技术与传感器的缺失严重限制了浮选智能化发展。一直以来浮选产品的质量检测研究多集中在浮选精煤方面，而忽略了浮选尾煤。浮选尾煤质量作为重要的反馈信息，对实现浮选过程闭环优化控制具有至关重要的作用。
在煤泥浮选实际生产过程中，现场操作人员主要依靠肉眼目测尾煤颜色判断灰分，同时通过手抓感觉判断浮选尾矿是否存在“跑粗”问题，在此基础上进行药剂用量、泡沫层厚度、充气量等变量的调整，从而保证浮选产品质量。
技术实现要素：
本发明的目的就是克服现有技术的不足，提供了一种基于图像的浮选尾煤灰分、浓度、粗颗粒含量检测方法，利用机器视觉的方法来实现对浮选尾煤灰分、浓度和粗颗粒含量的检测。
本发明的技术方案如下：
一种基于图像的浮选尾煤灰分、浓度、粗颗粒含量检测方法，该方法包括：
针对不同的灰分、浓度、粗颗粒含量的浮选尾矿，分别提取图像，建立基于图像特征的特征库；
依据所述特征库构建浮选尾矿的灰分、浓度、粗颗粒含量预测模型；
提取待检测浮选尾矿图像，根据所述预测模型，确定浮选尾矿的灰分、浓度、粗颗粒含量。
进一步的，灰分检测所分析的图像由定焦镜头、彩色ccd工业相机和环形led光源组成的图像采集系统拍摄，采取直接照明方式；浓度检测和粗颗粒含量检测所分析的图像由双远心镜头、黑白ccd工业相机和平行光源组成的图像采集系统拍摄，采取背光透射照明方式。
进一步的，灰分检测包括如下步骤：
步骤1、采集不同浓度、不同灰分的浮选尾矿样本及彩色图像，并根据化验灰分结果进行分类；
步骤2、对图像进行预处理，去除图像中的噪声；
步骤3、提取图像在rgb、yuv、hsi颜色空间域下的r、g、b、y、u、v、h、s、i分量特征；
步骤4、建立相同浓度尾矿灰分回归模型，利用最小二乘法进行函数拟合得到的公式系数和拟合结果,根据模型拟合效果，选择由r、g、b三分量线性组合而来的色差变量crgb作为模型自变量来进行相同浓度煤浆灰分软测量模型的建立，模型形式如下：
其中y为模型灰分输出结果，a1、b1、c1、k1、k2为系数；
步骤5、引入浓度校正函数，如下：
其中ms代表尾煤煤浆浓度，j为未知系数；
步骤6、构建浮选尾煤灰分软测量模型形式如下：
ash＝a1ln{(k1r+k2g-b)/[1+exp(j*ms)]+b1}+c1
其中ash表示尾煤灰分。
步骤7、利用上述软测量模型分析待检测浮选尾矿图像，检测尾矿灰分。
进一步的，浓度检测包括如下步骤：
步骤1、采集不同浓度的浮选尾矿样本及黑白图像，并根据化验浓度结果进行分类；
步骤2、对图像进行预处理，去除图像中的噪声；
步骤3、提取图像的灰度特征；
步骤4、建立煤浆浓度的预测模型，选择图像灰度均值来进行煤浆浓度软测量模型的建立，利用最小二乘法进行函数拟合得到的公式系数和拟合结果,模型形式如下：
其中ms为浮选尾矿浓度，gray为图像灰度均值，a2、b2为系数。
步骤5、利用上述软测量模型分析待检测浮选尾矿图像，检测尾矿浓度。
进一步的，浓度检测包括如下步骤：
步骤1、采集不同浓度的浮选尾矿样本及黑白图像，并根据化验浓度结果进行分类；
步骤2、采用光学玻璃棋盘格标定相机，利用harris角点算法确定棋盘格角点，然后计算视野范围内所有垂直及水平相邻两顶点之间的像素个数，即相邻顶点间的欧氏距离，继而计算出每个像素点所代表的真实尺寸；
步骤3、对图像进行预处理，去除图像中的噪声；
步骤4、对预处理后的图像进行二值化处理，然后通过形态学处理从而在对目标颗粒边缘进行平滑的同时消除掉大量聚团的非目标颗粒；为避免视场边界的不完整颗粒图像影响分析结果，需剔除掉与图像边界相连的颗粒；
步骤5、应用基于距离变量和标记符控制分水岭算法对图像中的粘连颗粒进行分割；首先应进行距离变换，借助数学形态学中的扩展最大变换h-maxima技术对距离变换后的图像中的局部极大值点进行提取，采用形态学中膨胀方法对局部极大值点进行合并，得到内部标记点及内部标记图像fgm，消除过分割，一次分水岭运算得到外部标记符及外部标记图像fbm；然后基于获取到的内外标记，利用强制最小技术对原梯度图像进行修改，接下来进行二次分水岭运算，最终完成分割；
步骤6、对分割后的颗粒图像进行边缘检测，然后提取到目标煤颗粒的数量分布和几何参数；
步骤7、建立浮选尾煤粗颗粒含量预测模型，分别拍摄若干张图片，对颗粒粒度和粗颗粒数目进行统计，计算出粗颗粒数目平均值，图像法检测出的粗颗粒数目平均值与粗颗粒含量呈现明显的线性关系，利用最小二乘法进行函数拟合得到的公式系数和拟合结果,最终建立的浮选尾煤粗颗粒含量预测模型，形式如下式：
y＝a3x+b3
y表示浮选尾煤粗颗粒含量；x表示图像法测得的粗颗粒数目，a3、b3为系数。
步骤8、利用上述软测量模型分析待检测浮选尾矿图像，检测尾矿粗颗粒含量。
进一步的，步骤6中，目标煤颗粒的几何参数包括：颗粒面积、颗粒周长、等效圆直径、颗粒形状指数以及椭圆度参数。
进一步的，步骤7中，基于图像法的煤粒粒度表征采用的是等效圆直径，即颗粒投影面积等效直径。
进一步的，浮选尾煤粗颗粒的粒度大于250um。
本发明的有益效果为：避免人工观察的主观因素大的问题；检测时间短，频率高，满足生产需要；效率高，降低了工人工作强度，可实现车间减员，降低生产人工成本。
具体实施方式
下文将详细描述本发明具体实施例。应当注意的是，下述实施例中描述的技术特征或者技术特征的组合不应当被认为是孤立的，它们可以被相互组合从而达到更好的技术效果。
本发明实施例实验样本来自柳湾选煤厂，柳湾选煤厂选煤二车间工艺为：50-1mm粒级原煤采用重介旋流器进行分选，1mm以下通过分级浓缩旋流器进行分级，分级粒度0.25mm，其中溢流1-0.25mm粒级采用tbs粗煤泥分选机进行分选，0.25-0mm粒级的煤泥进入4台xjm-s-20浮选系统。本实施例研究对象为煤泥浮选的尾煤。
本发明实施例提供了一种基于浮选尾矿图像分析灰分、浓度、粗颗粒含量的检测方法。本发明中，灰分检测所分析的图像由定焦镜头、彩色ccd工业相机和环形led光源组成的图像采集系统拍摄，采取直接照明方式；浓度检测和粗颗粒含量检测所分析的图像由双远心镜头、黑白ccd工业相机和平行光源组成的图像采集系统拍摄，采取背光透射照明方式。本发明方法首先利用传统尾矿灰分、浓度、粗颗粒含量检测手段构建基于图像特征的特征库，并构建尾矿灰分、浓度、粗颗粒含量预测模型。
本发明实施例采用的技术方案为：
一、灰分检测：
1、通过专业人员采集不同浓度不同灰分的浮选尾矿样本及彩色图像，并根据化验灰分结果进行分类；
2、对图像进行预处理，去除图像中的噪声，提高图像质量，突出有用信息。
3、提取图像在rgb、yuv、hsi颜色空间域下的r、g、b、y、u、v、h、s、i分量特征；
4、建立相同浓度尾矿灰分回归模型，筛选目前已有的颜色特征参数，以及自建的一系列特征参数，利用最小二乘法进行函数拟合得到的公式系数和拟合结果,根据模型拟合效果，选择了由r、g、b三分量线性组合而来的色差变量crgb作为模型自变量来进行相同浓度煤浆灰分软测量模型的建立，模型形式如下：
其中y为相同浓度尾矿灰分回归模型灰分输出结果。
拟合参数和评价指标如表1所示。
表1尾煤灰分软测量模型拟合参数和评价指标
表中r2为决定系数，主要用来评价拟合效果和好坏，r2越接近于1，说明回归方程拟合的效果就越好；r2越接近于0，说明拟合效果越差。rmse为均方根误差、mre为平均相对误差、maxre为最大相对误差。
5、引入浓度校正函数
为浓度对crgb值的校正函数，ms代表尾煤煤浆浓度。构建浮选尾煤灰分软测量模型形式如下：
ash＝31.171ln{(0.266r+0.87g-b)/[1+exp(-0.186ms)]+1.592}-34.026
其中ash表示尾煤灰分。
二、浓度检测：
1、通过专业人员采集不同浓度的浮选尾矿样本及黑白图像，并根据化验浓度结果进行分类；
2、对图像进行预处理，去除图像中的噪声，提高图像质量，突出有用信息。
3、提取图像的灰度特征；
4、建立煤浆浓度的预测模型，筛选目前已有的灰度特征参数，利用最小二乘法进行函数拟合得到公式系数和拟合结果,根据模型拟合效果，选择有图像灰度均值来进行煤浆浓度软测量模型的建立，模型形式如下：
其中ms为浮选尾矿浓度。
拟合参数和评价指标见表2.
表2浓度预测模型拟合参数和评价指标
三、粗颗粒含量检测：
1、通过专业人员采集不同粗颗粒含量的浮选尾矿样本及黑白图像，并根据化验粗颗粒含量结果进行分类；
2、采用光学玻璃棋盘格标定相机，利用harris角点算法确定棋盘格角点，然后计算视野范围内所有垂直及水平相邻两顶点之间的像素个数，即相邻顶点间的欧氏距离，继而计算出每个像素点所代表的真实尺寸。
3、对图像进行预处理，去除图像中的噪声，提高图像质量，突出有用信息。
4、对预处理后的图像进行二值化处理，然后通过形态学处理从而在对目标颗粒边缘进行平滑的同时消除掉大量聚团的非目标颗粒。为避免视场边界的不完整颗粒图像影响分析结果，需剔除掉与图像边界相连的颗粒。
5、应用基于距离变量和标记符控制分水岭算法对图像中的粘连颗粒进行分割。首先应进行距离变换，借助数学形态学中的扩展最大变换(h-maxima)技术对距离变换后的图像中的局部极大值点进行提取，采用形态学中膨胀方法对局部极大值点进行合并，得到内部标记点及内部标记图像fgm，消除过分割，一次分水岭运算得到外部标记符及外部标记图像fbm，然后基于获取到的内外标记，利用强制最小技术对原梯度图像进行修改，接下来进行二次分水岭运算，最终得到理想的分割效果。
6、对分割后的颗粒图像进行边缘检测，然后提取到的目标煤颗粒的数量分布和几何参数(颗粒面积、颗粒周长、等效圆直径、颗粒形状指数以及椭圆度参数等)。
7、建立浮选尾煤粗颗粒含量预测模型，分别拍摄五张图片，利用上文描述的方法对颗粒粒度和粗颗粒(粒度大于250um)数目进行统计，本专利基于图像法的煤粒粒度表征采用的是等效圆直径，即颗粒投影面积等效直径，计算出粗颗粒数目平均值，图像法检测出的粗颗粒数目平均值与粗颗粒含量呈现明显的线性关系，利用最小二乘法进行函数拟合得到公式系数和拟合结果，最终建立的浮选尾煤粗颗粒含量预测模型，形式如下式
y＝0.2342x+2.0655
y表示浮选尾煤粗颗粒含量；x表示图像法测得的粗颗粒数目。
不同粗颗粒含量煤浆图像颗粒的检测结果见表3。
表3不同粗颗粒含量煤浆图像颗粒检测结果
本文虽然已经给出了本发明的几个实施例，但是本领域的技术人员应当理解，在不脱离本发明精神的情况下，可以对本文的实施例进行改变。上述实施例只是示例性的，不应以本文的实施例作为本发明权利范围的限定。