基于双目机器视觉的跳汰机斗提物料智能监测研究
跳汰机斗提负责提升、运输经过跳汰机洗选后的精煤、中煤和矸石产品。斗提带料量和矸石带煤率均为跳汰分选过程的重要监测指标，前者过大易导致压斗提事故，造成设备变形损坏；后者能反映跳汰操作水平，过高时造成资源浪费。现阶段仍需人工监测这两项指标，不仅成本代价高而且效率低下，阻碍了跳汰选煤智能化的发展。从选煤厂实际需求出发，提出了基于双目机器视觉的跳汰机斗提物料智能监测方法，结合实例分割模型、双目立体匹配算法完成斗提煤矸物料的三维重建和体积预测，再结合经验密度进行了矸石带煤率的预测。 首先，开展了相机的标定实验，获取了相机内外参数，并通过图像采集和配准得到煤矸物料数据集。在PSMNet网络基础上引入空间全局双注意力模块和多尺度融合模块构建了一种端到端的煤矸物料双目立体匹配全局融合网络（GFNet），在公开数据集和煤矸物料数据集上的性能表现优于PSMNet等其他网络。引入两种模块后GFNet的终点误差（EPE）指标从0.819降低至0.785。在KITTI2015和KITTI2012数据集上，GFNet在全部区域（ALL）的视差精度分别比PSMNet至少高出0.17%和0.10%。 其次，利用YOLACT实例分割算法进行煤矸物料图像的分割和识别，获得分割效果良好、精度较高的模型，在验证集中模型边界矩形框box的mAP@0.50值为97.17，掩膜mask的mAP@0.50值为87.46，分割识别效果可以满足要求。 接着，在实例分割识别结果的基础上，利用传统SGBM方法获取单层堆叠煤矸物料深度图，并采用加权最小二乘滤波算法去除毛刺噪声，实现煤矸物料的三维重建。再利用积分思想建立对应颗粒的体积预测模型，最小平均误差仅为2.37%；同时，利用GFNet建立体积预测模型，经过对比，模型精度提升不显著，为0.18%。而在斗提内煤矸物料多层堆叠实验中，GFNet建立的体积预测模型的预测精度和稳定性均优于SGBM方法，体积平均误差分别从SGBM方法的5.49%和6.50%降到4.24%和4.19%，能够更好地运用于多层堆叠的煤矸物料体积预测。 最后，利用煤矸体积参数结合经验密度进行矸石带煤率预测。在斗提内物料较少时，预测平均误差为9.19%。在物料多层堆叠时，由于颗粒覆盖严重，不宜计算矸石带煤率指标，根据实际需求，将矸石带煤情况分为正常、偏高提醒和过高报警三种状态，以对跳汰生产矸石带煤情况进行监测和指导。基于工业现场制定跳汰机斗提物料智能监测策略，进行了单机对比试验，双目视觉监测系统检测斗提带料量的平均误差为10.55%，基本满足选煤厂跳汰机智能化改造要求，并在内蒙古某选煤厂进行了工业化应用。
跳汰机;机器视觉;深度学习;斗提物料;体积预测;矸石带煤率
中国矿业大学;中国矿业大学(江苏)
硕士
化工过程机械
窦东阳
2023
中文
TD455.1
2023-11-30（万方平台首次上网日期，不代表论文的发表时间）