煤矸石图像分类方法

饶中钰, 吴景涛 , 李明

饶中钰,吴景涛,李明.煤矸石图像分类方法[J].工矿自动化,2020,46(3):69-73.. DOI: 10.13272/j.issn.1671-251x.17495
引用本文: 饶中钰,吴景涛,李明.煤矸石图像分类方法[J].工矿自动化,2020,46(3):69-73.. DOI: 10.13272/j.issn.1671-251x.17495
RAO Zhongyu, WU Jingtao, LI Ming. Coal-gangue image classification method[J]. Journal of Mine Automation, 2020, 46(3): 69-73. DOI: 10.13272/j.issn.1671-251x.17495
Citation: RAO Zhongyu, WU Jingtao, LI Ming. Coal-gangue image classification method[J]. Journal of Mine Automation, 2020, 46(3): 69-73. DOI: 10.13272/j.issn.1671-251x.17495

煤矸石图像分类方法

基金项目: 

中国博士后科学基金资助项目(2014M551695)

徐州市科技计划资助项目(KC17075)

详细信息
  • 中图分类号: TD948

Coal-gangue image classification method

  • 摘要: 针对人工排矸法、机械湿选法、γ射线分选法等传统煤矸石分选方法无法兼顾快速高效性、安全无害性、简单操作性的问题,提出了基于机器视觉的煤矸石图像分类方法。对煤矸石图像进行增强、平滑去噪等预处理,采用基于距离变换的分水岭算法实现煤矸石图像分割提取。针对煤矸石分割图像,选取煤矸石图像的HOG特征及灰度共生矩阵,分别以支持向量机、随机森林、K近邻算法作为分类器进行基于特征提取的煤矸石分类识别;分别建立浅层卷积神经网络和基于ImageNet数据集预训练的VGG16网络,进行基于卷积神经网络的煤矸石分类识别。研究结果表明,基于VGG16网络的煤矸石图像分类方法准确率最高为99.7%,高于基于特征提取方法的91.9%和基于浅层卷积神经网络方法的92.5%。
    Abstract: For problems that traditional coal-gangue separation methods such as manual separation method, mechanical wet-separation method, γ-ray separation method and so on could not give consideration to high efficiency, safety and easy operation, a coal-gangue image classification method based on machine vision was proposed. Coal-gangue image is pre-processed with enhancement, smoothing and denoising, then segmented and extracted by watershed algorithm based on distance conversion. HOG feature and gray-level co-occurrence matrix of the coal-gangue image are selected, and coal-gangue classification based on feature extraction is carried out by taking support vector machine, random forest and K-nearest neighbor algorithm as classifier separately. Coal-gangue image classification based on convolutional neural network is carried out by building shallow-level convolutional neural network and VGG16 network pre-trained by ImageNet dataset separately. The research results show that the maximum accuracy rate of the coal-gangue image classification method based on VGG16 is 99.7%, which is higher than that of the method based on feature extraction with 91.9% or the method based on shallow convolutional neural network with 92.5%.
  • 钢丝绳因其性能优良,常作为关键承载构件应用于煤矿提升设备中。钢丝绳长期连续使用会出现断丝、磨损、断股等损伤[1-2],存在安全隐患,需要进行损伤检测,以免发生安全事故。实际生产中常采用人工、漏磁通、机器视觉等方法进行钢丝绳损伤检测。其中,漏磁通检测法应用最广泛,其利用传感器采集损伤处漏磁通信号,结合钢丝绳损伤相关影响因素分析来判断损伤程度,进而对钢丝绳的健康状况进行评估。

    随着电磁检测技术的发展,研究人员对钢丝绳损伤漏磁通检测法进行了大量研究。E. Kalwa等[3]采用霍尔元件对钢丝绳损伤检测磁通回路的主磁通和漏磁通进行了大量实验,得出了不同损伤程度对应的磁通分布规律。张操等[4]针对基于漏磁通检测原理的钢丝绳探伤仪,分析了钢丝绳提离距离、传感器材料、断丝根数等对检测结果的影响。康宜华等[5]通过有限元分析法研究了不同钢丝绳磁化方法的效果差异,探讨了钢丝绳内部磁场和损伤漏磁通信号随励磁装置参数变化的规律。上述研究对于提高钢丝绳损伤检测精度和可靠性有一定效果,但未考虑磁通回路中磁噪声信号与钢丝绳损伤漏磁通信号的相互作用对钢丝绳损伤检测的影响。

    本文通过理论和仿真分析研究钢丝绳损伤检测磁通回路中磁场分布特性,对磁通回路进行优化设计,以改善损伤漏磁场质量,提高检测装置性能。

    钢丝绳损伤漏磁通检测基于钢丝绳的铁磁性特质[6],利用励磁源将钢丝绳均衡磁化至饱和,采用径向多回路磁敏元件捕捉钢丝绳损伤漏磁通,根据钢丝绳损伤漏磁通与损伤程度呈线性关系的原理,判断钢丝绳损伤程度。

    钢丝绳损伤漏磁通检测基本模型如图1所示。从永磁体N极发出的磁力线在永磁体与钢丝绳间气隙、钢丝绳、永磁体、衔铁间传播,构成闭合路径(磁通回路)。正常情况下,在钢丝绳段形成匀强磁场,磁力线包裹在钢丝绳内部[7-9]。当钢丝绳出现内部或外部断丝、锈蚀等损伤时,钢丝绳中的磁场在钢丝绳与空气2种不同介质间发生偏折,在损伤表面形成局部漏磁场。通过磁敏元件采集损伤漏磁通,经处理分析得出钢丝绳损伤程度。

    图  1  钢丝绳损伤漏磁通检测基本模型
    Figure  1.  Basic model of wire rope damage detection by magnetic flux leakage

    图1可看出,钢丝绳损伤漏磁通检测过程中除主磁通回路外,还存在磁噪声回路,对钢丝绳损伤漏磁通信号采集造成影响。建立漏磁通检测等效磁路模型(图2),对磁通回路中磁噪声信号进行分析。

    图  2  漏磁通检测等效磁路模型
    Figure  2.  Equivalent magnetic circuit model of magnetic flux leakage detection

    图2中,将永磁体磁势F视为恒压源,R1为永磁体与钢丝绳间气隙磁阻,R2为衔铁与永磁体接触部分的磁阻,R3为衔铁磁阻,R4为衔铁与钢丝绳表面空气介质磁阻,R5为钢丝绳磁阻,Фm为回路主磁通,Ф1为衔铁中的磁通,Ф2为衔铁表面与钢丝绳间空气介质中的磁通,Ф3为钢丝绳磁通。由基尔霍夫第一、第二定律可知

    $$ {\varPhi _{\rm{m}}} \geqslant {\varPhi _1} $$ (1)
    $$ {\varPhi _1}{\text{ = }}{\varPhi _2}{\text{ + }}{\varPhi _3} $$ (2)
    $$ {R_4}{\varPhi _2} = {R_5}{\varPhi _3} $$ (3)
    $$ F = {R_1}{\varPhi _{\rm{m}}} + \left( {{R_2} + {R_3}} \right){\varPhi _1} + {R_4}{\varPhi _2} $$ (4)
    $$ {R_i} = \frac{1}{G_i} \;\;\;\;\;\;\;\;\;i=1,2,\cdots,5 $$ (5)

    式中Gi为磁导,与导磁介质的材料及横截面积有关。

    永磁体与钢丝绳间气隙导致产生部分漏磁通,使得Ф1Фm。该部分漏磁通不可避免,且主要分布在闭合回路两端,对钢丝绳损伤漏磁通信号检测影响有限,因此可将Ф1视为磁通回路的主磁通。

    采用Ansoft Maxwell有限元软件对磁通回路中的磁场分布进行仿真分析,结果如图3所示。可看出磁力线从一侧永磁体出发,经过衔铁传至另一侧永磁体,再经钢丝绳形成主磁通回路。在钢丝绳损伤处,磁力线发生偏折,磁力线穿过损伤端面与空气接触后指向钢丝绳表面。

    图  3  磁通回路的磁场分布
    Figure  3.  Magnetic field distribution of magnetic flux circuit

    在钢丝绳损伤上方空气介质中,除损伤导致的漏磁通外,还存在永磁体−衔铁−空气−永磁体、永磁体−钢丝绳−空气−永磁体、永磁体−空气−永磁体等磁噪声回路,形成较强的背景磁场。多股漏磁通在磁敏元件处相互叠加,极易对钢丝绳损伤漏磁通检测信号造成干扰。其中影响最大的是衔铁导磁路径的漏磁通和两侧永磁体与空气介质之间耦合磁场导致的漏磁通。因此,本文主要考虑这2种因素对磁通回路进行优化。

    磁力线在磁通回路中的传导不仅与导磁介质的磁学状态有关,也与其几何形状有关。磁力线呈直线或曲线分布,且传导方向总是垂直于导体截面[10-12]。由于磁力线具有趋低磁阻性,所以不存在磁力线交叉或直角弯折现象。衔铁与永磁体接触部位为直角结构,不利于磁力线传导,导致永磁体−衔铁−空气−永磁体磁噪声回路中漏磁通较大,降低永磁体的磁能传递效率。同时,该部分漏磁通与钢丝绳损伤漏磁通一同被磁敏元件采集,导致钢丝绳损伤程度误判情况。

    基于上述分析,将衔铁与永磁体接触部位设计为圆角结构,建立如图4所示的仿真模型,分析衔铁导磁路径优化对钢丝绳损伤漏磁通检测的影响。

    图  4  衔铁导磁路径优化仿真模型
    Figure  4.  Simulation model of optimized armature magnetic path

    衔铁与永磁体接触部位轴向漏磁通分布如图5所示。两侧永磁体长度均为400 mm,轴向距离为200 mm。可看出当接触端采用圆角时,两侧永磁体之间中点处(磁敏元件位置)磁感应强度较采用直角时小,表明衔铁与永磁体接触部分漏磁通小,可降低该部分漏磁通对钢丝绳损伤漏磁通检测信号的影响。

    图  5  衔铁与永磁体接触部位轴向漏磁通分布
    Figure  5.  Radial magnetic flux leakage distribution at touching part of armature and permanent magnet

    衔铁与永磁体接触部分圆角结构的优化设计使得绝大多数磁力线沿衔铁导磁路径传导到钢丝绳中,减小了主磁通回路磁通泄漏,但仍存在两侧永磁体与空气介质耦合产生的漏磁通。

    基于磁场的趋高磁导率介质特性[13-15],设计了磁桥路屏蔽装置。该装置为由高导磁材料制作的环形屏蔽壳,安装在磁敏元件所在的检测区域(图6),构建一条磁桥路引导空气介质中的漏磁通走向,消除该部分漏磁通对钢丝绳损伤漏磁通检测的影响。

    图  6  磁桥路屏蔽装置及其安装
    Figure  6.  Magnetic bridge shielding equipment and its setting mode

    采用Solidworks有限元软件研究磁桥路屏蔽装置的效果。设置屏蔽壳长度为160 mm,内径为80 mm。以直径为26 mm的铁棒代替钢丝绳,制作1处损伤,分别建立有无磁桥路屏蔽装置时的钢丝绳损伤检测模型进行有限元仿真,结果如图7所示。

    图  7  钢丝绳损伤检测磁密度云图
    Figure  7.  Magnetic density cloud map of wire rope damage detection

    图7可看出,加装磁桥路屏蔽装置后,两侧永磁体与空气介质间耦合磁场导致的漏磁通经磁桥路屏蔽装置传递,装置内部区域只有很少的耦合漏磁通,为钢丝绳损伤漏磁通最佳检测区域。

    将磁桥路屏蔽装置用于钢丝绳损伤检测中,磁敏元件采集的漏磁通如图8所示。

    图  8  钢丝绳损伤检测漏磁通分布
    Figure  8.  Magnetic flux leakage distribution of wire rope damage detection

    两侧永磁体长度均为100 mm,150~250 mm为检测区域。可看出在190~196 mm损伤段,无磁桥路屏蔽装置时漏磁通最大值为53.6 mT,加装屏蔽装置后最大值为140.3 mT,表明加装磁桥路屏蔽装置可避免磁敏元件采集损伤漏磁通信号时受背景磁场干扰,有利于识别较小的损伤。

    基于理论分析与有限元仿真结果,搭建钢丝绳损伤检测实验平台,如图9所示。钢丝绳型号为6×19+FC,总直径为26 mm,在钢丝绳表面制作1股(19根)长5 mm的断丝损伤。磁通回路中衔铁材料为DT4C;磁源为环形排列的N48型永磁体,分布于钢丝绳轴向两端,对钢丝绳进行轴向磁化。实验中钢丝绳以0.7 m/s的速度匀速穿过探伤仪,磁敏元件采集钢丝绳损伤漏磁通信号并将其转换为电压信号,经放大滤波后在示波器上显示,如图10所示。

    图  9  钢丝绳损伤检测实验平台
    Figure  9.  Experimental platform of wire rope damage detection
    图  10  钢丝绳损伤检测结果
    Figure  10.  Wire rope damage detection results

    图10中电压波形平稳部分为钢丝绳无损伤段信号,反映钢丝绳股间漏磁通;电压凸起部分为钢丝绳损伤段信号。可看出磁通回路优化后,由于导磁路径中主磁通增大,所以损伤处采集信号特征明显;钢丝绳损伤采集信号由磁通回路优化前的6.14 mV增大至18.59 mV,表明磁桥路屏蔽装置具有漏磁通聚合增强效果。由此可知优化的磁通回路能提高磁能利用率,有效聚合增强目标漏磁通,减小磁噪声影响,提高钢丝绳损伤检测性能。

    (1) 衔铁与永磁体接触部位圆角结构的优化使得磁力线尽可能多地从衔铁中传导,从而减少磁通回路中非损伤段的漏磁通,增大磁通回路的传递效率,提高磁能利用率和钢丝绳磁化效果,有利于钢丝绳探伤仪的轻便化设计。

    (2) 磁桥路屏蔽装置采用高导磁材料,引导钢丝绳损伤漏磁通检测区域内永磁体与空气介质之间耦合漏磁通的走向,减小其对损伤漏磁通检测的影响,有利于钢丝绳探伤仪检测较小的损伤。

    (3) 实验结果表明,优化后的磁通回路中主磁通增大,损伤信号特征明显,且损伤信号较优化前大幅增强,提高了钢丝绳损伤检测的准确性。

  • 期刊类型引用(9)

    1. 文虎,侯宗宣,郑学召,蔡国斌,严瑞锦. 深井救援技术与装备研究现状和发展趋势. 工矿自动化. 2024(05): 14-22+35 . 本站查看
    2. 王保兵,王凯,王丹丹,高海跃,王春喜. 地下复杂空间无人机研究进展及其面临的挑战. 工矿自动化. 2023(07): 6-13+48 . 本站查看
    3. 赵清,杨维,张立亚,胡青松. 灾后煤矿物联网无人机辅助节能数据采集方法. 煤炭科学技术. 2023(08): 228-238 . 百度学术
    4. 高海跃,王凯,王保兵,王丹丹. 基于全局点云地图的煤矿井下无人机定位方法. 工矿自动化. 2023(08): 81-87+133 . 本站查看
    5. 张方舟,周瑶,李迪,李梦涵,汪卫国,郑学召. 化工园区安全发展指标体系构建与评价方法综述. 现代职业安全. 2022(01): 84-87 . 百度学术
    6. 尹项迎,常瑜,刘宝顺. 基于SGS模型与AHP的侦测无人机造型设计研究. 包装工程. 2022(14): 45-50 . 百度学术
    7. 郭爱军,王妙云,马宏伟,张旭辉,薛旭升,杜昱阳,张超. 煤矿井下多旋翼飞行器避障控制方法研究. 工矿自动化. 2022(12): 93-100 . 本站查看
    8. 朱笑然,张云昌,张涛,张雪华,于敬泽. 废墟狭小空间多旋翼生命搜索无人机需求分析和关键技术探讨. 中国应急救援. 2021(04): 54-57+65 . 百度学术
    9. 翟栋,张萍. 基于无人机倾斜摄影的矿山开采沉陷监测研究. 能源与环保. 2021(08): 131-136 . 百度学术

    其他类型引用(4)

计量
  • 文章访问数:  157
  • HTML全文浏览量:  12
  • PDF下载量:  26
  • 被引次数: 13
出版历程
  • 刊出日期:  2020-03-19

目录

/

返回文章
返回