原煤在開(kāi)采過(guò)程中經(jīng)常會(huì)混入各類(lèi)鐵器、錨桿、錨索、網(wǎng)片、破損膠帶、電纜頭、木材等生產(chǎn)廢舊物資。此外，井下作業(yè)產(chǎn)生的生活垃圾（如塑料瓶、塑料袋等）也會(huì)混入到提升原煤中。煤炭中的雜物極易堵塞管道、溜槽、閥門(mén)、篩孔等部件，成為困擾選煤廠(chǎng)連續(xù)生產(chǎn)的主要因素之一。煤炭中的雜物，輕則堵塞運(yùn)輸系統(tǒng)，降低脫泥脫介系統(tǒng)效率，發(fā)生跑、冒、滴、漏現(xiàn)象；重則可能導(dǎo)致帶式輸送機(jī)劃傷或分選設(shè)備堵塞，造成設(shè)備故障及產(chǎn)品質(zhì)量事故。如果雜物進(jìn)入商品煤，在商品煤使用過(guò)程中，還有可能會(huì)因某種雜物的存在而導(dǎo)致使用設(shè)備受損、鍋爐爆炸等安全生產(chǎn)事故，從而帶來(lái)嚴(yán)重的經(jīng)濟(jì)損失，甚至造成人員傷亡。雜物的存在還制約了出口煤業(yè)務(wù)的發(fā)展，經(jīng)常導(dǎo)致不必要的商務(wù)糾紛和索賠，給煤炭生產(chǎn)企業(yè)造成了不應(yīng)有的經(jīng)濟(jì)損失。

清除煤中的雜物，既是個(gè)老問(wèn)題，又是個(gè)新問(wèn)題。無(wú)論是煤炭生產(chǎn)企業(yè)還是用煤企業(yè)，從未忽視過(guò)煤炭中雜物的分揀工作。尤其是近幾年來(lái)，煤中雜物的分揀問(wèn)題變得越來(lái)越突出，對(duì)雜物分揀效果的要求也越來(lái)越高。過(guò)去的“三吸一篩”效率較低，己無(wú)法滿(mǎn)足清除煤中各種雜物的要求。

目前，在清除金屬雜物方面，采用電磁除鐵器的多級(jí)除鐵方式效果很好。對(duì)于煤中的木質(zhì)雜物，國(guó)內(nèi)外大多采用在工藝系統(tǒng)中設(shè)置破碎、篩分等加工環(huán)節(jié)來(lái)分離，也有采用清水立輪分選機(jī)、斜輪分選機(jī)或槽選機(jī)等清除木屑的實(shí)例?？傮w來(lái)說(shuō)，這些方法具有一定效果，但也均存在一些不足。攔雜網(wǎng)、除雜鉤等機(jī)械裝置也是近年來(lái)常用的除雜方法，但除雜效率較低，且需要頻繁檢查和維護(hù)除雜裝置，應(yīng)用局限性較大。

為減少商品煤中雜物數(shù)量，大多數(shù)選煤廠(chǎng)一般在塊煤手選帶式輸送機(jī)上設(shè)置人工手選環(huán)節(jié)來(lái)揀除雜物，但存在雜物揀除率低，員工勞動(dòng)強(qiáng)度大，安全系數(shù)低等問(wèn)題。

從我國(guó)目前在用的雜物分離設(shè)備狀況看，效率低、故障多和維修量大是制約煤中雜物分離設(shè)備推廣使用的主要因素。為了解決雜物對(duì)煤炭生產(chǎn)的影響，針對(duì)煤中雜物的混雜狀況，研究開(kāi)發(fā)了一種基于機(jī)器視覺(jué)的智能識(shí)別與機(jī)械手精準(zhǔn)抓取的煤中雜物智能分選系統(tǒng)（以下簡(jiǎn)稱(chēng)“雜物智能分選系統(tǒng)”），并在淮北礦業(yè)集團(tuán)渦北選煤廠(chǎng)得到了成功應(yīng)用。

1工藝設(shè)計(jì)

雜物智能分選系統(tǒng)安裝在渦北選煤廠(chǎng)的篩分車(chē)間內(nèi)，位于+8.00m平面的2206#轉(zhuǎn)載帶式輸送機(jī)（帶長(zhǎng)9m，帶速0.45m/s）上方，用以代替原機(jī)頭滾軸篩除雜。雜物智能分選系統(tǒng)工藝布置如圖1所示，分選過(guò)程如圖2所示，現(xiàn)場(chǎng)安裝如圖3所示。

圖1 雜物智能分選系統(tǒng)工藝布置圖

分選時(shí)，原煤經(jīng)篩孔為80mm的振動(dòng)篩分級(jí)后，篩上物料通過(guò)溜槽進(jìn)入雜物智能分選系統(tǒng)，進(jìn)入系統(tǒng)的物料首先通過(guò)彈性布料裝置，由該布料裝置將物料松散、均勻地鋪在帶式輸送機(jī)上，以方便后續(xù)處理。分散均勻的物料隨2206#帶式輸送機(jī)進(jìn)入圖像采集系統(tǒng)，由圖像采集系統(tǒng)負(fù)責(zé)對(duì)進(jìn)入相機(jī)視野的物料進(jìn)行拍攝，從而在線(xiàn)獲取圖像資料，并通過(guò)USB光纖上傳至圖像分析系統(tǒng)。圖像分析系統(tǒng)通過(guò)機(jī)器學(xué)習(xí)算法，實(shí)現(xiàn)物料中雜物（木棍、竹坯子、繩頭、棉紗、手套和礦泉水瓶等）的識(shí)別及分類(lèi)，雜物位置和姿態(tài)確定（以便后續(xù)機(jī)械手執(zhí)行抓取工作），以及物料運(yùn)動(dòng)時(shí)間確定三個(gè)功能，并把這些信息傳遞給智能控制系統(tǒng)。智能控制系統(tǒng)接收到圖像分析系統(tǒng)的信息后，確定機(jī)械手的控制策略，啟動(dòng)機(jī)械手抓取雜物，當(dāng)機(jī)械手按照設(shè)計(jì)好的控制執(zhí)行方案完成抓取目標(biāo)物體任務(wù)后，回到初始位置。

圖2 雜物智能分選系統(tǒng)分選過(guò)程示意圖

圖3 雜物智能分選系統(tǒng)現(xiàn)場(chǎng)安裝圖

2像素級(jí)雜物檢測(cè)模型

雜物智能分選系統(tǒng)采用了基于mobilenetv2的unet模型。unet是一個(gè)語(yǔ)義分割模型，其主要執(zhí)行過(guò)程與其他語(yǔ)義分割模型類(lèi)似：首先，利用卷積進(jìn)行下采樣；然后，提取一層又一層的特征，利用這一層又一層的特征圖譜進(jìn)行上采樣；最后，得到一個(gè)輸出結(jié)果圖像，該圖像的每個(gè)像素點(diǎn)均對(duì)應(yīng)一個(gè)類(lèi)別。

主干網(wǎng)絡(luò)采用輕量化卷積神經(jīng)網(wǎng)絡(luò)mobilenetv2進(jìn)行特征提取，其核心在于深度可分離卷積，即將一個(gè)標(biāo)準(zhǔn)卷積用兩個(gè)獨(dú)立的分解卷積進(jìn)行替換，結(jié)構(gòu)如圖4所示。第一層稱(chēng)為逐層卷積，它通過(guò)對(duì)每個(gè)輸入通道應(yīng)用單個(gè)卷積濾波器來(lái)執(zhí)行輕量級(jí)濾波。第二層是1×1卷積，稱(chēng)為逐點(diǎn)卷積，它通過(guò)計(jì)算輸入通道的線(xiàn)性組合來(lái)計(jì)算新的特征，有助于特征的提取。

mobilenetv2對(duì)網(wǎng)絡(luò)模型進(jìn)行了有效的壓縮，其核心模塊結(jié)構(gòu)圖如圖5所示。標(biāo)準(zhǔn)卷積對(duì)大小為hi×wi×di的輸入張量，應(yīng)用卷積核：

k∈Rk×k×di×dj，

產(chǎn)生大小為hi×wi×dj的輸出張量，標(biāo)準(zhǔn)卷積層具有hi×wi×di×dj×k×k的計(jì)算成本。深度可分離卷積實(shí)際上是標(biāo)準(zhǔn)卷積層的插入式重新排列，它的卷積效果幾乎和普通卷積一樣，但計(jì)算代價(jià)只有hi×wi×di×（k2+dj）。與傳統(tǒng)卷積層相比，高效的深度可分離卷積減少了近乎k2的計(jì)算量（實(shí)際上是k2dj/（k2+dj））。由于mobilenetv2采用k=3，因此計(jì)算成本比標(biāo)準(zhǔn)卷積少8～9倍?；趍obilenetv2的雜物檢測(cè)模型的網(wǎng)絡(luò)結(jié)構(gòu)如圖6所示。

圖4 深度可分離卷積示意圖

圖5 mobilenet v2核心模塊結(jié)構(gòu)圖

圖6 基于mobilenet v2的unet模型網(wǎng)絡(luò)結(jié)構(gòu)圖

3分揀動(dòng)作方式最優(yōu)決策

在雜物智能分選系統(tǒng)中，機(jī)械手分揀動(dòng)作控制的最大難點(diǎn)是如何在密集的物料中精準(zhǔn)抓取目標(biāo)雜物，在保障分揀效率的同時(shí)，降低機(jī)械手故障的可能性。因此，研究雜物檢測(cè)裝置與分揀控制裝置的協(xié)同作用機(jī)制至關(guān)重要。

根據(jù)雜物類(lèi)型的不同和帶式輸送機(jī)上物料與雜物的空間關(guān)系，將分揀動(dòng)作方式的最優(yōu)決策拆解為以下幾種情況：

（1） 硬質(zhì)目標(biāo)雜物周?chē)鸁o(wú)物料干擾。當(dāng)機(jī)械手夾取硬質(zhì)目標(biāo)雜物，且雜物周?chē)鸁o(wú)其他物料干擾時(shí)，由于機(jī)械手執(zhí)行動(dòng)作時(shí)不會(huì)受到影響，如果硬質(zhì)雜物多為棍狀雜物，可直接將檢測(cè)結(jié)果最小外接矩形中心點(diǎn)作為夾取點(diǎn)。

（2） 軟質(zhì)目標(biāo)雜物周?chē)鸁o(wú)物料干擾。麻繩等軟質(zhì)雜物在物料傳送帶上的姿態(tài)往往各不不同，當(dāng)目標(biāo)雜物的質(zhì)心與雜物輪廓最小外接矩形中心不重合時(shí)，則不能將最小外接矩形的中心點(diǎn)直接作為夾取點(diǎn)。此時(shí)，應(yīng)結(jié)合檢測(cè)裝置中的像素級(jí)語(yǔ)義分割結(jié)果，對(duì)掩碼部分進(jìn)行骨架提取，最終將骨架的中心確定為夾取點(diǎn)。

（3） 目標(biāo)雜物周?chē)形锪细蓴_。當(dāng)目標(biāo)雜物被物料壓住，或物料與雜物緊貼時(shí)，無(wú)論是選擇最小外接矩形中心，還是選擇目標(biāo)雜物圖像骨架中心作為夾取點(diǎn)，都有可能受到物料影響，輕則使機(jī)械手受物料阻擋而導(dǎo)致最終夾空或夾到物料，重則影響機(jī)械手正常動(dòng)作，導(dǎo)致運(yùn)動(dòng)控制器報(bào)警，影響生產(chǎn)效率。因此，在有物料干擾的情況下確定雜物夾取點(diǎn)的位置，需同時(shí)考慮物料位置與雜物位置?？山Y(jié)合深度學(xué)習(xí)中的目標(biāo)檢測(cè)網(wǎng)絡(luò)，對(duì)物料進(jìn)行統(tǒng)計(jì)和定位，得到物料的位置信息與輪廓外接矩形，然后根據(jù)物料與雜物的空間關(guān)系，將夾取點(diǎn)選擇在不受物料影響的骨架區(qū)域。

4系統(tǒng)測(cè)試分析

4.1測(cè)試方法

根據(jù)前期雜物智能分選系統(tǒng)的工業(yè)調(diào)試情況，對(duì)系統(tǒng)在不同生產(chǎn)狀態(tài)下的分揀效果進(jìn)行了在線(xiàn)測(cè)試與分析。測(cè)試數(shù)據(jù)來(lái)源于淮北礦業(yè)集團(tuán)渦北選煤廠(chǎng)2019年8月—2020年1月生產(chǎn)期間的調(diào)試測(cè)試試驗(yàn)與生產(chǎn)測(cè)試試驗(yàn)。分揀效果采用了4個(gè)評(píng)測(cè)指標(biāo)：像素分割準(zhǔn)確率、雜物檢測(cè)準(zhǔn)確率、機(jī)械手分揀成功率和系統(tǒng)分揀率。

（1） 像素分割準(zhǔn)確率采用交并比，即檢測(cè)模型對(duì)雜物預(yù)測(cè)的結(jié)果圖像和雜物真實(shí)結(jié)果圖像的交集與并集的比值。該指標(biāo)可體現(xiàn)模型像素分割的精準(zhǔn)度。

（2） 雜物檢測(cè)準(zhǔn)確率即某時(shí)間段內(nèi)模型正確檢測(cè)到的雜物與雜物總數(shù)的比值。該指標(biāo)可以體現(xiàn)模型雜物檢測(cè)的準(zhǔn)確程度。

（3） 機(jī)械手分揀成功率是指機(jī)械手在接收到雜物檢測(cè)結(jié)果并執(zhí)行分揀動(dòng)作后的揀選動(dòng)作成功率，用某時(shí)間段內(nèi)機(jī)械手成功分揀出的雜物數(shù)與檢測(cè)系統(tǒng)檢測(cè)到的雜物數(shù)的比值表示。該指標(biāo)可以體現(xiàn)機(jī)械手的分揀質(zhì)量。

（4） 系統(tǒng)分揀率由某時(shí)間段內(nèi)機(jī)械手成功分揀出的雜物數(shù)與生產(chǎn)線(xiàn)上總雜物數(shù)的比值表示。該指標(biāo)可體現(xiàn)雜物智能分選系統(tǒng)最終的分揀效率。

4.2測(cè)試結(jié)果分析

在選煤廠(chǎng)生產(chǎn)狀態(tài)下，針對(duì)正常生產(chǎn)、煤泥污染嚴(yán)重和物料堆疊嚴(yán)重三種情況分別進(jìn)行了測(cè)試與分析。

4.2.1 正常生產(chǎn)情況

正常生產(chǎn)時(shí)，物料分布均勻，粒度大小適中，堆疊情況較少。正常生產(chǎn)情況下的測(cè)試圖如圖7所示，測(cè)試分析結(jié)果見(jiàn)表1。

圖7 正常生產(chǎn)情況下的測(cè)試圖

表1 正常生產(chǎn)情況下的測(cè)試結(jié)果

4.2.2 煤泥污染嚴(yán)重情況

當(dāng)工藝生產(chǎn)線(xiàn)前端出現(xiàn)篩分設(shè)備堵塞等情況時(shí)，會(huì)導(dǎo)致系統(tǒng)對(duì)雜物的檢測(cè)難度上升。雖然在生產(chǎn)中此類(lèi)情況較少，但是為了測(cè)試系統(tǒng)的魯棒性，也單獨(dú)進(jìn)行了統(tǒng)計(jì)分析。煤泥污染嚴(yán)重情況下的測(cè)試圖如圖8所示，測(cè)試分析結(jié)果見(jiàn)表2。

圖8 煤泥污染嚴(yán)重情況下的測(cè)試圖

表2 煤泥污染嚴(yán)重情況下的測(cè)試結(jié)果

4.2.3 物料堆疊嚴(yán)重情況

當(dāng)物料的流量過(guò)大或過(guò)于集中在雜物周?chē)鷷r(shí)，灰度雜物的檢測(cè)質(zhì)量和機(jī)械手的分揀質(zhì)量均會(huì)受到一定影響。物料堆疊嚴(yán)重情況下的測(cè)試圖如圖9所示，測(cè)試分析結(jié)果見(jiàn)表3。

圖9 物料堆疊嚴(yán)重情況下的測(cè)試圖

表3 物料堆疊嚴(yán)重情況下的測(cè)試結(jié)果

4.3最終測(cè)試結(jié)果

根據(jù)5個(gè)月的測(cè)試試驗(yàn)，正常生產(chǎn)、煤泥污染嚴(yán)重和物料堆疊嚴(yán)重三種情況在生產(chǎn)中出現(xiàn)的比例大約為6∶1∶3，故以此為權(quán)重對(duì)四個(gè)評(píng)測(cè)指標(biāo)進(jìn)行綜合計(jì)算，最終得出：像素分割準(zhǔn)確率為90.381%，雜物檢測(cè)準(zhǔn)確率為96.647%，機(jī)械手分揀成功率為94.759%，系統(tǒng)分揀率為91.640%。

5結(jié)論

（1） 建立了基于語(yǔ)義分割的像素級(jí)雜物識(shí)別模型，構(gòu)建了復(fù)雜環(huán)境條件下機(jī)械手精準(zhǔn)抓取策略，能夠避開(kāi)干擾物，實(shí)現(xiàn)硬質(zhì)物料和輕質(zhì)物料抓取點(diǎn)的精確選擇。

（2） 基于機(jī)器視覺(jué)的煤中雜物智能分選系統(tǒng)采用了機(jī)器學(xué)習(xí)的方法，運(yùn)用人工智能技術(shù)在線(xiàn)識(shí)別煤中的雜物，并配合后端的機(jī)械手執(zhí)行機(jī)構(gòu)完成雜物的揀選，最終實(shí)現(xiàn)了煤中雜物的智能分選。

（3） 煤中雜物智能分選系統(tǒng)是人工智能技術(shù)與煤炭分選過(guò)程有機(jī)結(jié)合的成功示范，必將推進(jìn)人工智能技術(shù)在煤炭洗選加工過(guò)程中的廣泛應(yīng)用。
編輯：lyn