原煤在開采過程中經(jīng)常會混入各類鐵器、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）也會混入到提升原煤中。煤炭中的雜物極易堵塞管道、溜槽、閥門、篩孔等部件，成為困擾選煤廠連續(xù)生產(chǎn)的主要因素之一。煤炭中的雜物，輕則堵塞運輸系統(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。如果雜物進入商品煤，在商品煤使用過程中，還有可能會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，從而帶來嚴(yán)重的經(jīng)濟損失，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)濟損失。

清除煤中的雜物，既是個老問題，又是個新問題。無論是煤炭生產(chǎn)企業(yè)還是用煤企業(yè)，從未忽視過煤炭中雜物的分揀工作。尤其是近幾年來，煤中雜物的分揀問題變得越來越突出，對雜物分揀效果的要求也越來越高。過去的“三吸一篩”效率較低，己無法滿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除鐵方式效果很好。對于煤中的木質(zhì)雜物，國內(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)來分離，也有采用清水立輪分選機、斜輪分選機或槽選機等清除木屑的實例。總體來說，這些方法具有一定效果，但也均存在一些不足。攔雜網(wǎng)、除雜鉤等機械裝置也是近年來常用的除雜方法，但除雜效率較低，且需要頻繁檢查和維護除雜裝置，應(yīng)用局限性較大。

為減少商品煤中雜物數(shù)量，大多數(shù)選煤廠一般在塊煤手選帶式輸送機上設(shè)置人工手選環(huán)節(jié)來揀除雜物，但存在雜物揀除率低，員工勞動強度大，安全系數(shù)低等問題。

從我國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。為了解決雜物對煤炭生產(chǎn)的影響，針對煤中雜物的混雜狀況，研究開發(fā)了一種基于機器視覺的智能識別與機械手精準(zhǔn)抓取的煤中雜物智能分選系統(tǒng)（以下簡稱“雜物智能分選系統(tǒng)”），并在淮北礦業(yè)集團渦北選煤廠得到了成功應(yīng)用。

1工藝設(shè)計

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

圖1 雜物智能分選系統(tǒng)工藝布置圖

分選時，原煤經(jīng)篩孔為80mm的振動篩分級后，篩上物料通過溜槽進入雜物智能分選系統(tǒng)，進入系統(tǒng)的物料首先通過彈性布料裝置，由該布料裝置將物料松散、均勻地鋪在帶式輸送機上，以方便后續(xù)處理。分散均勻的物料隨2206#帶式輸送機進入圖像采集系統(tǒng)，由圖像采集系統(tǒng)負(fù)責(zé)對進入相機視野的物料進行拍攝，從而在線獲取圖像資料，并通過USB光纖上傳至圖像分析系統(tǒng)。圖像分析系統(tǒng)通過機器學(xué)習(xí)算法，實現(xiàn)物料中雜物（木棍、竹坯子、繩頭、棉紗、手套和礦泉水瓶等）的識別及分類，雜物位置和姿態(tài)確定（以便后續(xù)機械手執(zhí)行抓取工作），以及物料運動時間確定三個功能，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，確定機械手的控制策略，啟動機械手抓取雜物，當(dāng)機械手按照設(shè)計好的控制執(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)分選過程示意圖

圖3 雜物智能分選系統(tǒng)現(xiàn)場安裝圖

2像素級雜物檢測模型

雜物智能分選系統(tǒng)采用了基于mobilenetv2的unet模型。unet是一個語義分割模型，其主要執(zhí)行過程與其他語義分割模型類似：首先，利用卷積進行下采樣；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行上采樣；最后，得到一個輸出結(jié)果圖像，該圖像的每個像素點均對應(yīng)一個類別。

主干網(wǎng)絡(luò)采用輕量化卷積神經(jīng)網(wǎng)絡(luò)mobilenetv2進行特征提取，其核心在于深度可分離卷積，即將一個標(biāo)準(zhǔn)卷積用兩個獨立的分解卷積進行替換，結(jié)構(gòu)如圖4所示。第一層稱為逐層卷積，它通過對每個輸入通道應(yīng)用單個卷積濾波器來執(zhí)行輕量級濾波。第二層是1×1卷積，稱為逐點卷積，它通過計算輸入通道的線性組合來計算新的特征，有助于特征的提取。

mobilenetv2對網(wǎng)絡(luò)模型進行了有效的壓縮，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的計算成本。深度可分離卷積實際上是標(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，但計算代價只有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的計算量（實際上是k2dj/（k2+dj））。由于mobilenetv2采用k=3，因此計算成本比標(biāo)準(zhǔn)卷積少8～9倍。基于mobilenetv2的雜物檢測模型的網(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分揀動作方式最優(yōu)決策

在雜物智能分選系統(tǒng)中，機械手分揀動作控制的最大難點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，降低機械手故障的可能性。因此，研究雜物檢測裝置與分揀控制裝置的協(xié)同作用機制至關(guān)重要。

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

（1） 硬質(zhì)目標(biāo)雜物周圍無物料干擾。當(dāng)機械手夾取硬質(zhì)目標(biāo)雜物，且雜物周圍無其他物料干擾時，由于機械手執(zhí)行動作時不會受到影響，如果硬質(zhì)雜物多為棍狀雜物，可直接將檢測結(jié)果最小外接矩形中心點作為夾取點。

（2） 軟質(zhì)目標(biāo)雜物周圍無物料干擾。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，則不能將最小外接矩形的中心點直接作為夾取點。此時，應(yīng)結(jié)合檢測裝置中的像素級語義分割結(jié)果，對掩碼部分進行骨架提取，最終將骨架的中心確定為夾取點。

（3） 目標(biāo)雜物周圍有物料干擾。當(dāng)目標(biāo)雜物被物料壓住，或物料與雜物緊貼時，無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，都有可能受到物料影響，輕則使機械手受物料阻擋而導(dǎo)致最終夾空或夾到物料，重則影響機械手正常動作，導(dǎo)致運動控制器報警，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的位置，需同時考慮物料位置與雜物位置。可結(jié)合深度學(xué)習(xí)中的目標(biāo)檢測網(wǎng)絡(luò)，對物料進行統(tǒng)計和定位，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，將夾取點選擇在不受物料影響的骨架區(qū)域。

4系統(tǒng)測試分析

4.1測試方法

根據(jù)前期雜物智能分選系統(tǒng)的工業(yè)調(diào)試情況，對系統(tǒng)在不同生產(chǎn)狀態(tài)下的分揀效果進行了在線測試與分析。測試數(shù)據(jù)來源于淮北礦業(yè)集團渦北選煤廠2019年8月—2020年1月生產(chǎn)期間的調(diào)試測試試驗與生產(chǎn)測試試驗。分揀效果采用了4個評測指標(biāo)：像素分割準(zhǔn)確率、雜物檢測準(zhǔn)確率、機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，即檢測模型對雜物預(yù)測的結(jié)果圖像和雜物真實結(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） 雜物檢測準(zhǔn)確率即某時間段內(nèi)模型正確檢測到的雜物與雜物總數(shù)的比值。該指標(biāo)可以體現(xiàn)模型雜物檢測的準(zhǔn)確程度。

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

（4） 系統(tǒng)分揀率由某時間段內(nèi)機械手成功分揀出的雜物數(shù)與生產(chǎn)線上總雜物數(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測試結(jié)果分析

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

4.2.1 正常生產(chǎn)情況

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

圖7 正常生產(chǎn)情況下的測試圖

表1 正常生產(chǎn)情況下的測試結(jié)果

4.2.2 煤泥污染嚴(yán)重情況

當(dāng)工藝生產(chǎn)線前端出現(xiàn)篩分設(shè)備堵塞等情況時，會導(dǎo)致系統(tǒng)對雜物的檢測難度上升。雖然在生產(chǎn)中此類情況較少，但是為了測試系統(tǒng)的魯棒性，也單獨進行了統(tǒng)計分析。煤泥污染嚴(yán)重情況下的測試圖如圖8所示，測試分析結(jié)果見表2。

圖8 煤泥污染嚴(yán)重情況下的測試圖

表2 煤泥污染嚴(yán)重情況下的測試結(jié)果

4.2.3 物料堆疊嚴(yán)重情況

當(dāng)物料的流量過大或過于集中在雜物周圍時，灰度雜物的檢測質(zhì)量和機械手的分揀質(zhì)量均會受到一定影響。物料堆疊嚴(yán)重情況下的測試圖如圖9所示，測試分析結(jié)果見表3。

圖9 物料堆疊嚴(yán)重情況下的測試圖

表3 物料堆疊嚴(yán)重情況下的測試結(jié)果

4.3最終測試結(jié)果

根據(jù)5個月的測試試驗，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)重對四個評測指標(biāo)進行綜合計算，最終得出：像素分割準(zhǔn)確率為90.381%，雜物檢測準(zhǔn)確率為96.647%，機械手分揀成功率為94.759%，系統(tǒng)分揀率為91.640%。

5結(jié)論

（1） 建立了基于語義分割的像素級雜物識別模型，構(gòu)建了復(fù)雜環(huán)境條件下機械手精準(zhǔn)抓取策略，能夠避開干擾物，實現(xiàn)硬質(zhì)物料和輕質(zhì)物料抓取點的精確選擇。

（2） 基于機器視覺的煤中雜物智能分選系統(tǒng)采用了機器學(xué)習(xí)的方法，運用人工智能技術(shù)在線識別煤中的雜物，并配合后端的機械手執(zhí)行機構(gòu)完成雜物的揀選，最終實現(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)與煤炭分選過程有機結(jié)合的成功示范，必將推進人工智能技術(shù)在煤炭洗選加工過程中的廣泛應(yīng)用。
編輯：lyn