关于立轴冲击破碎机颗粒尺寸识别方法的研究

《Powder Technology》：Research on particle size identification method for vertical shaft impact crusher

基于EDEM的垂直冲击破碎机制砂形成机理分析，提出融合加权平均法、引导滤波与形态学重建的图像预处理方法，改进传统分水岭算法为标记控制分水岭算法，实现复杂粉尘环境下矿物颗粒尺寸在线高精度识别（平均误差5.35%）。

　　

朱民健|田祖志|裴凌峰|郭洋洋|谢芳伟|吴向凡

中国矿业大学机电工程学院，徐州221116，中国

摘要

在立轴冲击破碎机生产的机制砂环境中，灰尘干扰以及矿物颗粒不规则形状和复杂表面纹理等因素显著增加了矿物颗粒图像分割和尺寸识别的难度。在这种条件下，传统的分水岭算法容易出现严重的图像过分割现象。为了解决这个问题，本文提出了一种高精度的在线矿石颗粒尺寸识别方法。首先，基于EDEM建立了破碎机破碎过程的仿真模型，分析了进料颗粒尺寸对砂形成率和产品尺寸分布的影响机制，明确了在线颗粒尺寸检测的工程意义。其次，考虑到矿石材料图像的特点，通过集成加权平均法、引导过滤和形态重建算法，构建了适合破碎机工作条件的图像预处理工作流程。此外，通过深入分析传统分水岭算法过分割的根本原因，引入了一种标记控制策略，提出了改进的分水岭图像分割算法，从而提高了颗粒尺寸识别的准确性和可靠性。实验结果表明，基于该改进算法的平均颗粒尺寸检测误差仅为5.35%，显示出较高的识别准确性和可靠性。这项研究为复杂工作条件下的在线颗粒尺寸识别提供了一种有效的解决方案。

引言

作为基础设施建设不可或缺的核心原材料，砂石骨料在水利和建筑等行业具有不可替代的刚性需求，为国家经济发展提供了重要的基础支持[1]，[26]。随着可持续经济发展的引入和对高质量建设的要求，中国正在推动砂石产业向绿色、高效和可持续的现代体系转型[24]。在这种背景下，由于机制砂的性能接近天然砂，并且具有环境效益和易于获取原材料的优势，它已成为天然砂的核心替代品。立轴冲击破碎机是机制砂生产中三级或四级破碎过程的关键设备[9]。在实际生产中，进料颗粒尺寸的显著波动容易导致破碎机出现高功率空载运行（当颗粒过小时）或低功率过载运行（当颗粒过大时）等问题。这不仅降低了成品砂的质量，还加剧了设备机械结构和传动系统的磨损，严重制约了机制砂生产的绿色高效发展[16]。因此，在矿石进入破碎机之前实现实时颗粒尺寸识别可以为破碎机和输送带的运行提供参考，这是解决上述问题、提高破碎效率、砂形成率和降低能耗、延长设备使用寿命的关键途径，对促进机制砂产业的高质量发展具有重要的实际意义[20]。

基于计算机图像处理的颗粒识别技术已逐渐应用于破碎过程中的颗粒识别和流量调节，成为提高破碎系统自动化水平的有效手段[2]，[7]，[28]，[30]。自动矿物颗粒识别的技术工作流程主要包括两个阶段：图像预处理和图像分割。图像预处理阶段主要关注噪声抑制和图像的形态学处理[19]。刘[11]结合了SUSAN检测、膨胀操作和阈值分割等技术，提出了一种能够一步实现噪声颗粒图像精确识别和边缘确定的方法，有效缓解了颗粒跟踪测速中常见的噪声干扰问题。而史[17]则利用基于颜色颗粒和光谱分析的神经网络来抑制杂质噪声，这种方法有效减少了噪声干扰。尽管上述方法在噪声抑制方面表现出良好的效果，但它们识别的颗粒形状相对规则，如圆形或准圆形。相比之下，矿石颗粒具有显著的大小变化、不规则的形状和表面纹理，这增加了形态学处理的难度，并影响了颗粒尺寸识别的准确性。

图像分割的准确性直接决定了矿物颗粒尺寸检测的可靠性，学者们在这一领域进行了大量研究。例如，吴[25]通过设计一种基于双重形态重建和圆周扫描的新分割算法，解决了粘附铁矿石球团准确分割的挑战，该方法有效实现了重叠球团的分离和精确的颗粒尺寸测量。马赫迪[5]通过集成形态学处理、分水岭算法、线性搜索技术和支持向量机进行分类，进一步提高了铁矿石球团分割和识别的准确性。SungHyok[15]通过将分水岭算法与深度学习分割模型相结合，提出了一种改进算法，并通过多个样本类别的实验验证了其在提高颗粒尺寸分布估计准确性方面的显著效果。在矿石材料颗粒尺寸识别领域，传统的分水岭分割算法容易发生过分割，这严重影响了图像区域分割并限制了颗粒尺寸识别准确性的提高。

随着人工智能技术的发展，深度学习已广泛应用于图像分割领域。然而，其在恶劣环境中的应用仍存在显著限制：一方面，深度学习在处理大规模数据方面具有优势；另一方面，其对硬件计算能力的高要求限制了这项技术在恶劣采矿环境中的实际应用[12]，[22]。以U-Net为代表的模型在复杂背景下的矿石区域分割中表现出优异的性能，分割准确率达到85%–90%，识别误差约为5%[8]，[21]，[31]。然而，在实际破碎机运行条件下，高灰尘水平和强噪声等干扰会降低图像质量。由于深度学习模型严重依赖高质量的训练样本，图像质量下降会直接影响模型的特征学习能力，从而降低分割准确性[22]。此外，大多数现有的在线矿物颗粒识别研究并未将算法吞吐量作为核心指标。一些算法报告的每张图像处理时间为0.12秒，这通常是基于批量处理图像的平均时间得出的，并不能反映实际的推理延迟[10]，[29]。对于破碎机输送带上矿物颗粒的在线识别场景，图像处理速度是确保系统实时性能的关键前提。在这种情况下，模型对序列图像的逐帧处理速度比整个图像批处理的并行处理速度具有更大的实际工程价值。因此，迫切需要研究一种既能满足在线颗粒尺寸识别速度要求，又对硬件规格要求低且具有强抗干扰能力的处理方法。

为了解决现有方法在预处理矿石颗粒图像以进行识别方面的局限性，本研究将形态重建应用于经过噪声抑制的图像，旨在消除干扰因素并提高图像质量。此外，为了解决传统分水岭算法在矿石颗粒识别中导致的持续过分割问题，我们对其根本原因进行了深入分析，并提出了一种基于标记控制的分水岭改进分割算法。

研究步骤如下。首先，通过EDEM仿真明确了进料颗粒尺寸对砂形成率和产品尺寸分布的关键影响。在此基础上，根据立轴冲击破碎机中矿石材料的图像特点，开发了一种专门的预处理方法。最终将所提出的算法应用于实际颗粒图像分割，以提高破碎机矿石颗粒尺寸识别的准确性，从而为破碎机和输送带的控制提供参考。

部分摘录

仿真模型的建立

通过EDEM仿真分析进料颗粒尺寸对破碎机破碎特性的影响，目的有两个方面：一方面，明确在破碎机进料口进行颗粒尺寸分析的必要性；另一方面，从分析中得出的关键尺寸范围可以为图像处理过程中过滤异常数据提供参考，从而提高颗粒尺寸识别的准确性。本研究中使用的破碎机模型是ASI1150。

测试平台的构建

本研究采用输送带方法获取矿石颗粒图像。视觉检测测试平台的整体结构如图3所示，主要包括相机、输送带、图像处理系统和支撑框架等组件。在相机镜头前端安装了一个可调光源，用于检测矿石颗粒尺寸。所使用的相机是MS-SUA134GC型号的彩色相机，具有130万像素和

传统的分水岭分割算法

分水岭算法是一种基于地貌学原理的图像分割方法[3]。其概念源于地形中分水岭的描述，已在图像分割领域得到广泛应用。该算法将数字图像类比为地形表面：高灰度值区域对应山峰，低灰度值区域对应盆地。分割过程通过淹没盆地来模拟—当

矿石颗粒尺寸参数的描述

通常，颗粒尺寸可以通过等效直径、周长、面积和体积等多个参数来描述。考虑到本文的具体应用背景和监测矿石颗粒尺寸的实际要求，选择等效直径作为描述颗粒尺寸的技术指标。由于相机采集过程本质上将三维矿石颗粒投影到二维图像平面上，同时进料和

结论

本文对立轴冲击破碎机进料口处矿石颗粒的尺寸识别方法进行了系统研究。主要的研究内容和成果总结如下。

(1)

针对矿石颗粒图像的特点，构建了一个视觉检测测试平台，并设计了一种集成加权平均法、引导过滤和形态重建的图像预处理工作流程，有效提高了图像

CRediT作者贡献声明

朱民健：撰写 – 审稿与编辑、方法论、数据管理、概念化。田祖志：撰写 – 审稿与编辑、监督、资源管理。裴凌峰：方法论、数据管理。郭洋洋：方法论。谢芳伟：监督、资源管理。吴向凡：监督、资源管理、项目统筹。

利益冲突声明

田祖志报告称，本研究得到了国家自然科学基金的支持。如果有其他作者，他们声明没有已知的利益冲突或个人关系可能影响本文所述的工作。

致谢

本研究部分得到了国家自然科学基金（资助编号：52375069）的支持。