原煤在開采過程中經常會混入各類鐵器、錨桿、錨索、網片、破損膠帶、電纜頭、木材等生產廢舊物資。此外，井下作業產生的生活垃圾（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生產的主要因素之一。煤炭中的雜物，輕則堵塞運輸系統，降低脫泥脫介系統效率，發生跑、冒、滴、漏現象；重則可能導致帶式輸送機劃傷或分選設備堵塞，造成設備故障及產品質量事故。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致使用設備受損、鍋爐爆炸等安全生產事故，從而帶來嚴重的經濟損失，甚至造成人員傷亡。雜物的存在還制約了出口煤業務的發展，經常導致不必要的商務糾紛和索賠，給煤炭生產企業造成了不應有的經濟損失。

清除煤中的雜物，既是個老問題，又是個新問題。無論是煤炭生產企業還是用煤企業，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。對于煤中的木質雜物，國內外大多采用在工藝系統中設置破碎、篩分等加工環節來分離，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、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，應用局限性較大。

為減少商品煤中雜物數量，大多數選煤廠一般在塊煤手選帶式輸送機上設置人工手選環節來揀除雜物，但存在雜物揀除率低，員工勞動強度大，安全系數低等問題。

從我國目前在用的雜物分離設備狀況看，效率低、故障多和維修量大是制約煤中雜物分離設備推廣使用的主要因素。為了解決雜物對煤炭生產的影響，針對煤中雜物的混雜狀況，研究開發了一種基于機器視覺的智能識別與機械手精準抓取的煤中雜物智能分選系統（以下簡稱“雜物智能分選系統”），并在淮北礦業集團渦北選煤廠得到了成功應用。

1工藝設計

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

圖1 雜物智能分選系統工藝布置圖

分選時，原煤經篩孔為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，進入系統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，以方便后續處理。分散均勻的物料隨2206#帶式輸送機進入圖像采集系統，由圖像采集系統負責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。圖像分析系統通過機器學習算法，實現物料中雜物（木棍、竹坯子、繩頭、棉紗、手套和礦泉水瓶等）的識別及分類，雜物位置和姿態確定（以便后續機械手執行抓取工作），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。智能控制系統接收到圖像分析系統的信息后，確定機械手的控制策略，啟動機械手抓取雜物，當機械手按照設計好的控制執行方案完成抓取目標物體任務后，回到初始位置。

圖2 雜物智能分選系統分選過程示意圖

圖3 雜物智能分選系統現場安裝圖

2像素級雜物檢測模型

雜物智能分選系統采用了基于mobilenetv2的unet模型。unet是一個語義分割模型，其主要執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，得到一個輸出結果圖像，該圖像的每個像素點均對應一個類別。

主干網絡采用輕量化卷積神經網絡mobilenetv2進行特征提取，其核心在于深度可分離卷積，即將一個標準卷積用兩個獨立的分解卷積進行替換，結構如圖4所示。第一層稱為逐層卷積，它通過對每個輸入通道應用單個卷積濾波器來執行輕量級濾波。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對網絡模型進行了有效的壓縮，其核心模塊結構圖如圖5所示。標準卷積對大小為hi×wi×di的輸入張量，應用卷積核：

k∈Rk×k×di×dj，

產生大小為hi×wi×dj的輸出張量，標準卷積層具有hi×wi×di×dj×k×k的計算成本。深度可分離卷積實際上是標準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，因此計算成本比標準卷積少8～9倍。基于mobilenetv2的雜物檢測模型的網絡結構如圖6所示。

圖4 深度可分離卷積示意圖

圖5 mobilenet v2核心模塊結構圖

圖6 基于mobilenet v2的unet模型網絡結構圖

3分揀動作方式最優決策

在雜物智能分選系統中，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抓取目標雜物，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同作用機制至關重要。

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

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

（2） 軟質目標雜物周圍無物料干擾。麻繩等軟質雜物在物料傳送帶上的姿態往往各不不同，當目標雜物的質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，應結合檢測裝置中的像素級語義分割結果，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） 目標雜物周圍有物料干擾。當目標雜物被物料壓住，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致最終夾空或夾到物料，重則影響機械手正常動作，導致運動控制器報警，影響生產效率。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。可結合深度學習中的目標檢測網絡，對物料進行統計和定位，得到物料的位置信息與輪廓外接矩形，然后根據物料與雜物的空間關系，將夾取點選擇在不受物料影響的骨架區域。

4系統測試分析

4.1測試方法

根據前期雜物智能分選系統的工業調試情況，對系統在不同生產狀態下的分揀效果進行了在線測試與分析。測試數據來源于淮北礦業集團渦北選煤廠2019年8月—2020年1月生產期間的調試測試試驗與生產測試試驗。分揀效果采用了4個評測指標：像素分割準確率、雜物檢測準確率、機械手分揀成功率和系統分揀率。

（1） 像素分割準確率采用交并比，即檢測模型對雜物預測的結果圖像和雜物真實結果圖像的交集與并集的比值。該指標可體現模型像素分割的精準度。

（2） 雜物檢測準確率即某時間段內模型正確檢測到的雜物與雜物總數的比值。該指標可以體現模型雜物檢測的準確程度。

（3） 機械手分揀成功率是指機械手在接收到雜物檢測結果并執行分揀動作后的揀選動作成功率，用某時間段內機械手成功分揀出的雜物數與檢測系統檢測到的雜物數的比值表示。該指標可以體現機械手的分揀質量。

（4） 系統分揀率由某時間段內機械手成功分揀出的雜物數與生產線上總雜物數的比值表示。該指標可體現雜物智能分選系統最終的分揀效率。

4.2測試結果分析

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

4.2.1 正常生產情況

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

圖7 正常生產情況下的測試圖

表1 正常生產情況下的測試結果

4.2.2 煤泥污染嚴重情況

當工藝生產線前端出現篩分設備堵塞等情況時，會導致系統對雜物的檢測難度上升。雖然在生產中此類情況較少，但是為了測試系統的魯棒性，也單獨進行了統計分析。煤泥污染嚴重情況下的測試圖如圖8所示，測試分析結果見表2。

圖8 煤泥污染嚴重情況下的測試圖

表2 煤泥污染嚴重情況下的測試結果

4.2.3 物料堆疊嚴重情況

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

圖9 物料堆疊嚴重情況下的測試圖

表3 物料堆疊嚴重情況下的測試結果

4.3最終測試結果

根據5個月的測試試驗，正常生產、煤泥污染嚴重和物料堆疊嚴重三種情況在生產中出現的比例大約為6∶1∶3，故以此為權重對四個評測指標進行綜合計算，最終得出：像素分割準確率為90.381%，雜物檢測準確率為96.647%，機械手分揀成功率為94.759%，系統分揀率為91.640%。

5結論

（1） 建立了基于語義分割的像素級雜物識別模型，構建了復雜環境條件下機械手精準抓取策略，能夠避開干擾物，實現硬質物料和輕質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采用了機器學習的方法，運用人工智能技術在線識別煤中的雜物，并配合后端的機械手執行機構完成雜物的揀選，最終實現了煤中雜物的智能分選。

（3） 煤中雜物智能分選系統是人工智能技術與煤炭分選過程有機結合的成功示范，必將推進人工智能技術在煤炭洗選加工過程中的廣泛應用。
編輯：lyn