图像法矿石粒度分析：基于Matlab的粒径统计与系统实现-北京尧图网络

矿石粒度分析这几年在砂石骨料、选矿、破碎生产里的需求越来越大。以前大家熟悉的是人工筛分取样、搬运、振动筛一套下来没有一两个小时出不了结果现场粉尘还大。用Matlab写矿石粒度分析系统软件核心就是石料粒径特性统计——相机拍照程序自动识别每块颗粒算等效直径再做0到1000mm宽范围的粒度分布统计。在精度这一块5到50mm这几个常用粒级我实测能做到相对误差3%上下。这篇文章就把这套系统的整体思路、关键算法、标定细节和踩坑记录完整讲一遍给想做图像法粒度统计的朋友一个能直接上手的参考。1. 从矿石照片到粒径数据这套系统要解决什么问题1.1 人工筛分的痛点与图像法的切入点传统筛分流程是这样的现场取样搬回化验室用一套标准筛从大到小逐级过筛最后把每一级重量称出来算百分比。流程本身不复杂但慢。一套标准筛做完一两个小时是家常便饭遇到大块料还要先破碎时间更长。对破碎站、选矿厂这种连续运转的场合来说等筛分结果出来生产过程早就往前走了一大截发现问题也只能事后补救。图像法切入的姿势完全不同。它在取样口、皮带或振动给料机上方装一个工业相机矿石通过时触发拍照程序在几秒到几分钟内输出一张粒度分布曲线。你看到的是当前这一批料的实时状况可以从曲线上直接判断破碎机出料是不是变粗了、细粉含量是不是上来了。这套系统本质上解决的并不是取代筛分的问题而是如何把粒度信息变成高频、低成本的在线监控数据的问题。有一点要提前说清楚图像法测的是颗粒在图像投影面上的等效直径不是物理筛孔的真实通过尺寸。它跟筛分结果有很高的相关性但不能完全划等号。我的定位是把它做成趋势监控工具人工筛分定期做一次校准两条曲线对照着看长期运行才靠谱。1.2 系统整体流程与硬件选择整套系统的数据流是一条清晰的链路相机采集图像灰度化滤波去噪阈值分割把矿石从背景里抠出来分水岭处理粘连颗粒连通域分析提取每个颗粒的面积和形状参数再用标定系数把像素换算成毫米最后按粒级分类统计、画累积曲线、输出报表。硬件选型直接决定后面算法好不好做。我自己的配置供参考相机用500万像素工业相机镜头配低畸变定焦光源用LED无影灯。为什么不拿普通监控摄像头凑合因为小小的5mm颗粒在图像上至少要占十几个像素才谈得上稳定识别监控摄像头分辨率不够画面边缘畸变也大。LED无影灯同样关键矿石表面凹凸不平单侧光会造成大面积阴影分割时阴影很容易被误判成颗粒。光照稳定后面算法的工作量能省一半。2. 图像预处理与粒度分割别让噪点和粘连颗粒毁掉统计结果2.1 光照不均与阴影预处理链路现场拍回来的图跟实验室干净环境完全是两回事。矿石颜色深浅不一背景皮带或取样台的颜色跟矿石接近再加上光照角度变化第一步做不好后面颗粒分割就全是错的。我的预处理链路是这样的I rgb2gray(im); % 灰度化 I imgaussfilt(I, 1.2); % 去传感器噪声 Ie adapthisteq(I, NumTiles, [8 8]); % 自适应直方图均衡补偿光照不均 bw imbinarize(Ie, adaptive, Sensitivity, 0.55); % 自适应阈值分割 bw imopen(bw, strel(disk, 3)); % 开运算去掉粉尘噪点为什么不直接用固定阈值因为光照强度一天之内波动太大固定阈值今天设好了明天下午光线一变背景灰度整体偏移分割结果直接崩。自适应阈值相当于在每个像素的小邻域里算一个局部阈值能够扛住光照渐变这套现场用下来稳定得多。开运算的disk半径也不要贪大设3个像素就够。设大了确实能把噪点清得更干净但5mm级别的小颗粒也会被一起抹掉正好砸在精度要求最严的粒级区间上。2.2 粘连颗粒分离分水岭与形状指数的取舍这是整个系统里最影响准确度的一步。矿石在取样台上堆叠或紧挨着分割后几个颗粒连成一个连通域如果不拆开5mm和10mm的颗粒会被统计成20mm粒径分布瞬间失真。我一开始用的是经典分水岭bw imfill(bw, holes); % 先填充颗粒内部的空洞 D bwdist(~bw); % 距离变换 L watershed(-D); L(~bw) 0;结果发现过度分割严重。矿石表面有纹理、有凹坑距离图上很容易出现假的局部极小值一块完整的石头被切成好几块统计出来的细颗粒数量暴涨。后来改成两个约束第一只对等效直径大于10mm的大颗粒做分水岭小颗粒粘连后的误差本身有限强行拆分反而帮倒忙第二分水岭前先对距离图做一点高斯平滑把纹理造成的虚假极小值压下去再找真正的颗粒分界点。分割完之后还要检查一遍如果某个区域的圆形度接近1、面积明显偏小多半是被误切的碎片做一次区域性合并。2.3 干扰物剔除怎么把非矿石区域挡在统计之外现场画面里什么都有皮带接头、掉落的工具、钢钎、手指、矿粉堆。这些干扰如果不剔除曲线完全没法看。我设置了三道过滤规则。过滤条件设定值设计原因最小像素面积等效直径3mm对应面积排掉粉尘和细小噪点圆形度区间0.2~1.0去掉细长条杂物如木片、工具最大长宽比≤3挡掉钢钎等极端长条物体同时要给统计画面加ROI遮罩只保留取样区矩形内的像素取样区之外的皮带边缘、背景角落全部置零。ROI的像素坐标固定下来之后不要把相机角度改来改去不然每一批图像的统计口径不一致前后数据没法对比。这条规矩看着基础实际项目里换班的人随手调了镜头整个趋势曲线偏掉排查了半天才发现。3. 粒径特征计算与标定把像素转换成毫米的关键一步3.1 为什么用等效直径而不是最大弦长做粒度统计首先得回答一个看似简单的问题什么叫粒径筛分法给出的粒径可以理解为颗粒能通过的最小筛孔尺寸。图像法里常见的定义有好几种比如最大Feret直径、最小外接矩形短边、等效直径我这里主用的是等效直径也就是等面积圆的直径。计算公式非常简单d_px 2 * sqrt(Area_px / pi); % 像素单位下的等效直径选它不是因为公式简单而是因为大量比对实验里等效直径跟标准方孔筛筛分结果的相关性最好尤其针对近等轴状的破碎石料。颗粒边缘分割得稍微粗糙一点面积变化经过平方根运算后对直径的影响会被压小如果直接量最大弦长边缘多一个凸起的噪点直径就猛增太不稳定。另外对长板状、片状石料我会额外保留最小外接矩形短边和最小Feret直径作为参考。片状颗粒用最大弦长统计会高估严重薄片的最大弦长可能是短边的三倍但它的筛分通过尺寸其实由短边决定。等效直径做主指标短边参数做辅指标两种形状极端的情况都能照顾到。3.2 像素当量标定标定板摆放与畸变校正像素面积算出来后必须换算成物理尺寸核心就是一个系数毫米每像素。标定步骤不复杂在取样平面上放一个已知长度的标准块拍一张图量出它在图像上占多少像素相除就得到mmPerPixel。做个具体计算300mm的标尺在图像上量出1200像素那mmPerPixel就是0.25mm/px。一个面积5000像素的颗粒等效直径约79.8px换算成物理尺寸就是19.95mm。标定最大的坑是标尺摆放位置。标尺必须与矿石处于同一平面如果标尺贴着地面矿石堆料表面高出地面一截相机俯拍视角下比例尺就全变了。我第一次安装时偷懒把标尺放取样台角落出来一组看似合理的标定系数拿标准块一验才发现整套数据有将近5%的系统偏差。正确做法是让标尺放在料层平均高度或者用一块已知厚度的平板压在料面上当参照平台。镜头畸变也要留意视场边缘直线变弯明显时最好先用Matlab标定工具箱做一次相机标定在图像入口加畸变校正否则边缘颗粒的粒径也会偏。提示标定块必须与矿石处于同一承载平面。这个细节直接影响整套数据的系统偏差绝不是小事。相机松动、换镜头、改安装高度以后都要重新标定。3.3 特征参数输出清单连通域分析完成后每个有效颗粒都输出一组特征参数。regionprops能一次拿到绝大部分需要的量。stats regionprops(L, Area, MajorAxisLength, ... MinorAxisLength, Perimeter, BoundingBox); mmPerPixel 0.25; for k 1:numel(stats) d_mm(k) 2 * sqrt(stats(k).Area / pi) * mmPerPixel; major_mm(k) stats(k).MajorAxisLength * mmPerPixel; minor_mm(k) stats(k).MinorAxisLength * mmPerPixel; roundness(k) 4 * pi * stats(k).Area / (stats(k).Perimeter^2); end除了保存这些数值我还会额外存一列面积最大的颗粒位于画面哪个位置。这样某一粒级出现严重偏离时可以直接回溯图像看看是标定出了问题还是分割把几块石头连在一起了。这个习惯在调试阶段帮我省了大量时间否则对着一个孤立异常值根本无从下手。4. 0-1000mm宽范围统计分级策略与累积分布输出4.1 粒度分级区间设计统计范围拉到0到1000mm跨度大分级区间不能用等宽。要是按100mm等宽划分0到100mm这一档会把所有细粉、细骨料、中颗粒全堆在一起曲线完全看不出细粒级的分布。参考砂石骨料和破碎行业的习惯我采用的是不等距分级边界。edges [0 1 3 5 10 20 31.5 40 63 80 100 ... 150 200 300 500 750 1000]; [N, ~] histcounts(d_mm, edges);这些边界不是随便拍的1mm以下是超细粉3mm和5mm是细骨料分界10、20、31.5、40对应混凝土骨料常用筛孔63、80、100开始摸到粗颗粒再往上就按中大块石料的档位走。每隔一段台阶宽度按倍数增长直方图在高粒级区域不会挤成一坨细粒级的信息也不会被淹没。要注意的是直方图里的0mm其实指接近零的微细粉程序里把等效直径小于1mm的颗粒并到第一档。如果图像分辨率不足以分辨1mm以下的颗粒这一档在报告里最好标注为含粉趋势别当成精确值用否则你会被细粉数据误导。4.2 特征指标计算D10、D50、D80、D90分档统计出每个粒级的颗粒数之后要做累积通过率曲线再从曲线反推特征粒径。D50就是中值粒径代表累积分布50%位置对应的粒径值D80、D90更是破碎机进料、排料设计里特别关心的参数。这里有个容易踩的坑图像法天然按颗粒数量统计而筛分法按质量百分比统计。几百颗5mm的细粉在数量上占优但它那点质量跟一块1000mm的巨石完全没法比直接用数量累积会严重低估大块料的占比。我的做法是给每一档颗粒加上粒径立方加权假设颗粒近似球形质量跟直径的三次方成正比center sqrt(edges(1:end-1) .* edges(2:end)); % 几何中心粒径 weight N .* center.^3; % 按 d^3 加权 f cumsum(weight) / sum(weight) * 100; % 累积通过率权重改成d^3之后得到的累积曲线才具备和筛分曲线对标的基础算出来的D10、D50、D80才有工程参考意义。4.3 对比筛分曲线与结果报表程序跑完不能只给一张孤零零的图。我的标准输出是三件套第一张是各粒级数量占比直方图第二张是累积通过率曲线横轴用对数坐标把0.1mm到1000mm全部铺开第三张是Excel报表包含粒级区间、颗粒数、加权百分比、累积通过率以及D10、D50、D80、D90。如果当天同时做了人工筛分我会把人工筛分曲线和图像法曲线叠在同一个坐标轴里。两条线重合得好说明当天分割和标定状态正常重合度差优先检查光照有没有漂移、镜头是不是脏了、料层是不是堆得太厚。这个双曲线对照的校验收尾流程是从实验阶段走向现场运行的一道关键保险。5. 精度5-50mm的验证方法与实测心得5.1 用标准样块做的测量精度验证精度不能靠感觉得拿标准件说话。我做过一轮针对性验证准备直径约5、10、20、35、50mm的标准光滑石样用游标卡尺量出实际直径不等间距摆在取样台中央确保颗粒互不接触程序单颗识别并输出等效直径。某批次的实测数据如下。标称直径(mm)系统测量值(mm)绝对误差(mm)相对误差5.04.8-0.24.0%10.09.6-0.44.0%20.019.4-0.63.0%35.034.2-0.82.3%50.048.5-1.53.0%绝对误差随粒径增大而增大相对误差基本压在3%到4%这个表现对工业粒度监测够用。但要清楚这是颗粒分离摆放条件下的理想值真实料堆里颗粒粘连严重误差会放大不少。所以标准件验证只是下限现场抽检必须定期做。5.2 影响精度的三个隐藏因素真正让现场精度掉下来的往往不是算法本身而是三个环境因素。第一是光照漂移。中午的强光和傍晚的散射光差异巨大固定阈值在午后基本失效。后来加装遮光罩加恒定LED照明问题才缓解。如果环境光实在控不住阈值处理全部改成自适应方案。第二是视场和分辨率的矛盾。想统计到1000mm的大块视场就得开得很大视场一大每个毫米占的像素变少小颗粒精度直线下降。在现场我们用两段式解决在线宽视场抓中大块旁边设一个近拍工位专门测5到50mm粒级。一宽一近两头都照顾到。第三是颗粒堆叠程度。这是图像法最无解的一环料太厚、堆太挤分割算法再努力也拆不清楚。务必控制给料厚度、保持料层平整让大多数颗粒都露出单层投影面整个统计结果的可靠性会明显提升。5.3 现场运行后的调试心得这套系统在类似石灰石矿山、砂石骨料厂的场景里跑过几个月我最深的体会是图像法粒度分析不是算法能跑通就行它更多是一场环境工程。自适应阈值的Sensitivity参数要格外小心。设太高背景阴影被当成矿石统计出一堆假的小颗粒设太低浅灰色矿石被抠掉大颗粒漏检。我默认用0.55现场根据光线在0.45到0.65之间微调每次只动0.05观察曲线变化再继续。样本量也要盯紧少于500个颗粒时D80和D90波动特别大我要求每批次至少统计2000个颗粒几分钟拍完攒够样本量曲线稳定得明显。最后想说的是别指望图像法完全替代人工筛分。筛分是物理通过试验图像法算的是投影等效直径两者有相关性但不会一一对应。把这个系统当作高频、在线的趋势监控工具每周用人工筛分校准一次模型两条曲线互相印证才是能长期稳定运行的姿态。双模式校验这个流程是我交付项目时坚持保留的核心环节也是现场工程师用下来觉得最踏实的地方。

图像法矿石粒度分析：基于Matlab的粒径统计与系统实现

相关推荐

AnyPS5：PS5多主机存档备份与迁移工具实战解析

秒杀系统落地实践：高并发场景下的分层拦截与异步削峰

基于Spring Boot的服装制造企业综合管理系统设计与实现

更多资讯

用Claude Code与Docker Compose快速部署Mattermost私有聊天平台

虚拟声卡配置全指南：从通道映射到多平台推流实战

递归算法错题本：手写全排列吃透回溯与字典序

克莱姆法则到底能干嘛？一文读懂它的原理、用法与适用边界

Unity实时画面风格化实战：后处理原理、选型与性能优化

ArcGIS插件RAR包从安装到排错：识别形态、部署与打包全流程

今日更新

Susi AI API实战指南：susi_alexa_skill如何用Node.js调用chat.json获取智能回答

换新电脑了？KeyStats 恢复码数据找回完全指南，端到端加密统计一键重建

重建二叉树：由前序与中序遍历序列还原二叉树的原理与 Java 实现（YCBlogs 剑指 Offer 精讲）

本周精选

交通拥堵预测毕设：基于Python+LSTM的车辆流量预测系统全流程解析

MATLAB/Simulink搭建10机39节点电力系统暂态稳定仿真实战

无人机航拍三维重建全流程：从SfM到网格生成的避坑指南

本月热门

我发现了一个新思路：用 Remotion + Claude Code 像写代码一样自动化生成短视频

Windows下 Codex 中 Chrome 和 Computer Use 插件不可用问题排查及解决参考方式：TaoToken 统一 Key 配置与验证

2026 大模型集体涨价：用 Python 做企业 Token 成本测算与选型避坑（附配置）

读完文章，想聊聊您的网站？