国内的煤炭洗选加工行业目前处于较低的智能化水平,生产操作主要依赖于快灰快浮实验提供原始数据,这种实验测量煤质信息反馈周期长,结果不具有时效性。不能对煤炭的煤质进行实时监测,严重限制了煤炭分选加工智能化的发展。课题组前期基于机器视觉对太西无烟煤煤质组成分析进行了一定的研究。在前期研究的基础之上,本文以宁东动力煤为实验煤样,进一步改进了用于动力煤煤质分析的图像分析算法。论文通过多项图像技术对图像进行预处理,包括直方图均衡化增强图像的对比度,对比了中值滤波与均值滤波的滤波效果,证明中值滤波对图像去噪效果较好。使用改进之后的分水岭算法对图像中的煤粒区域进行分割提取。论文改进了煤的粒度组成分析方法,提高了计算速度。提取煤粒的5个形状参数,对比各个参数对煤粒粒径的表征正确率,选出最佳粒级表征参数。观察煤粒的形状特征,煤粒的形状是不规则的球形形状。根据球形与正方体的体积V-面积S对应公式,煤粒面积S通过图像中煤粒区域的像素个数计算。选取40组V-S数据,通过多项式拟合确定煤粒的V-S模型。经过实验证明该模型适用于煤粒的体积预测,且有效地提高了算法运行速度。优化了密度组成分析方法,提高了细粒级密度估计的准确率。根据图像的颜色和纹理特征,选取了42个特征参数,对特征数据进行归一化处理,使用蚁群算法来对特征参数进行筛选,剔除其中线性相关的参数,降低特征维数。最后使用BP神经网络对煤粒的密度级进行预测,对比课题组前期的研究,该方法有效地提高了小粒级煤粒(3-6mm)密度的预测准确率,预测效果较好。