近年来,选煤厂作为煤炭行业的重要环节,在不断的加快智能化建设的步伐,向高端化、智能化和绿色化的方向发展。煤泥浮选作为煤炭分选的重要工艺环节,长时间以来存在生产成本高、生产效率低的问题,其工艺过程向自动化、智能化的发展势在必行。在浮选生产过程中,浮选尾煤灰分作为重要的生产指标,对实现浮选过程闭环优化控制具有重要的意义。但长时间以来,缺乏有效的灰分在线检测技术,这已经成为了限制浮选工艺智能化发展的重要原因。基于此,本文在浮选工业现场进行了浮选尾煤图像采集实验,重点研究了生产过程中的浮选尾煤颜色和其灰分之间的关系,并设计构建了基于浮选尾煤图像的灰分在线检测系统。本文首先针对生产中的浮选尾煤图像难采集的问题进行了分析,在柳湾选煤厂浮选车间的尾矿槽上,设计搭建了浮选尾煤图像实时采集装置。装置采用旁路式结构,通过泥浆泵抽取浮选尾煤样品进行拍摄,主要的设备包括工业相机、镜头和光源。为了优化图像采集装置的相关参数,进行了对比试验,结果表明,当光照强度为70%、光圈大小为F=5.6、曝光时间为8000时,拍出的图像效果最好。为了研究浮选尾煤颜色和其灰分之间的关系,进行了浮选尾煤图像采集实验,通过浮选尾煤图像采集装置,在不同工况条件下,采集了灰分范围为30%—80%的浮选尾煤图像共59组,并在实验室通过烧灰得到了59组图像对应的实际灰分。在对59组浮选尾煤图像进行预处理后,对59组图像的灰度特征、RGB颜色特征和HSI颜色特征进行了提取和分析,结果表明:图像的灰度均值和R、G、B均值与灰分的相关性最强,相关系数分别为0.940、0.921、0.952和0.927,都随灰分的升高呈线性上升的趋势。为了研究基于浮选尾煤图像特征的软测量技术,采用BP神经网络和支持向量回归的机器学习算法进行了灰分预测模型的建立与仿真分析,结果表明:选择灰度+RGB+HSI特征作为输入变量,采用GSA-SVR算法建立的灰分预测模型效果最好,模型拟合系数为0.986,均方误差为1.828,对15组测试图像的预测平均绝对误差为2.179。为了进一步验证基于浮选尾煤图像的灰分在线检测技术的可行性,对浮选尾煤灰分实时检测系统进行了硬件设计和软件设计,并在工业现场进行了试运行。结果表明,系统运行稳定,实时性好,具有使用简单、安全高效的优点,灰分检测的精度较高达到96.54%,能满足工业现场对灰分检测的基本要求。本文的研究对实现浮选尾煤灰分在线检测提供了新思路,为实现浮选过程智能化发展提供了新依据。