选煤厂闸板众多,在选煤生产流程中,一些调节给料量、排料量和水量的闸板,由于开度检测等原因,其开关状态与开度控制并未完全纳入集中控制系统。这类闸板调节开度时,需要岗位人员现场根据经验手动操作调整,存在工作效率低,耗时较长等不足。本文通过机器视觉算法实现闸板的开度检测,并设计了闸板群控制系统,实现了闸板群的状态监测和控制。首先,本文将经典图像处理算法应用于闸板的定位和开度检测中。在闸板定位部分,使用了模板匹配法,实验结果表明模板匹配不够鲁棒,只在亮度合适时,定位效果较好。在开度检测部分应用了阈值法和帧差法。实验结果表明阈值法的开度检测精度较低且受环境光影响严重。帧差法只能分割运动目标,无法检测静止时闸板的开度。接着,将在计算机视觉任务中取得巨大成功的深度学习用于闸板定位和开度检测中。在闸板定位方面,制作了闸板目标检测数据集,将经典的YOLOv3用于其中,并在不同类型、数量的闸板,不同亮度的图像,以及存在运动物体等情况下做了测试。同时,将其与传统算法模板匹配闸板定位进行了比较。实验结果表明YOLOv3有很好的鲁棒性,可以准确定位各类闸板。在开度检测方面,同样制作了配煤的闸板语义分割数据集,将FCN、PSPNet、Deeplabv3、CGNet、ICNet、LEDNet六种语义分割算法用于其中,对比了六种模型语义分割的结果。在此基础上,使用LEDNet语义分割在不同亮度、有人干扰的配煤闸板上做了泛化测试实验。同时,比较了帧差法与LEDNet语义分割的开度检测结果。实验结果表明:在有足够样本的支持下,深度学习语义分割适用于闸板开度检测,其中LEDNet语义分割算法对配煤闸板开度检测有很好的鲁棒性和实时性。然后,本文提出了基于辅助激光线的闸板开度检测方法。激光线抗干扰能力强,可以增加图像特征的鲁棒性,是一种低成本的机器视觉工程化方法。本文将激光线发射器安装到闸板的上方,激光线投影到闸板上,通过图像处理算法检测闸板上的激光线来间接计算闸板开度。针对水泵闸板和配煤闸板不同特点,采用不同的激光线检测方法,水泵闸板采用阈值法检测激光线,配煤闸板采用HSV颜色检测激光线。实验结果表明使用激光线法可以准确检测水泵闸板的开度,检测配煤闸板时存在激光线模糊等情况时则无法准确地检测开度。最后,对选煤流程中闸板群控制系统进行研究。基于机器视觉检测闸板开度,对闸板群控制系统进行了总体设计,并完成了上位机开度监测软件的设计。该论文有图83幅,表8个,参考文献75篇。