CN109214415A - 一种矿石破碎研磨效果评判方法 - Google Patents
一种矿石破碎研磨效果评判方法 Download PDFInfo
- Publication number
- CN109214415A CN109214415A CN201810794926.0A CN201810794926A CN109214415A CN 109214415 A CN109214415 A CN 109214415A CN 201810794926 A CN201810794926 A CN 201810794926A CN 109214415 A CN109214415 A CN 109214415A
- Authority
- CN
- China
- Prior art keywords
- ore
- image
- formula
- gray level
- effect evaluation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Disintegrating Or Milling (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种矿石破碎研磨效果评判方法,包括以下步骤:步骤1,采集由破碎机或研磨机生产的多个矿石图像,将所述多个矿石图像作为训练图像集,获取训练图像集中每个矿石图像的偏移角度在0°,45°,90°,135°的四个特征向量的均值;步骤2,构建六个SVM分类器,对六个SVM分类器进行训练,得到矿石破碎研磨合格判别模型本发明采用相机获取矿石粒度的纹理信息进行特征提取,然后建立SVM分类器将不同粒度的图像进行分类识别,得到分类器输出值和残差值,利用残差值建立残差判别模型实现破碎研磨流程中矿石粒度合格与否的判别。本发明对实现破碎研磨流程的实时控制与反馈调解,提高效率,降低企业成本有着重要的意义。
Description
技术领域
本发明属于图像分类技术领域,具体涉及一种矿石破碎研磨效果评判方法。
背景技术
在矿业工程中破碎与研磨是一项必要的工序,而在破碎研磨工艺中进行破碎研磨效果评价并调整破碎研磨工艺参数才能使其满足工艺要求,当前破碎研磨工艺参数调整中都通过确定矿石粒度分布建立粒度大小与破碎研磨参数之间的相关关系来实现的。
传统的确定粒度分布的方法有沉降筛分电泳等,而随着图像技术的发展,出现了许多基于图像处理的粒度检测方法,这些方法可以精确地测量到粒度大小甚至粒度分布。但这些方法都有一定的局限性:传统的方法虽然可以精确的测定矿石的粒度分布但是由于这种接触式的测定方法缺乏实时性难以建立反馈控制,因此无法满足粒度分布和破碎研磨参数之间的关联控制要求;而运用图像处理的方法测定矿石粒度,在建立粒度大小和破碎研磨参数之间的函数关系上目前还无法粒度精度要求,所以目前在工业生产上还难以运用粒度测定的方法实现反馈控制。
发明内容
针对现有技术中存在的不足,本发明的目的在于,提供一种矿石破碎研磨效果评判方法,解决现有技术无法满足粒度分布于破碎研磨参数之间关联控制要求的技术问题。
为了解决上述技术问题,本申请采用如下技术方案予以实现:
一种矿石破碎研磨效果评判方法,包括以下步骤:
步骤1,采集由破碎机或研磨机生产的多个矿石图像,将所述多个矿石图像作为训练图像集,获取训练图像集中每个矿石图像的偏移角度在0°,45°,90°,135°的四个特征向量的均值;
包括:
步骤11,从训练图像集中任选一个矿石图像作为当前矿石图像;
步骤12,对当前矿石图像进行灰度化处理,得到当前灰度矿石图像,通过式(1)将当前灰度矿石图像生成灰度共生矩阵;
p(i,j|d,θ)=#{[(x,y),(x+dx,y+dy)]∈(M,N)×(M,N)|d,θ,i,j} (1)
式(1)中,(x,y)为灰度图像的中心点坐标,(x+dx,y+dy)为(x,y)的偏移点坐标,[(x,y),(x+dx,y+dy)]为灰度图像中的统计点对,#为集合中元素的个数;θ为点对的偏移角度,θ取值为0°,45°,90°,135°;d为点对偏移距离;i,j分别为点对的灰度像素值;
步骤13,通过灰度共生矩阵计算能量ASM、熵值ENT、对比度CON和自相关性COR四个特征向量;并计算偏移角度θ在0°,45°,90°,135°的四个特征向量的均值;
步骤14,重复步骤12至步骤13,直至训练图像集中所有的矿石图像均被作为当前矿石图像为止;
步骤2,将训练图像集中每个矿石图像的四个特征向量的均值分别输入预先构建的六个SVM分类器中,对六个SVM分类器进行训练组成SVMs,通过矿石破碎研磨合格判别模型判断输入的待判别矿石图像图像的类;
所述矿石破碎研磨合格判别模型为:y为输入的待判别矿石图像经过SVMs分类器后的数字类信息,y∈{1,2,3,4},ε为平均残差项。
进一步地,所述六个SVM分类器包括(1,2)、(1,3)、(1,4)、(2,3)、(2,4)、(3,4);
其中,设置由破碎机或研磨机生产的多个矿石图像的分类标签;其中,合格矿石粒度的大小范围包括和将标号为1,标号为2;不合格矿石粒度的大小范围包括和将标号为3,标号为4;λ0为合格粒度大小,α为调整参数;
进一步地,通过式(1)得到平均残差项ε:
式(1)中,yi为第i个SVM分类器的输出值;y为输入的待判别矿石图像,n为输出在1.5到2之间的训练数据个数,m为输出在0到1.5之间的训练数据个数。
进一步地,通过式(2)计算能量ASM:
通过式(3)计算熵值ENT:
通过式(4)计算对比度CON:
通过式(5)计算自相关性COR:
式(5)中,
本发明与现有技术相比,有益的技术效果是:
本发明采用相机获取矿石粒度的纹理信息进行特征提取,然后建立SVMs分类器将不同粒度的图像进行分类识别,得到分类器输出值和残差值,利用残差值建立残差判别模型实现破碎研磨流程中矿石粒度合格与否的判别。本发明对实现破碎研磨流程的实时控制与反馈调解,提高效率,降低企业成本有着重要的意义。
附图说明
图1为本发明采用灰度共生矩阵和SVMs进行矿石破碎研磨效果评判的流程图;
图2为偏移点对与中心点对的空间关系示意图;
图3为皮带传输现场矿石粒度图像拍摄示意图;
图4为SVMs参数c和g寻优3D示意图。
以下结合附图和实施例对本发明的具体内容作进一步详细解释说明。
具体实施方式
以下给出本发明的具体实施例,需要说明的是本发明并不局限于以下具体实施例,凡在本申请技术方案基础上做的等同变换均落入本发明的保护范围。
实施例1:
本实施例提供了一种矿石破碎研磨效果评判方法,包括以下步骤:
步骤1,采集由破碎机或研磨机生产的多个矿石图像,将所述多个矿石图像作为训练图像集,获取训练图像集中每个矿石图像的偏移角度在0°,45°,90°,135°的四个特征向量的均值;
包括:
步骤11,从训练图像集中任选一个矿石图像作为当前矿石图像;
步骤12,对当前矿石图像进行灰度化处理,得到当前灰度矿石图像,通过式(1)将当前灰度矿石图像生成灰度共生矩阵;
p(i,j|d,θ)=#{[(x,y),(x+dx,y+dy)]∈(M,N)×(M,N)|d,θ,i,j} (1)
式(1)中,(x,y)为灰度矩阵的中心点,(x+dx,y+dy)为(x,y)的偏移点,[(x,y),(x+dx,y+dy)]为灰度图像中的统计点对用来统计灰度图像中不同灰度像素点,#为集合中元素的个数;θ为点对(两点之间)的偏移角度,θ取值为0°,45°,90°,135°;d为点对偏移距离;dx,与dy由d和θ决定,i,j分别为点对的灰度像素值;如图2所示,表示了偏移点对与中心点对的空间关系。
步骤13,通过灰度共生矩阵计算能量ASM、熵值ENT、对比度CON和自相关性COR四个特征向量;并计算偏移角度θ在0°,45°,90°,135°的四个特征向量的均值;
步骤14,重复步骤12至步骤13,直至训练图像集中所有的矿石图像均被作为当前矿石图像为止;
步骤2,设置由破碎机或研磨机生产的多个矿石图像的分类标签;合格矿石粒度的大小范围包括和将标号为1,标号为2;不合格矿石粒度的大小范围包括和将标号为3,标号为4;λ0为合格粒度大小,α为调整参数;
构建六个SVM分类器,所述六个SVM分类器包括(1,2)、(1,3)、(1,4)、(2,3)、(2,4)、(3,4);
将训练图像集中每个矿石图像的四个特征向量的均值分别输入六个SVM分类器中,对六个SVM分类器进行训练组成SVMs,通过投票得分法判断输入图像的类。由此得到矿石破碎研磨合格判别模型y为输入的待判别矿石图像经过SVMs分类器后的数字类信息,其中y∈{1,2,3,4},ε为平均残差项。
本实施例在获取待判别矿石图像时,在矿石传送带上做好光源准备,并等间距的放置三台相机,三台相机之间的间隔为5秒传送带的传送距离。当破碎流程开始后,三台相机同时开始拍照,取同一时间均匀程度最好、聚焦清晰、曝光程度良好的图像作为该时点的图像,等破碎结束后停止拍张。
其中,本实施例通过式(1)得到平均残差项ε:
式(1)中,ya为第a个SVM分类器的输出值;y为输入的待判别矿石图像,n为输出在1.5到2之间的训练数据个数,m为输出在0到1.5之间的训练数据个数。
通过式(2)计算能量ASM:
通过式(3)计算熵值ENT:
通过式(4)计算对比度CON:
通过式(5)计算自相关性COR:
式(5)中,
Claims (4)
1.一种矿石破碎研磨效果评判方法,其特征在于,包括以下步骤:
步骤1,采集多个矿石图像,将所述多个矿石图像作为训练图像集,获取训练图像集中每个矿石图像中点对的偏移角度在0°,45°,90°,135°的四个特征向量的均值;
包括:
步骤11,从训练图像集中任选一个矿石图像作为当前矿石图像;
步骤12,对当前矿石图像进行灰度化处理,得到当前灰度矿石图像,通过式(1)将当前灰度矿石图像生成灰度共生矩阵;
p(i,j|d,θ)=#{[(x,y),(x+dx,y+dy)]∈(M,N)×(M,N)|d,θ,i,j} (1)
式(1)中,(x,y)为灰度图像的中心点坐标,(x+dx,y+dy)为(x,y)的偏移点坐标,[(x,y),(x+dx,y+dy)]为灰度图像中的中心点与偏移点组成的点对,#为集合中元素的个数;θ为点对[(x,y),(x+dx,y+dy)]的偏移角度,θ取值为0°,45°,90°或135°;d为点对偏移距离;i,j分别为点对的灰度像素值;
步骤13,通过灰度共生矩阵计算能量ASM、熵值ENT、对比度CON和自相关性COR四个特征向量;并计算偏移角度θ在0°,45°,90°或135°的四个特征向量的均值;
步骤14,重复步骤12至步骤13,直至训练图像集中所有的矿石图像均被作为当前矿石图像为止;
步骤2,将训练图像集中每个矿石图像的四个特征向量的均值分别输入预先构建的六个SVM分类器中,对六个SVM分类器进行训练组成SVMs,通过矿石破碎研磨合格判别模型判断输入的待判别矿石图像图像的类;
所述矿石破碎研磨合格判别模型为:y为输入的待判别矿石图像经过SVMs分类器后的数字类信息,y∈{1,2,3,4},ε为平均残差项。
2.根据权利要求1所述的矿石破碎研磨效果评判方法,其特征在于,所述六个SVM分类器包括(1,2)、(1,3)、(1,4)、(2,3)、(2,4)、(3,4);
其中,设置由破碎机或研磨机生产的多个矿石图像的分类标签;其中,合格矿石粒度的大小范围包括和将标号为1,标号为2;不合格矿石粒度的大小范围包括和将标号为3,标号为4;λ0为预设的合格粒度大小,α为调整参数。
3.根据权利要求1所述的矿石破碎研磨效果评判方法,其特征在于,通过式(1)得到平均残差项ε:
式(1)中,ya为第a个SVM分类器的输出值;y为输入的待判别矿石图像,n为输出在1.5到2之间的训练数据个数,m为输出在0到1.5之间的训练数据个数。
4.根据权利要求1所述的矿石破碎研磨效果评判方法,其特征在于,通过式(2)计算能量ASM:
通过式(3)计算熵值ENT:
通过式(4)计算对比度CON:
通过式(5)计算自相关性COR:
式(5)中,
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810794926.0A CN109214415B (zh) | 2018-07-19 | 2018-07-19 | 一种矿石破碎研磨效果评判方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810794926.0A CN109214415B (zh) | 2018-07-19 | 2018-07-19 | 一种矿石破碎研磨效果评判方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109214415A true CN109214415A (zh) | 2019-01-15 |
CN109214415B CN109214415B (zh) | 2021-11-02 |
Family
ID=64990080
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810794926.0A Active CN109214415B (zh) | 2018-07-19 | 2018-07-19 | 一种矿石破碎研磨效果评判方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109214415B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112580659A (zh) * | 2020-11-10 | 2021-03-30 | 湘潭大学 | 一种基于机器视觉的矿石识别方法 |
CN113240663A (zh) * | 2021-05-31 | 2021-08-10 | 西安建筑科技大学 | 一种基于边缘响应融合算法的传送带矿石粒度检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100024601A1 (en) * | 2006-12-18 | 2010-02-04 | Alexander Beckmann | Method for obtaining copper and precious metals from copper-iron sulphide ores or ore concentrates |
CN102509087A (zh) * | 2011-11-24 | 2012-06-20 | 中国矿业大学(北京) | 一种基于图像灰度共生矩阵的煤岩识别方法 |
CN103377247A (zh) * | 2012-04-28 | 2013-10-30 | 沈阳铝镁设计研究院有限公司 | 磨矿控制案例的智能提取方法 |
CN104850854A (zh) * | 2015-05-08 | 2015-08-19 | 广西师范大学 | 一种滑石矿品分选处理方法及滑石矿品分选系统 |
JP2017083348A (ja) * | 2015-10-29 | 2017-05-18 | 住友金属鉱山株式会社 | 鉱石選別方法及びその装置 |
CN108121949A (zh) * | 2017-12-04 | 2018-06-05 | 交通运输部规划研究院 | 一种基于遥感场景分类的港口矿石堆场识别方法 |
-
2018
- 2018-07-19 CN CN201810794926.0A patent/CN109214415B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100024601A1 (en) * | 2006-12-18 | 2010-02-04 | Alexander Beckmann | Method for obtaining copper and precious metals from copper-iron sulphide ores or ore concentrates |
CN102509087A (zh) * | 2011-11-24 | 2012-06-20 | 中国矿业大学(北京) | 一种基于图像灰度共生矩阵的煤岩识别方法 |
CN103377247A (zh) * | 2012-04-28 | 2013-10-30 | 沈阳铝镁设计研究院有限公司 | 磨矿控制案例的智能提取方法 |
CN104850854A (zh) * | 2015-05-08 | 2015-08-19 | 广西师范大学 | 一种滑石矿品分选处理方法及滑石矿品分选系统 |
JP2017083348A (ja) * | 2015-10-29 | 2017-05-18 | 住友金属鉱山株式会社 | 鉱石選別方法及びその装置 |
CN108121949A (zh) * | 2017-12-04 | 2018-06-05 | 交通运输部规划研究院 | 一种基于遥感场景分类的港口矿石堆场识别方法 |
Non-Patent Citations (4)
Title |
---|
MELISSA KISTNER 等: "Monitoring of mineral processing systems by using textural image analysis", 《MINERALS ENGINEERING》 * |
WEIFANG XIE 等: "Ore Classification Based on Color and Texture Feature Fusion", 《2017 INTERNATIONAL SYMPOSIUM ON INTELLIGENT SIGNAL PROCESSING AND COMMUNICATION SYSTEMS》 * |
张亚萍: "基于图像特征的铁矿石品位估测方法研究", 《中国优秀硕士学位论文全文数据库工程科技I辑》 * |
董珂: "基于机器视觉的矿石粒度检测技术研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112580659A (zh) * | 2020-11-10 | 2021-03-30 | 湘潭大学 | 一种基于机器视觉的矿石识别方法 |
CN113240663A (zh) * | 2021-05-31 | 2021-08-10 | 西安建筑科技大学 | 一种基于边缘响应融合算法的传送带矿石粒度检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109214415B (zh) | 2021-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108171184B (zh) | 基于Siamese网络的用于行人重识别的方法 | |
CN105551064B (zh) | 一种基于图像特征估计堆料体积变化率的方法 | |
CN101729911B (zh) | 一种基于视觉感知的多视点图像颜色校正方法 | |
CN107392929B (zh) | 一种基于人眼视觉模型的智能化目标检测及尺寸测量方法 | |
CN104574389A (zh) | 基于彩色机器视觉的电池片色差分选控制方法 | |
CN104850854A (zh) | 一种滑石矿品分选处理方法及滑石矿品分选系统 | |
CN107314957B (zh) | 一种岩石块度尺寸分布的测量方法 | |
CN109214415A (zh) | 一种矿石破碎研磨效果评判方法 | |
CN113012098B (zh) | 一种基于bp神经网络的铁塔角钢冲孔缺陷检测方法 | |
CN107491767B (zh) | 端到端的无约束人脸关键点检测方法 | |
CN107730555A (zh) | 一种基于机器视觉的输煤皮带煤块粒度在线识别监控方法 | |
CN109598200B (zh) | 一种铁水罐罐号的图像智能识别系统及方法 | |
CN107490583A (zh) | 一种基于机器视觉的夹片缺陷检测方法 | |
Zhang | Particle overlapping error correction for coal size distribution estimation by image analysis | |
CN104866826B (zh) | 一种基于knn和像素比梯度特征的静态手语识别方法 | |
CN103245666B (zh) | 一种蓄电池极板外观缺陷自动检测方法 | |
CN104168462B (zh) | 基于图像角点集特征的摄像头场景变换检测方法 | |
CN103544692A (zh) | 基于统计学判断的双重压缩jpeg图象篡改盲检测方法 | |
Isa et al. | Automated Intelligent real-time system for aggregate classification | |
Sun et al. | Assessment of importance-based machine learning feature selection methods for aggregate size distribution measurement in a 3D binocular vision system | |
CN113936291A (zh) | 一种基于机器视觉的铝模板质检、回收方法 | |
CN113344912B (zh) | 矿石颗粒分割系统、方法和机器可读存储介质 | |
CN101968347A (zh) | 一种扁平粒状物表面平整度的提取方法 | |
CN106504251B (zh) | 一种基于图片处理的电子铝箔立方织构含量检测方法 | |
CN114887924A (zh) | 一种基于太赫兹成像的煤矸石识别分选装置及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |