CN111812671A - 基于激光成像的人工智能矿石识别装置和方法 - Google Patents

基于激光成像的人工智能矿石识别装置和方法 Download PDF

Info

Publication number
CN111812671A
CN111812671A CN202010590102.9A CN202010590102A CN111812671A CN 111812671 A CN111812671 A CN 111812671A CN 202010590102 A CN202010590102 A CN 202010590102A CN 111812671 A CN111812671 A CN 111812671A
Authority
CN
China
Prior art keywords
ore
identified
information
laser
module
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.)
Pending
Application number
CN202010590102.9A
Other languages
English (en)
Inventor
李建春
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Jiali Chengyi Technology Co ltd
Original Assignee
Beijing Jiali Chengyi Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Jiali Chengyi Technology Co ltd filed Critical Beijing Jiali Chengyi Technology Co ltd
Priority to CN202010590102.9A priority Critical patent/CN111812671A/zh
Publication of CN111812671A publication Critical patent/CN111812671A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
    • G01B11/25—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures by projecting a pattern, e.g. one or more lines, moiré fringes on the object
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/85—Investigating moving fluids or granular solids
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N2021/845—Objects on a conveyor
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/85—Investigating moving fluids or granular solids
    • G01N2021/8592—Grain or other flowing solid samples

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本发明公开了基于激光成像的人工智能矿石识别装置和方法，涉及光电检测、光电成像和光电测量技术领域，能够对矿石进行精确识别，实时性和适用性较高。其中装置包括激光照射模块、信号传输模块、成像模块、信息识别模块。激光照射模块用于发射激光束照射传送带上的待识别矿石，并获取待识别矿石的返回信号处理得到矿石的数据信息。待识别矿石的数据信息经信号传输模块传输至成像模块。成像模块根据待识别矿石的数据信息对待识别矿石进行三维成像，得到待识别矿石的纹理信息和外形信息，送入信息识别模块。信息识别模块，对待识别矿石的纹理信息和外形信息进行归一化处理，并使用卷积神经网络对归一化处理后的信息进行识别，输出矿石识别结果。

Description

基于激光成像的人工智能矿石识别装置和方法
技术领域
本发明涉及光电检测、光电成像和光电测量技术领域，具体涉及基于激光成像的人工智能矿石识别装置和方法。
背景技术
基于现状煤矿、选煤厂、矿山都有煤块/矿石和煤矸石/杂石料的分选需求。以煤炭洗选加工为例，每洗选1亿吨炼焦煤排放矸石量2000多万吨。这么大的矸石筛选，目前大都还是以人工拣选为主，效率低下，管理难度和劳动强度大，同时也会造成职业病的高发。
目前矿石领域的成像识别方法主有高清相机成像法、红外相机成像法和X射线成像法。其中高清相机成像法通过相机拍摄传送带上的矿石，然后对矿石信息进行一系列信息处理后提取矿石的灰度和纹理和外形等特征，最后运用分类算法或卷积神经网络对其分类。
由于工作环境恶劣、射线危害和识别准确性、实时性差等原因而使得这些方法在矿石识别方面应用效果不佳。
因此目前亟需一种具有高实时性和高适用性的矿石识别技术。
发明内容
有鉴于此，本发明提供了基于激光成像的人工智能矿石识别装置和方法，能够对矿石进行精确识别，实时性和适用性较高。
为达到上述目的，本发明的技术方案为：基于激光成像的人工智能矿石识别装置，包括激光照射模块、信号传输模块、成像模块、信息识别模块。
激光照射模块用于发射激光束照射传送带上的待识别矿石，并获取待识别矿石的返回信号处理得到矿石的数据信息。
待识别矿石的数据信息经信号传输模块传输至成像模块。
成像模块根据待识别矿石的数据信息对待识别矿石进行三维成像，得到待识别矿石的纹理信息和外形信息，送入信息识别模块。
信息识别模块，对待识别矿石的纹理信息和外形信息进行归一化处理，并使用卷积神经网络对归一化处理后的信息进行识别，输出矿石识别结果。
进一步地，激光照射模块包括激光雷达以及光电开关对。
光电开关对包含两个光电开关，两个光电开关相对设置于传送带两侧边并形成直线对射。
待识别矿石经过光电开关对的直线对射处时，光电开关对的直线对射中断，光电开关对向激光雷达发送触发信号。
激光雷达接收到触发信号之后，开始发射激光照射传送带上的待识别矿石。
激光雷达接收待识别矿石反射的激光返回信号，进行数据转换，得到待识别矿石的点云数据作为待识别矿石的数据信息。
进一步地，激光照射模块包括激光发射器以及摄像机；激光发射器设置于传送带的正上方；激光发射器发射激光束照射传送带上的待识别矿石；
摄像机设置于传送带的斜上方，拍摄照射在待识别矿石上的激光束进行拍摄，并将拍摄的视频数据作为待识别矿石的数据信息。
进一步地，成像模块根据待识别矿石的数据信息对待识别矿石进行三维成像，具体为：待识别矿石的数据信息中具有激光束在矿石上照射过程的视频数据，通过视频数据中每个时刻激光束在矿石上的变化情况，通过合成还原得到待识别矿石的三维成像结果。
本发明另外一个实施例提供了基于激光成像的人工智能矿石识别方法，其特征在于，包括如下步骤：
S1、采用激光束照射待识别矿石，并获取待识别矿石的返回信号处理得到矿石的数据信息。
S2、根据矿石的数据信息对待识别矿石进行三维成像，得到待识别矿石的纹理信息和外形信息。
S3、对待识别矿石的纹理信息和外形信息进行归一化处理，并使用卷积神经网络对归一化处理后的信息进行识别，输出待识别矿石的识别结果。
进一步地，采用激光束照射待识别矿石，并获取待识别矿石的返回信号处理得到待识别矿石的数据信息，具体为：采用激光雷达发射激光束照射待识别矿石；激光雷达接收待识别矿石返回的回波信号，将回波信号进行数据转换，得到待识别矿石的点云数据作为待识别矿石的数据信息。
进一步地，采用激光束照射矿石，并获取待识别矿石的返回信号处理得到待识别矿石的数据信息，具体为：将射光束照射在待识别矿石上，采集激光束在待识别矿石上照射过程的视频数据，作为待识别矿石的数据信息。
进一步地，根据待识别矿石的数据信息对待识别矿石进行三维成像，具体为：通过视频数据中每个时刻激光束在待识别矿石上的变化情况，通过合成还原得到待识别矿石的三维成像结果。
进一步地，使用卷积神经网络对归一化处理后的信息进行识别，输出待识别矿石的识别结果，具体为：
构建卷积神经网络模型。
对已知类别的矿石，采用如步骤S1和S2的方法获得已知类别矿石的纹理信息和外形信息并归一化处理，利用已知类别矿石的归一化处理结果，对卷积神经网络模型进行训练，将待识别矿石的归一化处理信息输入至训练好的卷积神经网络模型，输出识别结果。
有益效果：
本发明实施例提供的基于激光成像的人工智能矿石识别装置及方法，利用激光对矿石进行识别，识别精度能达到毫米级别，能识别矿石的表面纹理和外形和整体体积，矿石表面不会因为受到灰尘遮盖而导致纹理和外形特征缺失。工作过程中不依赖环境光，抗振动能力强，具有防爆特性。利用卷积神经网络模型，对矿石纹理和外形信息的识别更加精准。且操作过程简单，适用性好，能对传送带上的矿石进行实时识别。因此本发明在实现对矿石的精确识别的同事，具备较高的实时性和实用性。
附图说明
图1为本发明一个实施例提供的基于激光成像的人工智能矿石识别装置示意图；
图2为本发明另一实施例提供的基于激光成像的人工智能矿石识别装置示意图图；
图3为本发明实施例提供的基于激光成像的人工智能矿石识别方法流程图
具体实施方式
下面结合附图并举实施例，对本发明进行详细描述。
本发明提供了基于激光成像的人工智能矿石识别装置，该装置包括激光照射模块、信号传输模块、成像模块、信息识别模块。
激光照射模块用于发射激光束照射传送带上的待识别矿石，并获取待识别矿石的返回信号处理得到矿石的数据信息。
待识别矿石的数据信息经信号传输模块传输至成像模块。
成像模块根据待识别矿石的数据信息对待识别矿石进行三维成像，得到待识别矿石的纹理信息和外形信息，送入信息识别模块。
信息识别模块，对待识别矿石的纹理信息和外形信息进行归一化处理，并使用卷积神经网络对归一化处理后的信息进行识别，输出矿石识别结果。
本发明提供的矿石识别装置，包括如下两个实施例：
实施例1
如图1所示，图中1为激光雷达，6为信号传输模块，2为数据传输线，3为待识别矿石，4为光电开关对，5为传送带，7为信息识别模块。其中待识别矿石3数量为至少一块，如图1所示包括两块待识别矿石3。
在本实施例中，激光照射模块包括激光雷达1以及光电开关对4。
激光雷达1可以是三维激光雷达、固体激光雷达、机械激光雷达等。若为二维激光雷达，类似线阵相机，通过传送带运动后记录第三维的信息，从而构成三维信息。三维激光雷达类似于相机，直接记录的信息就是三维。但最终两者形成的数据都是三维点云信息，在这里没有实质性的差别。除此之外激光雷达还分为固体式和机械式，固体式不能自己旋转，机械式能够自身旋转采集周围信息，但对本发明来说没有实质区别，因此激光雷达都在保护范围之内。
光电开关对包含两个光电开关，两个光电开关相对设置于传送带5两侧边并形成直线对射。
待识别矿石经过光电开关对4的直线对射处时，光电开关对的直线对射中断，光电开关对向激光雷达发送触发信号。
激光雷达接收到触发信号之后，开始发射激光照射传送带上的待识别矿石。
激光雷达接收待识别矿石反射的激光返回信号，进行数据转换，得到待识别矿石的点云数据作为待识别矿石的数据信息。
实施例2
本发明的另外一个实施例如图3所示，其中激光照射模块包括激光发射器Laserdevice 1以及摄像机Camera 1；
激光发射器Laser device 1设置于传送带的正上方；激光发射器发射激光束照射传送带上的待识别矿石；
摄像机Camera 1设置于传送带的斜上方，相对于垂直线的倾斜角度为锐角拍摄照射在待识别矿石上的激光束进行拍摄，并将拍摄的视频数据作为待识别矿石的数据信息。
成像模块根据待识别矿石的数据信息对待识别矿石进行三维成像，具体为：待识别矿石的数据信息中具有激光束在矿石上照射过程的视频数据，通过视频数据中每个时刻激光束在矿石上的变化情况，通过合成还原得到待识别矿石的三维成像结果。
本实施例采用三角激光法，摄像机CCD、物镜的光轴以及待识别矿石表面所反射的激光光轴三者位于同一个平面内。作为测量的指示光源，激光发射器Laser device 1将激光光斑照射在被测表面上，该激光光斑将随其照射点位置的坐标变化而沿着激光发射器Laser device 1的轴向作同样距离的位移。此时通过对激光光斑中心在摄像机上所成实像的位置进行测量，就可通过计算利用几何光学求出光斑此刻的深度坐标，进而得到在被测表面此点的深度度量。通过激光扫描后测量矿石体积，如图3所示，传送带正上方放置激光发射器Laserdevice 1，斜上方放置摄像机Camera 1用于拍摄激光器打到矿石上的激光束，当矿石经过时激光束发生变化，摄像机Camera 1记录每时激光束的变化情况，后期通过合成还原出矿石的三维形状从而计算体积。
本实施例原理与上一实施例类似，都是通过激光点云的变化来得到物体的三维形状或表面纹理信息。
本发明还提供了一个实施例，提供一种基于激光成像的人工智能矿石识别方法，包括如下步骤：
S1、采用激光束照射待识别矿石，并获取待识别矿石的返回信号处理得到矿石的数据信息；
S2、根据矿石的数据信息对待识别矿石进行三维成像，得到待识别矿石的纹理信息和外形信息；
S3、对待识别矿石的纹理信息和外形信息进行归一化处理，并使用卷积神经网络对归一化处理后的信息进行识别，输出待识别矿石的识别结果。
与上述矿石识别装置相对应地，该矿石识别方法也包括如下两个实施例
实施例A：
采用如实施例1提供的装置，本实施例采用的矿石识别方法包括如图2所示的步骤：
Step1、传送带匀速运行，待识别矿石在传送带上分布排队。
Step2、待识别矿石触发光电开关，激光雷达开始采集；
Step3、待识别矿石经过光电开关对后，激光雷达停止采集并传输数据；
Step4、待识别对矿石数据进行三维成像，得到待识别矿石的纹理和形状信息；
Step5、对待识别矿石纹理和形状信息进行归一化处理后，采用已训练好的卷积神经网络模型进行识别，得到待识别矿石的识别结果。
其中卷积神经网络模型采用如下方法进行训练：
针对已知类别的矿石，采用如Step1～Step4的流程处理，得到已知类别矿石的纹理信息和外形信息并归一化处理，利用已知类别矿石的归一化处理结果作为卷积神经网络模型的输入，已知类别作为卷积神经网络模型的输出，对卷积神经网络模型进行训练。
实施例B
采用如实施例1提供的装置，本实施例采用的矿石识别方法包括如图2所示的步骤：
S1、将激光束照射在待识别矿石上，采集激光束在待识别矿石上照射过程的视频数据，作为待识别矿石的数据信息。
S2、根据矿石的数据信息对待识别矿石进行三维成像，得到待识别矿石的纹理信息和外形信息。具体地，通过视频数据中每个时刻激光束在待识别矿石上的变化情况，通过合成还原得到待识别矿石的三维成像结果。
S3、对待识别矿石的纹理信息和外形信息进行归一化处理，并使用卷积神经网络对归一化处理后的信息进行识别，输出待识别矿石的识别结果。
具体为：
构建卷积神经网络模型；
对已知类别的矿石，采用如步骤S1和S2的方法获得已知类别矿石的纹理信息和外形信息并归一化处理，利用已知类别矿石的归一化处理结果作为卷积神经网络模型的输入，已知类别作为卷积神经网络模型的输出，对卷积神经网络模型进行训练，将待识别矿石的归一化处理信息输入至训练好的卷积神经网络模型，输出识别结果。
综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.基于激光成像的人工智能矿石识别装置，其特征在于，包括激光照射模块、信号传输模块、成像模块、信息识别模块；
所述激光照射模块用于发射激光束照射传送带上的待识别矿石，并获取所述待识别矿石的返回信号处理得到矿石的数据信息；
所述待识别矿石的数据信息经所述信号传输模块传输至所述成像模块；
所述成像模块根据所述待识别矿石的数据信息对所述待识别矿石进行三维成像，得到待识别矿石的纹理信息和外形信息，送入所述信息识别模块；
所述信息识别模块，对所述待识别矿石的纹理信息和外形信息进行归一化处理，并使用卷积神经网络对归一化处理后的信息进行识别，输出矿石识别结果。
2.如权利要求1所述的装置，其特征在于，所述激光照射模块包括激光雷达以及光电开关对；
所述光电开关对包含两个光电开关，两个光电开关相对设置于所述传送带两侧边并形成直线对射；
所述待识别矿石经过所述光电开关对的直线对射处时，所述光电开关对的直线对射中断，光电开关对向所述激光雷达发送触发信号；
所述激光雷达接收到触发信号之后，开始发射激光照射所述传送带上的待识别矿石；
所述激光雷达接收所述待识别矿石反射的激光返回信号，进行数据转换，得到待识别矿石的点云数据作为所述待识别矿石的数据信息。
3.如权利要求1所述的装置，其特征在于，所述激光照射模块包括激光发射器以及摄像机；
所述激光发射器设置于所述传送带的正上方；所述激光发射器发射激光束照射传送带上的待识别矿石；
所述摄像机设置于所述传送带的斜上方，拍摄照射在待识别矿石上的激光束进行拍摄，并将拍摄的视频数据作为所述待识别矿石的数据信息。
4.如权利要求3所述的装置，其特征在于，所述成像模块根据所述待识别矿石的数据信息对所述待识别矿石进行三维成像，具体为：
所述待识别矿石的数据信息中具有激光束在矿石上照射过程的视频数据，通过视频数据中每个时刻激光束在矿石上的变化情况，通过合成还原得到待识别矿石的三维成像结果。
5.基于激光成像的人工智能矿石识别方法，其特征在于，包括如下步骤：
S1、采用激光束照射待识别矿石，并获取所述待识别矿石的返回信号处理得到矿石的数据信息；
S2、根据所述矿石的数据信息对所述待识别矿石进行三维成像，得到待识别矿石的纹理信息和外形信息；
S3、对所述待识别矿石的纹理信息和外形信息进行归一化处理，并使用卷积神经网络对归一化处理后的信息进行识别，输出待识别矿石的识别结果。
6.如权利要求5所述的方法，其特征在于，所述采用激光束照射待识别矿石，并获取所述待识别矿石的返回信号处理得到待识别矿石的数据信息，具体为：
采用激光雷达发射激光束照射所述待识别矿石；
所述激光雷达接收所述待识别矿石返回的回波信号，将所述回波信号进行数据转换，得到待识别矿石的点云数据作为所述待识别矿石的数据信息。
7.如权利要求5所述的方法，其特征在于，所述采用激光束照射矿石，并获取所述待识别矿石的返回信号处理得到待识别矿石的数据信息，具体为：
将射光束照射在待识别矿石上，采集激光束在待识别矿石上照射过程的视频数据，作为待识别矿石的数据信息。
8.如权利要求7所述的方法，其特征在于，所述根据所述待识别矿石的数据信息对所述待识别矿石进行三维成像，具体为：
通过视频数据中每个时刻激光束在待识别矿石上的变化情况，通过合成还原得到待识别矿石的三维成像结果。
9.如权利要求5～8所述的方法，其特征在于，使用卷积神经网络对归一化处理后的信息进行识别，输出待识别矿石的识别结果，具体为：
构建卷积神经网络模型；
对已知类别的矿石，采用如步骤S1和S2的方法获得已知类别矿石的纹理信息和外形信息并归一化处理，利用已知类别矿石的归一化处理结果，对所述卷积神经网络模型进行训练，将待识别矿石的归一化处理信息输入至训练好的卷积神经网络模型，输出识别结果。
CN202010590102.9A 2020-06-24 2020-06-24 基于激光成像的人工智能矿石识别装置和方法 Pending CN111812671A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010590102.9A CN111812671A (zh) 2020-06-24 2020-06-24 基于激光成像的人工智能矿石识别装置和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010590102.9A CN111812671A (zh) 2020-06-24 2020-06-24 基于激光成像的人工智能矿石识别装置和方法

Publications (1)

Publication Number Publication Date
CN111812671A true CN111812671A (zh) 2020-10-23

Family

ID=72854995

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010590102.9A Pending CN111812671A (zh) 2020-06-24 2020-06-24 基于激光成像的人工智能矿石识别装置和方法

Country Status (1)

Country Link
CN (1) CN111812671A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112418247A (zh) * 2020-11-16 2021-02-26 北京理工大学 一种基于散射率成像的矿石识别系统及方法
CN112541886A (zh) * 2020-11-27 2021-03-23 北京佳力诚义科技有限公司 一种激光雷达和相机融合人工智能矿石识别方法和装置
CN112733877A (zh) * 2020-11-27 2021-04-30 北京理工大学 一种多激光雷达立体成像人工智能矿石识别方法及装置
CN112764051A (zh) * 2020-11-27 2021-05-07 北京佳力诚义科技有限公司 一种激光雷达结合振动信号的智能矿石识别方法和装置

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4600105A (en) * 1983-03-23 1986-07-15 Sphere Investments Limited Method and apparatus for sorting objects of ore by monitoring reflected radiation
RU2215585C2 (ru) * 2001-10-29 2003-11-10 Интегра Груп, Ллс Способ порционной сортировки и сепарации минерализованной горной массы, преимущественно золотокварцевых руд
US20050189503A1 (en) * 2004-02-26 2005-09-01 Jamieson James R. System and method of identifying an object in a laser beam illuminated scene based on material types
CN108564108A (zh) * 2018-03-21 2018-09-21 天津市协力自动化工程有限公司 煤炭的识别方法及装置
CN109444845A (zh) * 2018-09-28 2019-03-08 中国矿业大学 基于固态激光雷达成像对煤岩界面进行识别的装置及方法
CN110288545A (zh) * 2019-06-27 2019-09-27 深圳易朴科技有限公司 一种辊压机辊面在线三维成像装置与方法
CN209577461U (zh) * 2018-12-10 2019-11-05 河南梦云智能科技有限公司 一种智能型矿石自动化分拣系统
US20200074661A1 (en) * 2018-08-30 2020-03-05 Samsung Electronics Co., Ltd. Method for training convolutional neural network to reconstruct an image and system for depth map generation from an image
CN110864996A (zh) * 2019-11-29 2020-03-06 北京龙田华远科技有限公司 一种含矸率测量方法及装置
WO2020049517A1 (en) * 2018-09-07 2020-03-12 Stone Three Digital (Pty) Ltd Monitoring ore
CN110899147A (zh) * 2019-11-28 2020-03-24 武汉工程大学 一种基于激光扫描的传输带石头在线分拣方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4600105A (en) * 1983-03-23 1986-07-15 Sphere Investments Limited Method and apparatus for sorting objects of ore by monitoring reflected radiation
RU2215585C2 (ru) * 2001-10-29 2003-11-10 Интегра Груп, Ллс Способ порционной сортировки и сепарации минерализованной горной массы, преимущественно золотокварцевых руд
US20050189503A1 (en) * 2004-02-26 2005-09-01 Jamieson James R. System and method of identifying an object in a laser beam illuminated scene based on material types
CN108564108A (zh) * 2018-03-21 2018-09-21 天津市协力自动化工程有限公司 煤炭的识别方法及装置
US20200074661A1 (en) * 2018-08-30 2020-03-05 Samsung Electronics Co., Ltd. Method for training convolutional neural network to reconstruct an image and system for depth map generation from an image
WO2020049517A1 (en) * 2018-09-07 2020-03-12 Stone Three Digital (Pty) Ltd Monitoring ore
CN109444845A (zh) * 2018-09-28 2019-03-08 中国矿业大学 基于固态激光雷达成像对煤岩界面进行识别的装置及方法
WO2020062470A1 (zh) * 2018-09-28 2020-04-02 中国矿业大学 基于固态激光雷达成像对煤岩界面进行识别的装置及方法
CN209577461U (zh) * 2018-12-10 2019-11-05 河南梦云智能科技有限公司 一种智能型矿石自动化分拣系统
CN110288545A (zh) * 2019-06-27 2019-09-27 深圳易朴科技有限公司 一种辊压机辊面在线三维成像装置与方法
CN110899147A (zh) * 2019-11-28 2020-03-24 武汉工程大学 一种基于激光扫描的传输带石头在线分拣方法
CN110864996A (zh) * 2019-11-29 2020-03-06 北京龙田华远科技有限公司 一种含矸率测量方法及装置

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
H・F・布罗伊切尔, 王晓东: "用激光激发荧光法鉴定矿石和废石及控制矿石质量", 国外金属矿选矿, no. 03 *
代伟;赵杰;杨春雨;马小平;: "基于双目视觉深度感知的带式输送机煤量检测方法", 煤炭学报, no. 2 *
李明超;刘承照;张野;朱月琴;: "耦合颜色和纹理特征的矿物图像数据深度学习模型与智能识别方法", 大地构造与成矿学, no. 02 *
李菊芳;顾晓春;梁美玉;朱伟伟;: "DSP TMS320C6701在煤与矸石图像识别中的应用", 煤矿机械, no. 07 *
王莉;于国防;沈慧宇;田波;: "基于CNN卷积神经网络的煤矸石自动分选研究", 江苏建筑职业技术学院学报, no. 04, pages 03 - 09 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112418247A (zh) * 2020-11-16 2021-02-26 北京理工大学 一种基于散射率成像的矿石识别系统及方法
CN112541886A (zh) * 2020-11-27 2021-03-23 北京佳力诚义科技有限公司 一种激光雷达和相机融合人工智能矿石识别方法和装置
CN112733877A (zh) * 2020-11-27 2021-04-30 北京理工大学 一种多激光雷达立体成像人工智能矿石识别方法及装置
CN112764051A (zh) * 2020-11-27 2021-05-07 北京佳力诚义科技有限公司 一种激光雷达结合振动信号的智能矿石识别方法和装置

Similar Documents

Publication Publication Date Title
CN111812671A (zh) 基于激光成像的人工智能矿石识别装置和方法
CN108780154A (zh) 3d点云的处理方法
CN1657971A (zh) 雷达装置
JPWO2018012346A1 (ja) Ｌｉｂｓ型物体選別装置
KR102343445B1 (ko) 3d 라이다 기반의 대상 물체 인식 방법, 장치 및 그를 이용한 이동체
CN112541886A (zh) 一种激光雷达和相机融合人工智能矿石识别方法和装置
CN102749625A (zh) 距离选通激光成像猫眼效应目标探测方法
CN112698301A (zh) 基于距离强度关联的激光雷达目标识别方法、装置及设备
CN111359913A (zh) 一种通过激光雷达分选矿石的方法
CN110686600B (zh) 一种基于飞行时间测量的测量方法及系统
WO2020249359A1 (en) Method and apparatus for three-dimensional imaging
Man et al. Multi-echo lidar for 3D object detection
US8805075B2 (en) Method and apparatus for identifying a vibrometry spectrum in imaging applications
US5345081A (en) Pit detector and method
CN116258718B (zh) 基于3d相机的焊接质量检测方法、系统、设备及介质
Zewei et al. Vehicle recognition and classification method based on laser scanning point cloud data
JP2013036971A (ja) ラマン散乱信号取得装置、ラマン散乱識別装置、ラマン散乱信号取得方法およびラマン散乱識別方法
Alhasanat et al. RetinaNet-based Approach for Object Detection and Distance Estimation in an Image
CN102506815A (zh) 基于图像识别的多目标跟踪与被动距离测量装置
CN117337404A (zh) 像素映射固态lidar发射机系统和方法
JP7055919B2 (ja) 移動する物体の検出
CN112733877B (zh) 一种多激光雷达立体成像人工智能矿石识别方法及装置
CN107449373B (zh) 基于立体视觉的高速结构光扫描方法与系统
CN111476769A (zh) 物件识别方法、装置及煤矸石分选设备
Zhang et al. Smartrainnet: Uncertainty estimation for laser measurement in rain

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