CN112396590B - 一种半自磨入磨矿石块度检测方法、设备及介质 - Google Patents
一种半自磨入磨矿石块度检测方法、设备及介质 Download PDFInfo
- Publication number
- CN112396590B CN112396590B CN202011337271.8A CN202011337271A CN112396590B CN 112396590 B CN112396590 B CN 112396590B CN 202011337271 A CN202011337271 A CN 202011337271A CN 112396590 B CN112396590 B CN 112396590B
- Authority
- CN
- China
- Prior art keywords
- image
- ore
- range
- proportion
- ores
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20036—Morphological image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20064—Wavelet transform [DWT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Abstract
本发明公开了一种半自磨入磨矿石块度检测方法、设备及介质,方法为:采集矿石图像并对图像中的矿石进行含泥量检测;对得到的图像进行矿石边缘线增强预处理;基于矿石含泥量,使用可变结构元对图像进行形态学处理;对得到的图像进行两次分水岭分割,依次提取图像中不同块度范围的矿石子区域,计算每个矿石子区域对应块度范围的矿石占比;通过对若干已知各块度范围矿石占比的图像样本,按照上述步骤计算图像样本中各块度范围矿石的占比,建立数据矫正模型;对于块度待检测的矿石,计算各块度范围矿石的占比,并利用数据矫正模型进行矫正,实时得到各块度范围内矫正后的占比。本发明可提高矿石块度检测的准确度。
Description
技术领域
本发明属于矿石开采中的块度检测技术领域,具体涉及一种半自磨入磨矿石块度检测方法、设备及介质。
背景技术
随着国家的快速发展,多个行业对金属的需求不断提高,磨碎过程作为选矿过程的重要环节被广泛研究。半自磨是磨碎过程的重要工艺,在矿石本身的自磨作用下,向磨机中加入少量磨矿介质,能够对矿石同时破碎与磨细,代替了破碎与一段球磨,缩短了流程回路。半自磨具有处理能力强,生产成本低,占地面积小等特点。上世纪50年代,国外在选矿过程中开始使用半自磨技术,随着技术的不断进步,半自磨工艺被广泛应用。我国针对传统磨碎过程存在的能耗高,流程复杂的问题,引进了半自磨工艺,并对部分矿山开采进行改造,在江西、云南、四川等地的选厂均有半自磨工艺的应用。
在半自磨工艺的应用过程中,矿石块度大小的波动会造成磨机工作状态频繁改变,而半自磨工艺受工作状态变化波动较大,因此入磨矿石块度大小是影响半自磨工艺的重要因素,即矿石大小的波动直接影响了半自磨机的磨矿效率与能耗。为了降低矿石大小波动对半自磨机的磨矿效率与能耗的影响,故秉承采用“多碎少磨”的原则,需要检测半自磨入磨矿石块度大小,以指导生产。
现有技术中,一般通过人工筛分方法获得半自磨矿石块度大小,但这种方法存在实时性差,人力成本高等问题。
基于机器视觉及其图像处理技术能够对物体进行类别判断,提取物体特征,进行目标检测,其已在多个领域开展了运用。因此,针对矿石块度检测,本发明考虑采用自动化视觉系统,间接获得矿石块度。但是采用自动化视觉系统进行矿石块度检测的应用过程中,仍存在诸多问题:半自磨流程中入磨矿石块度分布范围大,矿石重叠具有随机性,且矿石因采掘方式不同其表面含沙量变化较大,因此使用图像处理检测半自磨入磨矿石块度具有较高的复杂性。
发明内容
针对半自磨流程中入磨矿石存在的含泥沙量波动较大、矿石之间重叠度高、矿石大小跨度大而导致采用自动化视觉系统进行块度检测的准确度低的技术问题,本发明提供一种半自磨入磨矿石块度检测方法、设备及介质,检测准确度高。
为实现上述技术目的,本发明采用如下技术方案:
一种半自磨入磨矿石块度检测方法,包括以下步骤:
步骤1,采集矿石在皮带运送过程中的图像,并对图像中的矿石进行含泥量检测;
步骤2,对步骤1得到的图像进行预处理,增强矿石的边缘线;
步骤3,基于图像中矿石的不同含泥量,使用对应的结构元对步骤2得到的图像进行形态学处理;
步骤4,对步骤3得到的图像进行分水岭变换,依次提取图像中不同块度范围的矿石子区域,计算每个矿石子区域对应块度范围的矿石在图像所有矿石中的占比;
步骤5,获取若干已知各块度范围矿石占比的图像样本,按照步骤1至步骤4计算图像样本中各块度范围矿石的占比,并根据已知的和计算得到的各块度范围矿石的占比求解数据矫正模型;
步骤6,对于块度待检测的矿石,按照步骤1至步骤4获得各块度范围矿石的占比,并利用步骤5得到的数据矫正模型进行占比数据矫正,得到各块度范围矿石矫正后的占比。
在更优的技术方案中,在步骤1采集到矿石图像后,先将图像基于伽马变换进行对比度增强处理,而后再使用对比度增强处理后的图像进行含泥量检测和步骤2的处理。
在更优的技术方案中,步骤1中对图像中的矿石进行含泥量检测的方法为:提取图像RGB各通道的像素均值和方差作为该图像的颜色特征,输入至含泥量分类器进行含泥量检测,得到图像中矿石的含泥量;其中所述含泥量分类器,是以多个样本图像的颜色特征为输入、相应的含泥量标签为输出训练支持向量机得到。
在更优的技术方案中,步骤2中对图像进行预处理包括:
令步骤1得到的图像为p1;
使用条形结构元对图像p1进行逐行卷积,得到图像p1中矿石与皮带的分界线,按分界线对图像p1进行裁剪,得到矿石区域图像pL;
将图像pL转换为灰度图像p2,对灰度图像p2分别在频率域进行低通滤波处理和多尺度小波变换处理,然后将得到的结果进行小波融合得到融合图像p4,即为预处理得到的图像;其中,融合图像p4的低频部分取小波变换和低通滤波的均值,高频部分取小波变换与低通滤波两者中的较大值。
在更优的技术方案中,采用巴特沃斯低通滤波器进行低通滤波处理。
在更优的技术方案中,步骤3中,对每种矿石含泥量的图像进行形态学处理的方法为:
设步骤2得到的图像为p4;
使用半径为d1的圆形结构元D1对图像p4进行形态学开重建,形态学开重建通过腐蚀操作得到图像p5,再对图像p5进行测地膨胀重建得到图像p6;
使用半径为d2的圆形结构元D2对图像p6进行形态学闭重建,形态学闭重建通过膨胀操作得到图像p7,再对图像p7进行测地腐蚀重建得到图像p8;
其中,对于不同矿石含泥量的图像在进行形态学处理时,圆形结构元D1的半径d1不同,且圆形结构元D2的半径d2也不同。
在更优的技术方案中,将矿石的块度跨度划分为三个块度范围,分别为大块度范围、中块度范围和小块度范围;步骤4的具体步骤为:
步骤4.1,设步骤3得到的图像为p8;
步骤4.2,使用分水岭分割算法对图像p8进行分割,得到图像p8中属于大块度范围的矿石子区域C1,并采用八邻域求出矿石子区域C1的边界并标记,再将标记后的图像使用巴特沃斯高通滤波器处理;
步骤4.3,再次使用分水岭分割算法,对步骤4.2滤波得到的图像进行分割,得到图像p8中属于小块度范围的矿石子区域C3,并采用八邻域求出矿石子区域C3的边界并标记;
步骤4.4,图像p8中除去矿石子区域C1和矿石子区域C3之外的区域即为中块度范围的矿石子区域C2;
步骤4.5,对图像p8中的三个子区域进行椭圆近似,采用经验公式计算对应块度范围的矿石在图像所有矿石中的体积占比。
在更优的技术方案中,步骤5中根据已知的和计算得到的各块度范围矿石的占比求解数据矫正模型的方法为:
设各图像样本中,已知的大块度范围的矿石占比为Y1,中块度范围的矿石占比为Y2,小块度范围的矿石占比为Y3;
设根据步骤1至步骤4计算图像样本中各块度范围矿石的占比分别为:大块度范围的矿石占比为A1,中块度范围的矿石占比为A2,小块度范围的矿石占比为A3;
则建立数据矫正模型表示为:
Y1=∑akA1 k+c,k=1...N
Y2=∑akA2 k+c,k=1...N
Y3=∑akA3 k+c,k=1...N
式中,k代表幂,N代表幂的总数,A1 k、A2 k、A3 k表示各块度范围矿石占比的幂,ak为数据矫正模型的系数参数,c为数据矫正模型的偏差参数;
根据已知的和计算得到的各块度范围矿石的占比求解数据矫正模型中的所有系数参数ak和偏差参数c,即可将数据矫正模型用于步骤6进行数据矫正。
一种设备,包括处理器和存储器;其中:所述存储器用于存储计算机指令;所述处理器用于执行所述存储器存储的计算机指令,具体执行上述任一技术方案所述的方法。
一种计算机存储介质,用于存储程序,所述程序被执行时,用于实现上述任一技术方案所述的方法。
有益效果
本发明能够对传统分割方法难以处理的复杂矿石环境,进行块度检测,减小了因分割困难造成的块度检测误差,提高检测准确度。
附图说明
图1为本发明实施例所述方法的流程图;
图2为本发明实施例得到的48组大块度范围矿石的计算值与已知的筛分值对比图。
具体实施方式
下面对本发明的实施例作详细说明,本实施例以本发明的技术方案为依据开展,给出了详细的实施方式和具体的操作过程,对本发明的技术方案作进一步解释说明。
本实施例提供一种半自磨入磨矿石块度检测方法,包括以下步骤:
步骤1,采集矿石在皮带运送过程中的图像,并对图像中的矿石进行含泥量检测;
将矿石在皮带运送过程中的图像表示为p0,图像p0中的点(x,y)在颜色通道z的像素值为p(x,y,z),其中z=1,2,3代表不同的颜色通道。
因矿石运送速度快,为保证采集到的图像清晰,一般在图像采集的时候采取较低的曝光值,导致得到的图像p0的亮度范围集中且较窄,整体亮度低。因此本实施例将采集到的图像p0基于伽马变换进行对比度增强处理,使得到的图像p1涵盖较宽的亮度范围。基于伽马变换进行对比度增强处理,可使用以下公式表示:
p1(x,y,z)=J(p0(x,y,z)+ε)γ;
式中,ε表示偏移量,J为系数。在具体实施例中,γ=0.7,J=1,ε=0。
在实际生产过程中,选矿厂的矿石由表面矿石爆破和矿井开采两种渠道获得,因此矿石性质波动较大,矿石粒度分布不稳定。不同时间段与外界环境下,矿石表面含泥沙量区别较大。为避免含泥量区别较大对图像分析与后续工序的影响,本实施例对图像中的含泥沙量进行识别。具体对图像中的矿石进行含泥量检测的方法为:
其中所述含泥量分类器,是以多个样本图像的颜色特征为输入、相应的含泥量标签为输出训练支持向量机得到;含泥量标签包括含泥量多和含泥量少两种,含泥量的多少由经验值确定。
步骤2,为增强矿石的边缘线,对图像p1进行预处理,包括以下步骤:
步骤2.1,由于矿石运送过程中,矿石所处皮带位置不固定,导致矿石分割出现误分割,因此需要确定矿石在运送皮带上所处的位置。由于皮带为黑色,与矿石亮度差异较大,因此可使用条形结构元L(m,n)对图像p1进行逐行卷积,得到图像p1中矿石与皮带的分界线,按分界线对图像p1进行裁剪,得到矿石区域图像pL;
步骤2.2,将图像pL转换为灰度图像p2;
步骤2.3,对灰度图像p2在傅里叶变换后的频率域采用巴特沃斯低通滤波器进行低通滤波处理;
首先将灰度图像p2进行二维傅里叶变换,转换为频率域,得到灰度图像p2(x,y)的频谱图:
然后将频谱图P2(u,v)与巴特沃斯低通滤波器H(u,v)相乘得到P3(u,v),再进行傅里叶逆变换得到p3(x,y),其中D(u,v)为点(u,v)到频率域平面原点的距离:
P3(u,v)=P2(u,v)H(u,v),
由于矿石表面的不规则性,存在大量不规则棱线,对矿石边缘的判断起到混淆的作用,因此本实施例为减少矿石表面不规则棱线,利用矿石表面不规则棱线在频率域中处于高频部分的特性,故在频率域采用巴特沃斯低通滤波器进行低通滤波处理,使图像p2中的高频分量衰减,将体积大的矿石表面棱线与不规则条纹进行平滑,提高矿石边缘的识别度。本实施例中巴特沃斯低通滤波器的参数取值为n=2,D0=40。
步骤2.4,对灰度图像p2进行多尺度小波变换处理:
因矿石具有较高的重叠性,矿石之间的纹理相近,因此仅仅在频率域和空域对图像进行观测与处理是不够的,需要对图像进行多分辨率展开,获得矿石在各个分辨率的特征。本实施例选取sym4小波ψ(x,y)和尺度函数进行多尺度小波变换,形成低频水平高频H、垂直高频V、对角高频D对应的四个小波。对大小为N1*N2的图像p2选取多尺度j进行分解,获得高频部分Wi ψ(j,m,n)和低频部分
ψi j,m,n(x,y)=2j/2ψ(2jx-m,2jy-n),i={H,D,V},
步骤2.5,使用小波融合将步骤2.3和步骤2.4得到的结果进行融合得到融合图像p4,即为预处理得到的图像,其中,融合图像p4的低频部分取小波变换和低通滤波的均值,高频部分取小波变换与低通滤波两者中的较大值。从而减小图像中矿石表面线条对边缘提取的干扰,保证得到的图像p4中的大体积矿石的表面得到平滑且边缘加深。
步骤3,基于图像中矿石的不同含泥量,使用对应的结构元对步骤2得到的图像进行形态学处理;其中,对每种矿石含泥量的图像进行形态学处理的方法为:
使用半径为d1的圆形结构元D1对图像p4进行形态学开重建,形态学开重建通过腐蚀操作得到图像p5,再对图像p5进行测地膨胀重建得到图像p6。腐蚀操作具体为:使用半径为d1的圆形结构元D1在图像p4的像素矩阵中滑动,取圆形结构元D1区域内的最小值,作为新图像p5中与图像p4对应像素点的像素值;测地膨胀重建具体为对p5进行膨胀操作,计算p5与p4中较小的值作为新图像p5中对应像素点的像素值,反复进行测地膨胀,直到p5不再变化,结束操作得到p6。图像p6去除了图像中由于矿石本身性质造成的亮点;
使用半径为d2的圆形结构元D2对图像p6进行形态学闭重建,形态学闭重建通过膨胀操作得到图像p7,再对图像p7进行测地腐蚀重建得到图像p8。膨胀操作具体为:使用半径为d2的圆形结构元D2在图像p6的像素矩阵中滑动,取圆形结构元D2区域内的最大值,作为新图像p7中与图像p6对应像素点的像素值;测地腐蚀重建具体为:为对p7进行腐蚀操作,计算p6与p7中较大的值作为新图像p7中对应像素点的像素值,反复进行测地腐蚀,直到p7不再变化结束得到p8,使得图像中暗点的亮度得到提升;图像p8即为形态学处理得到的图像;
由于矿石含泥量变化较大,因此图像特性变化较大,不同含泥量使用对应相同的结构元进行形态学处理,会引起图像中局部像素处理不当,因此,对于不同矿石含泥量的图像在进行形态学处理时,圆形结构元D1的半径d1不同,且圆形结构元D2的半径d2也不同,即基于步骤1识别到的含泥量,选择合适的结构元半径进行形态学处理。
步骤4,对步骤3得到的图像进行分水岭变换,依次提取图像中不同块度范围的矿石子区域,计算每个矿石子区域对应块度范围的矿石在图像所有矿石中的占比;
将矿石的块度跨度划分为三个块度范围,分别为粒径大于80mm的大块度范围、粒径位于80mm至40mm范围内的中块度范围和粒径小于40mm的小块度范围;步骤4的具体步骤为:
步骤4.1,设步骤3得到的图像为p8;
步骤4.2,使用分水岭分割算法对图像p8进行分割,得到图像p8中属于大块度范围的矿石子区域C1,并采用八邻域求出矿石子区域C1的边界并标记,再将标记后的图像使用巴特沃斯高通滤波器处理,使图像中低频分量衰减;
步骤4.3,再次使用分水岭分割算法,对步骤4.2滤波得到的图像进行分割,得到图像p8中属于小块度范围的矿石子区域C3,并采用八邻域求出矿石子区域C3的边界并标记;
步骤4.4,图像p8中除去矿石子区域C1和矿石子区域C3之外的区域即为中块度范围的矿石子区域C2;
以上采用两分水岭分割算法进行不同块度范围的子区域分割,可以减小分水岭算法因矿石体积差别大、矿石堆叠,矿石相似性造成的边缘模糊,减少因难以识别而带来的过分割现象,提高矿石分割精度;
步骤4.5,对图像p8中的三个子区域进行椭圆近似,采用经验公式计算各块度范围的矿石在图像所有矿石中的占比。
步骤5,获取若干已知各块度范围矿石占比的图像样本,按照步骤1至步骤4计算图像样本中各块度范围矿石的占比,并根据已知的和计算得到的各块度范围矿石的占比求解数据矫正模型:
设各图像样本中,已知的大块度范围的矿石占比为Y1,中块度范围的矿石占比为Y2,小块度范围的矿石占比为Y3;该已知的占比,具体可采用人工对图像样本对应的矿石进行筛分及体积换算得到;
设根据步骤1至步骤4计算图像样本中各块度范围矿石的占比分别为:大块度范围的矿石占比为A1,中块度范围的矿石占比为A2,小块度范围的矿石占比为A3;
则建立数据矫正模型表示为以下曲线关系:
Y1=∑akA1 k+c,k=1...N
Y2=∑akA2 k+c,k=1...N
Y3=∑akA3 k+c,k=1...N
式中,k代表幂,N代表幂的总数,A1 k、A2 k、A3 k表示各块度范围矿石占比的幂,ak为数据矫正模型的系数参数,c为数据矫正模型的偏差参数;
根据已知的和计算得到的各块度范围矿石的占比求解数据矫正模型中的所有系数参数ak和偏差参数c,即可将数据矫正模型用于步骤6进行数据矫正。
步骤6,对于块度待检测的矿石,按照步骤1至步骤4获得各块度范围矿石的占比,并利用步骤5得到的数据矫正模型进行占比数据矫正,即可实时得到各块度范围矿石矫正后的占比。
本实施例中,在工业生产现场进行间断采样,20分钟进行一次采样,以保证矿石数据的多样性,获得共计48组矿石数据,对图像进行处理与块度计算,得到图2所示的大块度范围占比值的对比图。通过对比分析可得:大矿石粒度平均绝对误差为10.01%,平均相对误差为25.48%,中等矿石粒度平均绝对误差为5.79%,平均相对误差为28.05%,小矿石粒度平均绝对误差为7.57%,平均相对误差为26.88%。在半自磨流程中,大矿石是影响生产过程的关键因素,常采用累积率对一段时间内矿石占比进行评估,工业生产现场大块矿石实际值累积率占比为41.67%,计算值为39.35%。相对误差为5.57%,准确度为94.43%。
本发明还提供一种设备实施例,包括处理器和存储器;其中:所述存储器用于存储计算机指令;所述处理器用于执行所述存储器存储的计算机指令,具体执行上述实施例所述的方法。
本以明还提供一种计算机存储介质,用于存储程序,所述程序被执行时,用于实现上述实施例所述的方法。
以上实施例为本申请的优选实施例,本领域的普通技术人员还可以在此基础上进行各种变换或改进,在不脱离本申请总的构思的前提下,这些变换或改进都应当属于本申请要求保护的范围之内。
Claims (9)
1.一种半自磨入磨矿石块度检测方法,其特征在于,包括以下步骤:
步骤1,采集矿石在皮带运送过程中的图像,并对图像中的矿石进行含泥量检测;
步骤2,对步骤1得到的图像进行预处理,增强矿石的边缘线;
步骤3,基于图像中矿石的不同含泥量,使用对应的结构元对步骤2得到的图像进行形态学处理;
步骤4,对步骤3得到的图像进行分水岭变换,依次提取图像中不同块度范围的矿石子区域,计算每个矿石子区域对应块度范围的矿石在图像所有矿石中的占比;
步骤5,获取若干已知各块度范围矿石占比的图像样本,按照步骤1至步骤4计算图像样本中各块度范围矿石的占比,并根据已知的和计算得到的各块度范围矿石的占比求解数据矫正模型;
步骤6,对于块度待检测的矿石,按照步骤1至步骤4获得各块度范围矿石的占比,并利用步骤5得到的数据矫正模型进行占比数据矫正,得到各块度范围矿石矫正后的占比;
步骤5中根据已知的和计算得到的各块度范围矿石的占比求解数据矫正模型的方法为:
设各图像样本中,已知的大块度范围的矿石占比为Y1,中块度范围的矿石占比为Y2,小块度范围的矿石占比为Y3;
设根据步骤1至步骤4计算图像样本中各块度范围矿石的占比分别为:大块度范围的矿石占比为A1,中块度范围的矿石占比为A2,小块度范围的矿石占比为A3;
则建立数据矫正模型表示为:
Y1=∑akA1 k+c,k=1...N
Y2=∑akA2 k+c,k=1...N
Y3=∑akA3 k+c,k=1...N
式中,k代表幂,N代表幂的总数,A1 k、A2 k、A3 k表示各块度范围矿石占比的幂,ak为数据矫正模型的系数参数,c为数据矫正模型的偏差参数;
根据已知的和计算得到的各块度范围矿石的占比求解数据矫正模型中的所有系数参数ak和偏差参数c,即可将数据矫正模型用于步骤6进行数据矫正。
2.根据权利要求1所述的方法,其特征在于,在步骤1采集到矿石图像后,先将图像基于伽马变换进行对比度增强处理,而后再使用对比度增强处理后的图像进行含泥量检测和步骤2的处理。
3.根据权利要求1所述的方法,其特征在于,步骤1中对图像中的矿石进行含泥量检测的方法为:提取图像RGB各通道的像素均值和方差作为该图像的颜色特征,输入至含泥量分类器进行含泥量检测,得到图像中矿石的含泥量;其中所述含泥量分类器,是以多个样本图像的颜色特征为输入、相应的含泥量标签为输出训练支持向量机得到。
4.根据权利要求1所述的方法,其特征在于,步骤2中对图像进行预处理包括:
令步骤1得到的图像为p1;
使用条形结构元对图像p1进行逐行卷积,得到图像p1中矿石与皮带的分界线,按分界线对图像p1进行裁剪,得到矿石区域图像pL;
将图像pL转换为灰度图像p2,对灰度图像p2分别在频率域进行低通滤波处理和多尺度小波变换处理,然后将得到的结果进行小波融合得到融合图像p4,即为预处理得到的图像;其中,融合图像p4的低频部分取小波变换和低通滤波的均值,高频部分取小波变换与低通滤波两者中的较大值。
5.根据权利要求4所述的方法,其特征在于,采用巴特沃斯低通滤波器进行低通滤波处理。
6.根据权利要求1所述的方法,其特征在于,步骤3中,对每种矿石含泥量的图像进行形态学处理的方法为:
设步骤2得到的图像为p4;
使用半径为d1的圆形结构元D1对图像p4进行形态学开重建,形态学开重建通过腐蚀操作得到图像p5,再对图像p5进行测地膨胀重建得到图像p6;
使用半径为d2的圆形结构元D2对图像p6进行形态学闭重建,形态学闭重建通过膨胀操作得到图像p7,再对图像p7进行测地腐蚀重建得到图像p8;
其中,对于不同矿石含泥量的图像在进行形态学处理时,圆形结构元D1的半径d1不同,且圆形结构元D2的半径d2也不同。
7.根据权利要求1所述的方法,其特征在于,将矿石的块度跨度划分为三个块度范围,分别为大块度范围、中块度范围和小块度范围;步骤4的具体步骤为:
步骤4.1,设步骤3得到的图像为p8;
步骤4.2,使用分水岭分割算法对图像p8进行分割,得到图像p8中属于大块度范围的矿石子区域C1,并采用八邻域求出矿石子区域C1的边界并标记,再将标记后的图像使用巴特沃斯高通滤波器处理;
步骤4.3,再次使用分水岭分割算法,对步骤4.2滤波得到的图像进行分割,得到图像p8中属于小块度范围的矿石子区域C3,并采用八邻域求出矿石子区域C3的边界并标记;
步骤4.4,图像p8中除去矿石子区域C1和矿石子区域C3之外的区域即为中块度范围的矿石子区域C2;
步骤4.5,对图像p8中的三个子区域进行椭圆近似,采用经验公式计算对应块度范围的矿石在图像所有矿石中的体积占比。
8.一种设备,其特征在于,包括处理器和存储器;其中:所述存储器用于存储计算机指令;所述处理器用于执行所述存储器存储的计算机指令,具体执行如权利要求1-7任一所述的方法。
9.一种计算机存储介质,其特征在于,用于存储程序,所述程序被执行时,用于实现如权利要求1-7任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011337271.8A CN112396590B (zh) | 2020-11-25 | 2020-11-25 | 一种半自磨入磨矿石块度检测方法、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011337271.8A CN112396590B (zh) | 2020-11-25 | 2020-11-25 | 一种半自磨入磨矿石块度检测方法、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112396590A CN112396590A (zh) | 2021-02-23 |
CN112396590B true CN112396590B (zh) | 2022-07-15 |
Family
ID=74607251
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011337271.8A Active CN112396590B (zh) | 2020-11-25 | 2020-11-25 | 一种半自磨入磨矿石块度检测方法、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112396590B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101929925A (zh) * | 2009-06-24 | 2010-12-29 | 鞍钢集团矿业公司 | 用比重法测量矿石品位的方法 |
CN104258967A (zh) * | 2014-09-05 | 2015-01-07 | 刘执军 | 一种石料级配方法 |
CN104851092A (zh) * | 2015-05-08 | 2015-08-19 | 宁志刚 | 一种基于图像分析的堆浸铀矿石粒度参数辨识方法 |
EP3121697A1 (en) * | 2004-07-30 | 2017-01-25 | Apple Inc. | Mode-based graphical user interfaces for touch sensitive input devices |
CN108648190A (zh) * | 2018-05-15 | 2018-10-12 | 中铁工程装备集团有限公司 | 一种基于分水岭的渣片彩色图像分析装置及方法 |
CN110516730A (zh) * | 2019-08-20 | 2019-11-29 | 中铁工程装备集团有限公司 | 基于pso-svm算法和图像识别的围岩质量在线分级方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11029300B2 (en) * | 2018-06-14 | 2021-06-08 | International Business Machines Corporation | Detecting contamination sources in liquid distribution systems |
-
2020
- 2020-11-25 CN CN202011337271.8A patent/CN112396590B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3121697A1 (en) * | 2004-07-30 | 2017-01-25 | Apple Inc. | Mode-based graphical user interfaces for touch sensitive input devices |
CN101929925A (zh) * | 2009-06-24 | 2010-12-29 | 鞍钢集团矿业公司 | 用比重法测量矿石品位的方法 |
CN104258967A (zh) * | 2014-09-05 | 2015-01-07 | 刘执军 | 一种石料级配方法 |
CN104851092A (zh) * | 2015-05-08 | 2015-08-19 | 宁志刚 | 一种基于图像分析的堆浸铀矿石粒度参数辨识方法 |
CN108648190A (zh) * | 2018-05-15 | 2018-10-12 | 中铁工程装备集团有限公司 | 一种基于分水岭的渣片彩色图像分析装置及方法 |
CN110516730A (zh) * | 2019-08-20 | 2019-11-29 | 中铁工程装备集团有限公司 | 基于pso-svm算法和图像识别的围岩质量在线分级方法 |
Non-Patent Citations (3)
Title |
---|
Ore Granularity Detection and Analysis System Based on Image Processing;Liancheng MA 等;《2019 Chinese Control And Decision Conference (CCDC)》;20190912;全文 * |
形态学图像处理下的矿石粒度的检测;张建立 等;《机械设计与制造》;20200331(第3期);全文 * |
无底柱分段崩落法出矿工作面矿岩块度实时监测;程卓;《中国优秀硕士学位论文全文数据库 (工程科技Ⅰ辑)》;20190131(第1期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112396590A (zh) | 2021-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111047555B (zh) | 基于图像处理技术的矿石图像粒度检测算法 | |
CN112712512A (zh) | 一种基于人工智能的热轧带钢结疤缺陷检测方法及系统 | |
CN108711149B (zh) | 基于图像处理的矿岩粒度检测方法 | |
CN103175844A (zh) | 一种金属零部件表面划痕缺陷检测方法 | |
CN110827235B (zh) | 钢板表面缺陷检测方法 | |
Selvakumar et al. | The performance analysis of edge detection algorithms for image processing | |
Williams et al. | Particle shape characterisation and its application to discrete element modelling | |
CN104063866A (zh) | 一种矿石传送过程中的粒度检测方法 | |
CN109540917B (zh) | 一种多角度模式下纱线外观特征参数提取与分析方法 | |
CN116823824B (zh) | 基于机器视觉的井下带式输送机降尘检测系统 | |
Huang et al. | Edge detection of ore and rock on the surface of explosion pile based on improved Canny operator | |
CN110889837A (zh) | 一种具有瑕疵分级功能的布匹瑕疵检测方法 | |
CN106780437B (zh) | 一种快速qfn芯片塑封图像获取与放大方法 | |
CN110687122A (zh) | 一种陶瓦表面裂纹检测方法及系统 | |
CN116452506A (zh) | 一种基于机器学习的井下煤矸石智能视觉识别分选方法 | |
CN112396590B (zh) | 一种半自磨入磨矿石块度检测方法、设备及介质 | |
Kasi et al. | Identification of leather defects using an autoadaptive edge detection image processing algorithm | |
Wang et al. | Adaptive binarization: A new approach to license plate characters segmentation | |
Huang et al. | A real-time algorithm for aluminum surface defect extraction on non-uniform image from CCD camera | |
CN108846839B (zh) | 一种基于扇形邻域差异直方图的匣钵裂纹检测方法 | |
Tong et al. | Document image binarization based on NFCM | |
CN114887924A (zh) | 一种基于太赫兹成像的煤矸石识别分选装置及方法 | |
CN113516627A (zh) | 一种酒瓶中异物检测装置及方法 | |
Huang et al. | Feature extraction for license plate location based on L 0-norm smoothing | |
CN115249301B (zh) | 一种用于提取工件表面研磨褶皱的方法 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20211008 Address after: Yuelu District City, Hunan province 410083 Changsha Lushan Road No. 932 Applicant after: CENTRAL SOUTH University Applicant after: CHANGSHA RESEARCH INSTITUTE OF MINING AND METALLURGY Co.,Ltd. Address before: Yuelu District City, Hunan province 410083 Changsha Lushan Road No. 932 Applicant before: CENTRAL SOUTH University |
|
GR01 | Patent grant | ||
GR01 | Patent grant |