CN112419382B - 一种基于激光雷达空洞率的待测矿石识别装置及方法 - Google Patents

一种基于激光雷达空洞率的待测矿石识别装置及方法 Download PDF

Info

Publication number
CN112419382B
CN112419382B CN202011278988.XA CN202011278988A CN112419382B CN 112419382 B CN112419382 B CN 112419382B CN 202011278988 A CN202011278988 A CN 202011278988A CN 112419382 B CN112419382 B CN 112419382B
Authority
CN
China
Prior art keywords
ore
detected
module
laser radar
point cloud
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
Application number
CN202011278988.XA
Other languages
English (en)
Other versions
CN112419382A (zh
Inventor
邢冀川
王遥志
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 Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
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 Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN202011278988.XA priority Critical patent/CN112419382B/zh
Publication of CN112419382A publication Critical patent/CN112419382A/zh
Application granted granted Critical
Publication of CN112419382B publication Critical patent/CN112419382B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • 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
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10044—Radar 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30132—Masonry; Concrete

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Optical Radar Systems And Details Thereof (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本公开的基于激光雷达空洞率的待测矿石识别装置及方法，通过湿水喷雾模块向待测矿石表面均匀喷洒水雾；激光雷达模块获取待测矿石的含有空洞的激光点云数据，经数据传输模块传输到数据处理模块；数据处理模块对待测矿石的含有空洞的激光点云数据进行预处理后，重建含有待测矿石空洞率的激光雷达图像，基于含有待测矿石空洞率的激光雷达图像构建待测矿石识别卷积神经网络模型；信息识别模块提取含有待测矿石空洞率的激光雷达图像的空洞率特征和纹理特征，将空洞率特征和纹理特征输入到待测矿石识别卷积神经网络模型得到待测矿石识别结果。能够基于待测矿石空洞率的差异性、提取识别准确度，适用性强，实时性好。

Description

一种基于激光雷达空洞率的待测矿石识别装置及方法
技术领域
本公开属于光电检测技术领域，特别是涉及到一种基于激光雷达空洞率的待测矿石识别装置及方法。
背景技术
我国是煤炭产能大国，2019年全国原煤产量为38.5亿吨。虽然近年来在煤矿智能化分选方面有了许多新的智能化分选方式替代传统的人工分选，如高清相机成像法、射线分选法、浮选法等，但是这些方法都有一定的不足，如高清相机成像法易受外界影响，对光源的均匀性有较高的要求，受震动、粉尘等影响也较大，实际生产环境中待区分的煤矸石表面往往覆盖着煤粉等，对高清相机的识别造成一定困难；射线分选法虽然对较小的煤块(例如30-100mm)有不错的识别率，但对大块煤矸石由于射线不能完全穿透，识别效果不佳，且射线辐射大，对操作人员的身体健康危害大；浮选法需要大量的水资源、对水资源的浪费较大。高清相机成像法、射线分选法、浮选法等矿石识别方法适用性较差、且实时性不好。
激光雷达向待测矿石发射激光光束，激光光束返回时会携带待测矿石的距离信息和反射率信息等。当激光光束照射到待测矿石表面发生反射，会有一部分的激光能量被吸收，未被吸收的部分能量被反射，比如黑体，能够吸收全部的激光束，不会有反射和透射。
对于不同的待待测矿石而言，由于颜色的深浅不同，对激光光束的吸收程度不同，例如激光束可能会被完全吸收或返回的激光束能量太弱不能被激光雷达接收器所探测，造成数据的缺失；例如待测矿石表面呈鳞片状纹理或层状结构易形成类镜面结构，激光光束会被全反射，使反射的激光束脱离激光雷达接收器的接收范围，导致激光雷达对待测待测矿石数据采集信息的缺失。在对待测待测矿石重建图还原时，缺失的部分数据反应为黑色的空洞。然后，将单块待测矿石的缺失数据与待测矿石的的完整数据之比成为待测矿石的空洞率。
图1示出了现有技术中煤和煤矸石表面湿水后的类镜面结构示意图。实验发现煤块通常由于颜色更深对激光光束的吸收更多，接近于黑体的概念，表面呈鳞片状纹理，及层状结构导致煤块的空洞率相对较高；而煤矸石颜色较浅对激光光束吸收较少，表面相对光滑平整没有明显的物理纹理结构，空洞率相对较低。当煤表面有水分时，煤表面的复杂纹理结构在湿水后形成更多的类镜面结构如图1右侧图所示，其空洞率大大增加。煤矸石表面相对光滑，在湿水后空洞率基本无变化如图1左侧所示。
发明内容
有鉴于此，本公开提出了一种基于激光雷达空洞率的矿石识别装置及方法，能够基于待测矿石空洞率的差异性、提取不同待测矿石的空洞率特征、纹理特征等使矿石识别精度达到毫米级，识别准确度高，适用性强，实时性好，且能够精确识别易受灰尘覆盖、灰度相近的矿石及湿水后导致激光数据缺失的矿石。
根据本公开的一方面，提出了一种基于激光雷达空洞率的矿石识别装置，所述装置包括：湿水喷雾模块、激光雷达模块、数据传输模块、数据处理模块、成像模块和信息识别模块；
其中，所述湿水喷雾模块，用于向待测矿石表面均匀喷洒水雾；
所述激光雷达模块，用于获取所述待测矿石的含有空洞的激光点云数据，并将所述待测矿石的含有空洞的激光点云数据经数据传输模块传输到数据处理模块；
数据处理模块，用于对所述待测矿石的含有空洞的激光点云数据进行预处理后，重建含有待测矿石空洞率的激光雷达图像，基于所述含有待测矿石空洞率的激光雷达图像构建待测矿石识别卷积神经网络模型；
信息识别模块，用于提取所述含有待测矿石空洞率的激光雷达图像的空洞率特征和纹理特征，并将所述空洞率特征和纹理特征输入到所述待测矿石识别卷积神经网络模型得到待测矿石识别结果。
在一种可能的实现方式中，所述湿水喷雾模块安装在所述待测矿石的上方，用于垂直向下向所述待测矿石表面喷洒水雾。
在一种可能的实现方式中，所述湿水喷雾模块包括多个喷雾器。
在一种可能的实现方式中，所述激光雷达模块包括两个激光雷达，设置在所述湿水喷雾模块的两侧，分别采集所述湿水喷雾模块喷雾前和喷雾后所述待测矿石的含有空洞的激光点云数据。
在一种可能的实现方式中，所述数据处理模块包括数据预处理模块和数据成像模块，
其中，所述数据预处理模块，用于对所述待测矿石的含有空洞的点云数据信息进行去噪、滤波、分割预处理，得到预处理的待测矿石的含有空洞的激光点云数据，利用空洞率算法计算待测矿石的空洞率；
所述数据成像模块，用于根据待测矿石的空洞率对预处理的待测矿石的含有空洞的激光点云数据进行归一化后，重建含有待测矿石空洞率的激光雷达图像。
根据本公开的另一方面，提出了一种基于激光雷达空洞率的矿石识别方法，应用于上述的基于激光雷达空洞率的待测矿石识别装置，所述方法包括：
采集所述湿水喷雾模块喷雾前的待测矿石的含有空洞的激光点云数据；
启动所述湿水喷雾模块，向所述待测矿石表面均匀喷洒水雾；
采集所述湿水喷雾模块喷雾后的待测矿石的含有空洞的激光点云数据；
对所述待测矿石的含有空洞的激光点云数据进行去噪、滤波、分割预处理，计算所述待测矿石的空洞率，将所述待测矿石的空洞率附加到经预处理的待测矿石的含有空洞的激光点云数据中重建为含有待测矿石空洞率的激光雷达图像；
提取所述含有待测矿石空洞率的激光雷达图像的空洞率特征和纹理特征，将所述空洞率特征和纹理特征输入到基于含有待测矿石空洞率的激光雷达图像构建的待测矿石识别卷积神经网络模型中，得到待测矿石识别结果。
本公开的基于激光雷达空洞率的待测矿石识别装置，包括：所述湿水喷雾模块，用于向待测矿石表面均匀喷洒水雾；激光雷达模块，用于获取所述待测矿石的含有空洞的激光点云数据，并将所述待测矿石的含有空洞的激光点云数据经数据传输模块传输到数据处理模块；数据处理模块，用于对所述待测矿石的含有空洞的激光点云数据进行预处理后，重建含有待测矿石空洞率的激光雷达图像，基于所述含有待测矿石空洞率的激光雷达图像构建待测矿石识别卷积神经网络模型；信息识别模块，用于提取所述含有待测矿石空洞率的激光雷达图像的空洞率特征和纹理特征，并将所述空洞率特征和纹理特征输入到所述待测矿石识别卷积神经网络模型得到待测矿石识别结果。能够基于待测矿石空洞率的差异性、提取不同待测矿石的空洞率特征、纹理特征等使待测矿石识别精度达到毫米级，识别准确度高，适用性强，实时性好，且能够精确识别易受灰尘覆盖、灰度相近的待测矿石及湿水后导致激光数据缺失的待测矿石。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。
图1示出了现有技术中煤表面湿水前后的类镜面结构示意图；
图2示出了根据本公开一实施例的基于激光雷达空洞率的矿石识别装置框图；
图3示出了根据本公开另一实施例的基于激光雷达空洞率的矿石识别装置结构图；
图4示出了根据本公开一实施例的数据处理模块44的结构图；
图5a示出了根据本公开一实施例的煤表面湿水前的空洞示意图；
图5b示出了根据本公开一实施例的煤表面湿水后的空洞示意图；
图5c示出了根据本公开一实施例的煤矸石表面湿水前的空洞示意图；
图5d示出了根据本公开一实施例的煤矸石表面湿水前的空洞示意图；
图6示出了根据本公开一实施例的基于激光雷达空洞率的矿石识别方法流程图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
图2示出了根据本公开一实施例的基于激光雷达空洞率的矿石识别装置框图。该装置可以识别待测矿石湿水前后空洞率差异较大的待测矿石，为了便于理解，下面以煤和煤矸石为例进行说明。
如图2所示，矿石识别装置40可以包括湿水喷雾模块41、激光雷达模块42、数据传输模块43、数据处理模块44和信息识别模块45。
湿水喷雾模块41可以用于向待测矿石表面均匀喷洒水雾；
激光雷达模块42可以用于获取所述待测矿石的含有空洞的激光点云数据，并将所述待测矿石的含有空洞的激光点云数据经数据传输模块传输到数据处理模块；
数据处理模块44可以用于对所述待测矿石的含有空洞的激光点云数据进行预处理后，重建含有待测矿石空洞率的激光雷达图像，基于所述含有待测矿石空洞率的激光雷达图像构建待测矿石识别卷积神经网络模型；
信息识别模块45可以用于提取含有待测矿石空洞率的激光雷达图像的空洞率特征和纹理特征，并将所述空洞率特征和纹理特征输入到所述待测矿石识别卷积神经网络模型得到待测矿石识别结果。
本公开的基于激光雷达空洞率的待测矿石识别装置，包括：所述湿水喷雾模块，用于向待测矿石表面均匀喷洒水雾；激光雷达模块，用于获取所述待测矿石的含有空洞的激光点云数据，并将所述待测矿石的含有空洞的激光点云数据经数据传输模块传输到数据处理模块；数据处理模块，用于对所述待测矿石的含有空洞的激光点云数据进行预处理后，重建含有待测矿石空洞率的激光雷达图像，基于所述含有待测矿石空洞率的激光雷达图像构建待测矿石识别卷积神经网络模型；信息识别模块，用于提取所述含有待测矿石空洞率的激光雷达图像的空洞率特征和纹理特征，并将所述空洞率特征和纹理特征输入到所述待测矿石识别卷积神经网络模型得到待测矿石识别结果。能够基于待测矿石空洞率的差异性、提取不同待测矿石的空洞率特征、纹理特征等使待测矿石识别精度达到毫米级，识别准确度高，适用性强，实时性好，且能够精确识别易受灰尘覆盖、灰度相近的待测矿石及湿水后导致激光数据缺失的待测矿石。
图3示出了根据本公开另一实施例的基于激光雷达空洞率的矿石识别装置结构图，待测矿石以煤和煤矸石为例进行说明。
如图3所示，该装置可以包括支架、喷雾器1(如图2中的湿水喷雾模块)、激光雷达2(如图2中的激光雷达模块)、传送带3、待测矿石4、传输线缆5(如图2中的数据传输模块)以及计算机6。其中，计算机6集成有如图2中的数据处理模块44和信息识别模块45，喷雾器1安装在中间的支架上，激光雷达2分别安装在两侧的支架上，待测矿石4放置在传送带3上，在电机带动传送带3下待测矿石4自左向右或自右向左运动。激光雷达经过传输线缆5与计算机6电连接，将激光雷达2采集的放置在传送带3上的待测矿石4的激光雷达数据传输到计算机6进行数据处理与识别。
在一种可能的实现方式中，如图3所示，湿水喷雾模块41可以包括多个喷雾器1，安装在待测矿石4的上方，用于垂直向下向所述待测矿石4表面喷洒水雾。
其中，湿水喷雾模块41可根据传送带3宽度决定安装喷雾器1的个数，通过支架安装在传送带上方，由上向下向待测矿石4垂直喷水雾，使通过喷雾器1下方的待测矿石4被水雾均匀打湿，使待测矿石4即煤与煤矸石的激光雷达所采集激光雷达点云数据的空洞率产生区分度。
在一种可能的实现方式中，如图3所示，激光雷达模块42可以包括两个激光雷达2，设置在湿水喷雾模块41的两侧，分别采集湿水喷雾模块41喷雾前和喷雾后所述待测矿石4的含有空洞的激光点云数据。
其中，激光雷达2向传送带3上的待测矿石4(煤和煤矸石)发射激光信号，并根据采集由待测矿石4(煤和煤矸石)返回的激光雷达信号，得到待测矿石4(煤和煤矸石)的包含空洞的激光点云数据。其中，激光点云数据包含有传送带3数据及杂物、小碎块等的激光点云数据。
如图3所示，激光雷达模块42可以包括两个激光雷达2，以传送带3运动方向为向前为例，比如传送带3运动方向为左到右，则湿水喷雾模块41左侧的支架为湿水喷雾模块41的前方支架。将激光雷达2分别安装在湿水喷雾模块41的前侧和后侧的支架上，激光雷达2向传送带3上的待测矿石4(煤和煤矸石)发射激光信号。
激光雷达2的扫描范围可以为以激光雷达2的中轴线为中心的一个扇形，湿水喷雾模块41前侧的激光雷达2采集待测矿石4(煤和煤矸石)湿水前的待测矿石4激光雷达点云数据并获取其空洞率，湿水喷雾模块41后侧的激光雷达2采集待测矿石4(煤和煤矸石)湿水后的待测矿石4激光雷达点云数据并获取其空洞率。可根据传送带3宽度调整激光雷达2安装高度，这样可以保证激光雷达2的扫描范围完全覆盖传送带3上的待测矿石4，从而获得最多的有效信息，以分别完成对待测矿石4(煤和煤矸石)湿水前后待测矿石4激光雷达点云数据及空洞率的采集。
其中，激光雷达为二维激光雷达，例如可以为固体激光雷、机械激光雷达等，还可以为三维激光雷达，在此不做限定，能够计算待测矿石的空洞率。
图4示出了根据本公开另一实施例的数据处理模块44的结构图。
在一种可能的实现方式中，如图4所示，数据处理模块44可以包括数据预处理模块441和数据成像模块442。
其中，数据预处理模块441，可以用于对待测矿石的含有空洞的点云数据信息进行去噪、滤波、分割预处理，得到预处理的待测矿石的含有空洞的激光点云数据，利用空洞率算法计算待测矿石的空洞率；
数据成像模块442，可以用于根据待测矿石的空洞率对预处理的待测矿石4的含有空洞的激光点云数据进行归一化，重建含有待测矿石空洞率的激光雷达图像。
其中，数据预处理模块441可以对数据传输模块43传输的激光雷达模块42采集的待测矿石4的激光雷达点云数据进行去噪、滤波、分割等预处理操作。例如，对激光雷达点云数据进行简单且有效的去噪，可以去除背景传送带3的激光点云数据信息，保留待测矿石4的激光点云数据信息。通过滤波算法去除类似小的干扰矿石碎块及粉末的激光点云数据信息。通过ROI(region of interest，感兴趣区域)区域的自动选取，分割出每块待测矿石4的激光点云数据。其中，上述中的去噪算法、滤波算法、ROI分割算法都是目前常规算法，在此不进行详细说明。
数据预处理模块441含有数据处理空洞率算法，可以通过计算待测矿石4激光雷达点云数据中缺失的空洞数据占待测矿石4激光雷达点云数据总有效数据的比值，得到待测矿石4的空洞率。将待测矿石4的空洞率附加在待测矿石4激光雷达激光点云数据中用于后续处理。
图5a、图5b分别示出了根据本公开一实施例的煤表面湿水前和湿水后的空洞示意图；图5c、图5d分别示出了根据本公开一实施例的煤矸石表面湿水前和湿水后的空洞示意图。
一般将湿水喷雾模块41喷水前的待测矿石4的空洞率为静态数据，由待测矿石4本身的纹理结构所产生的。而湿水喷雾模块41喷水后的待测矿石4的空洞率为动态数据，是由人为喷水后，待测矿石4的纹理结构以及表面水膜形成的类镜面结构共同决定的。如图5a、5b所示，煤表面湿水后缺失大量数据产生了大量黑色空洞，空洞率明显增大；如图5c、5d所示，煤矸石表面湿水后无明显数据缺失，也无明显的黑色空洞增加，空洞率无明显增大。湿水后煤的空洞率增大情况远大于煤矸石，两者具有较为明显的区分度，且每块待测矿石4例如煤或煤矸石湿水前、后的空洞率进行对照，结合人工智能深度学习卷积神经网络能有效提高识别率，用于待测矿石识别卷积神经网络的训练及待测矿石空洞率特征的提取。
数据成像模块442，根据待测矿石的空洞率将经过数据预处理模块441预处理后的预处理的待测矿石的含有空洞的激光点云数据行归一化，防止待测矿石激光雷达点云数据过饱和丢失信息，对归一化后的待测矿石激光雷达点云数据进行映射投影，重建含有待测矿石空洞率的激光雷达图像。利用深度学习算法(例如ImageNet等算法)将含有待测矿石空洞率的激光雷达图像训练为待测矿石识别卷积神经网络模型。
激光雷达采集的由数据传输模块传输至上位机的十六进制数据进行处理还原为原始的包含传送带数据及杂物、小碎块的激光点云数据，通过去除传送带背景、滤波、分割等处理得到不包含杂散信息的激光点云数据，通过空洞率算法，计算待测矿石缺失空洞数据占待测矿石总有效数据的比值为其空洞率，附加待测矿石空洞率在激光点云数据中用于后续处理。能够简单高效，且基于独创的空洞率特征及对待测矿石的区分程度较高，结合人工智能深度学习卷积神经网络能有效提高待测矿石的识别率。
信息识别模块45从含有待测矿石空洞率的激光雷达图像中提取待测矿石的空洞率特征和纹理特征，将待识别的含有待测矿石空洞率的激光雷达图像中提取的空洞特征和纹理特征特入到待测矿石识别卷积神经网络模型进行识别，结合待测矿石的空洞率得出待测矿石的识别结果。
图6示出了根据本公开一实施例的基于激光雷达空洞率的矿石识别方法流程图。
根据本公开的另一方面，提出了一种基于激光雷达空洞率的矿石识别方法，如图6所示，该方法可以包括：
步骤S1：采集所述湿水喷雾模块喷雾前的待测矿石的含有空洞的激光点云数据；
步骤S2：启动所述湿水喷雾模块，向所述待测矿石表面均匀喷洒水雾；
步骤S3：采集所述湿水喷雾模块喷雾后的待测矿石的含有空洞的激光点云数据；
步骤S4：对所述待测矿石的含有空洞的激光点云数据进行去噪、滤波、分割预处理，计算所述待测矿石的空洞率，将所述待测矿石的空洞率附加到经预处理的待测矿石的含有空洞的激光点云数据中重建为含有待测矿石空洞率的激光雷达图像；
步骤S5：提取所述含有待测矿石空洞率的激光雷达图像的空洞率特征和纹理特征，将所述空洞率特征和纹理特征输入到基于含有待测矿石空洞率的激光雷达图像构建的待测矿石识别卷积神经网络模型中，得到待测矿石识别结果。
例如，如图6所示，通过安置在湿水喷雾模块41前后的两个激光雷达2采集待测矿石4的激光雷达点云数据。安置在湿水喷雾模块41前激光雷达2采集所述湿水喷雾模块喷雾前的含空洞的待测矿石激光点云数据；启动湿水喷雾模块41，湿水喷雾模块41向待测矿石表面均匀喷洒水雾，安置在湿水喷雾模块41后激光雷达2采集湿水后的含空洞的待测矿石激光点云数据。数据预处理模块411对待测矿石的含有空洞的激光点云数据进行去噪(去背景)、滤波、分割预处理，得到预处理的待测矿石的含有空洞的激光点云数据。数据预处理模块411利用空洞率算法计算湿水喷雾模块41喷水雾前和喷水雾后的待测矿石空洞率，并将待测矿石空洞率附加在待测矿石激光雷达激光点云数据中。数据成像模块442根据待测矿石的空洞率对预处理的待测矿石的含有空洞的待测矿石激光点云数据行归一化，对归一化后的待测矿石激光雷达点云数据进行映射投影，重建包含空洞率、距离、反射率信息的待测矿石空洞率的激光雷达图像，从待测矿石空洞率的激光雷达图像中提取空洞特征、结合空洞率及纹理特征，利用人工智能深度学习卷积神经网络对空洞特征及纹理特征进行训练学习得到待测矿石识别卷积神经网络模型，将含有空洞的待测矿石激光雷达图像输入到待测矿石识别卷积神经网络模型进行识别，得到待测矿石的识别结果。
本公开的基于激光雷达空洞率的矿石识别方法，通过采集所述湿水喷雾模块喷雾前的待测矿石的含有空洞的激光点云数据；启动所述湿水喷雾模块，向所述待测矿石表面均匀喷洒水雾；采集所述湿水喷雾模块喷雾后的待测矿石的含有空洞的激光点云数据；对所述待测矿石的含有空洞的激光点云数据进行去噪、滤波、分割预处理，计算所述待测矿石的空洞率，将所述待测矿石的空洞率附加到经预处理的待测矿石的含有空洞的激光点云数据中重建为含有待测矿石空洞率的激光雷达图像；提取所述含有待测矿石空洞率的激光雷达图像的空洞率特征和纹理特征，将所述空洞率特征和纹理特征输入到基于含有待测矿石空洞率的激光雷达图像构建的待测矿石识别卷积神经网络模型中，得到待测矿石识别结果。能够基于待测矿石空洞率的差异性、提取不同待测矿石的空洞率特征、纹理特征等使矿石识别精度达到毫米级，识别准确度高，适用性强，实时性好，且能够精确识别易受灰尘覆盖、灰度相近的矿石及湿水后导致激光数据缺失的矿石。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (6)

1.一种基于激光雷达空洞率的矿石识别装置，其特征在于，所述装置包括：湿水喷雾模块、激光雷达模块、数据传输模块、数据处理模块和信息识别模块；
其中，所述湿水喷雾模块，用于向待测矿石表面均匀喷洒水雾；
激光雷达模块，用于获取喷雾前和喷雾后所述待测矿石的含有空洞的激光点云数据，并将喷雾前和喷雾后所述待测矿石的含有空洞的激光点云数据经数据传输模块传输到数据处理模块；
数据处理模块，用于对喷雾前和喷雾后所述待测矿石的含有空洞的激光点云数据进行预处理后，通过计算待测矿石激光雷达点云数据中缺失的空洞数据占待测矿石激光雷达点云数据总有效数据的比值，得到待测矿石的空洞率；将所述待测矿石的空洞率附加到经预处理的待测矿石的含有空洞的激光点云数据中，重建含有待测矿石空洞率的激光雷达图像，基于所述含有待测矿石空洞率的激光雷达图像构建待测矿石识别卷积神经网络模型；
信息识别模块，用于提取所述含有待测矿石空洞率的激光雷达图像的空洞率特征和纹理特征，并将所述空洞率特征和纹理特征输入到所述待测矿石识别卷积神经网络模型得到待测矿石识别结果。
2.根据权利要求1所述的矿石识别装置，其特征在于，所述湿水喷雾模块安装在所述待测矿石的上方，用于垂直向下向所述待测矿石表面喷洒水雾。
3.根据权利要求1或2所述的矿石识别装置，其特征在于，所述湿水喷雾模块包括多个喷雾器。
4.根据权利要求1所述的矿石识别装置，其特征在于，所述激光雷达模块包括两个激光雷达，设置在所述湿水喷雾模块的两侧，分别采集所述湿水喷雾模块喷雾前和喷雾后所述待测矿石的含有空洞的激光点云数据。
5.根据权利要求1所述的矿石识别装置，其特征在于，数据处理模块包括数据预处理模块和数据成像模块，
其中，所述数据预处理模块，用于对所述待测矿石的含有空洞的点云数据信息进行去噪、滤波、分割预处理，得到预处理的待测矿石的含有空洞的激光点云数据，利用空洞率算法计算待测矿石的空洞率；
所述数据成像模块，用于根据待测矿石的空洞率对预处理的待测矿石的含有空洞的激光点云数据进行归一化后，重建含有待测矿石空洞率的激光雷达图像。
6.一种基于激光雷达空洞率的矿石识别方法，其特征在于，所述方法应用于权利要求1-5中任一所述的基于激光雷达空洞率的矿石识别装置，所述方法包括：
采集所述湿水喷雾模块喷雾前的待测矿石的含有空洞的激光点云数据；
启动所述湿水喷雾模块，向所述待测矿石表面均匀喷洒水雾；
采集所述湿水喷雾模块喷雾后的待测矿石的含有空洞的激光点云数据；
对喷雾前和喷雾后的所述待测矿石的含有空洞的激光点云数据进行去噪、滤波、分割预处理，通过计算待测矿石激光雷达点云数据中缺失的空洞数据占待测矿石激光雷达点云数据总有效数据的比值，计算所述待测矿石的空洞率，将所述待测矿石的空洞率附加到经预处理的待测矿石的含有空洞的激光点云数据中重建为含有待测矿石空洞率的激光雷达图像；
提取所述含有待测矿石空洞率的激光雷达图像的空洞率特征和纹理特征，将所述空洞率特征和纹理特征输入到基于含有待测矿石空洞率的激光雷达图像构建的待测矿石识别卷积神经网络模型中，得到待测矿石识别结果。
CN202011278988.XA 2020-11-16 2020-11-16 一种基于激光雷达空洞率的待测矿石识别装置及方法 Active CN112419382B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011278988.XA CN112419382B (zh) 2020-11-16 2020-11-16 一种基于激光雷达空洞率的待测矿石识别装置及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011278988.XA CN112419382B (zh) 2020-11-16 2020-11-16 一种基于激光雷达空洞率的待测矿石识别装置及方法

Publications (2)

Publication Number Publication Date
CN112419382A CN112419382A (zh) 2021-02-26
CN112419382B true CN112419382B (zh) 2022-09-27

Family

ID=74832021

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011278988.XA Active CN112419382B (zh) 2020-11-16 2020-11-16 一种基于激光雷达空洞率的待测矿石识别装置及方法

Country Status (1)

Country Link
CN (1) CN112419382B (zh)

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7285645B2 (ja) * 2019-01-08 2023-06-02 前田建設工業株式会社 画像処理装置及びこれを利用した空間内面形状の計測装置
CN111160276B (zh) * 2019-12-31 2023-05-12 重庆大学 基于遥感影像的u型空洞全卷积分割网络识别模型
CN111861941B (zh) * 2020-07-31 2024-03-22 富德康(北京)科技股份有限公司 一种三维空间测量结果数据的补偿算法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于激光扫描仪的矿石密度实时检测系统研发;吕传振;《测绘与空间地理信息》;20180915;全文 *

Also Published As

Publication number Publication date
CN112419382A (zh) 2021-02-26

Similar Documents

Publication Publication Date Title
CN109632033B (zh) 一种体积测量的设备与方法
CN108828621A (zh) 基于三维激光雷达的障碍检测和路面分割算法
CN102288613B (zh) 一种灰度和深度信息融合的表面缺陷检测方法
CN109782274B (zh) 一种基于探地雷达信号时频统计特征的水损害识别方法
CN102023045B (zh) 一种非接触式煤仓煤位光电测量方法
CN110473178A (zh) 一种基于多光源融合的外观缺陷检测方法及系统
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
CN114764871B (zh) 一种基于机载激光点云的城市建筑物属性提取方法
CN108710818A (zh) 一种基于三维激光雷达的人数实时监测统计系统及方法
CN102998316A (zh) 一种透明液体杂质检测系统及其检测方法
CN108074232A (zh) 一种基于体元分割的机载lidar建筑物检测方法
CN114004814A (zh) 一种基于深度学习和灰度三阶矩分析的煤矸石识别方法及系统
CN115713654A (zh) 基于2d与3d激光图像的轨道扣件螺栓松动自动检测方法
KR102045079B1 (ko) 테라헤르츠파를 이용한 검사 장치
CN113820682B (zh) 一种基于毫米波雷达的目标检测方法及装置
CN112419382B (zh) 一种基于激光雷达空洞率的待测矿石识别装置及方法
Lee et al. Development of a mushroom harvesting assistance system using computer vision
CN116415843A (zh) 用于弱网络环境的多模态遥感辅助矿山生态环境评价方法
Ma et al. Rapid estimation of apple phenotypic parameters based on 3D reconstruction
CN108983194B (zh) 一种基于地面监视雷达系统的目标提取及凝聚方法
CN113011355B (zh) 一种松材线虫病图像识别检测方法及装置
CN113219472B (zh) 一种测距系统和方法
CN112150479A (zh) 基于高斯聚类的单木分割及树高和冠幅的提取方法
CN107421951B (zh) 一种茶叶加工关键节点的检测方法及装置
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

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