CN112419397B - 一种基于图像和深度神经网络的矿石粒度分级方法及系统 - Google Patents
一种基于图像和深度神经网络的矿石粒度分级方法及系统 Download PDFInfo
- Publication number
- CN112419397B CN112419397B CN202011422339.2A CN202011422339A CN112419397B CN 112419397 B CN112419397 B CN 112419397B CN 202011422339 A CN202011422339 A CN 202011422339A CN 112419397 B CN112419397 B CN 112419397B
- Authority
- CN
- China
- Prior art keywords
- ore
- image
- granularity
- training
- model
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06T2207/20—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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30132—Masonry; Concrete
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本发明涉及一种基于图像和深度神经网络的矿石粒度分级方法及系统,该系统包括破碎机、皮带机和控制系统,其特征在于:在所述的皮带机上方设有与控制系统电性相连的摄像机;该方法包括如下步骤:1)摄像机采集矿石图像数据并传输至控制系统,计算机构建矿石粒度训练样本集;2)对训练样本集进行图像预处理、增强图像和降低噪声;3)优化训练样本集得到模型;4)应用得到的优化U‑NET网络模型对矿石图像进行矿石粒度分割;5)对图像分割结果进行粒度统计计算,得到矿石直径和粒度分布。本发明的优点是:能够实时在线检测显示矿石粒度,为自动控制破碎机高效生产奠定基础。
Description
技术领域
本发明属于选矿检测技术领域,具体涉及一种基于图像和深度神经网络的矿石粒度分级方法及系统。
背景技术
破碎产品粒度是评价破碎机破碎效果的一项重要参数,通常以破碎产品的95%(国外为80%)通过某一筛子的筛孔尺寸来确定。目前,破碎产品粒度大多采用低效、离线的人工筛分检测法确定。这种检测方法存在的最大不足在于与生产不同步,难以及时根据破碎产品粒度的情况在线控制调整破碎机生产,从而无法实现破碎机生产的自动控制。近年来数字图像处理技术逐渐应用于各种粒度分析仪所获取的图像处理中,这种非接触式粒度检测方法可以有效克服传统检测方法的不足,且能很好地适应碎磨工序的恶劣工况,因此,通过在传送带上方安装机器视觉系统,利用数字图像技术结合现代数据处理等软测量技术,实时连续地进行在线粒度测量,及时自动统计通报测量结果,是在线矿石粒度测量的有效手段,具有很好的开发应用前景。实用新型专利《一种传送带矿石粒度图像获取设备》提出了一种硬件系统,但并没有涉及软件算法;发明专利《一种基于多元多尺度熵的矿石粒度检测技术》中提出了图像处理算法,但是需要复杂的区域提取、边界提取、图像分割等特征提取过程。
发明内容
针对现有技术存在的上述问题,本发明的目的在于提供一种基于图像和深度神经网络的矿石粒度分级方法及系统,能够在选矿厂进行实时在线矿石粒度测量,及时自动统计通报矿石粒度测量结果,以实现指导破碎机高效生产,节能降耗,为自动控制破碎机生产奠定基础。
本发明的目的是通过下述技术方案实现的:
本发明的一种基于图像和深度神经网络的矿石粒度分级系统,包括破碎机、设置在破碎机上方的给矿皮带机、设置在破碎机下方的受矿皮带机和计算机控制系统,其特征在于:在给矿皮带机尾部上方和受矿皮带机头部上方分别设置摄像机,所述的摄像机与计算机控制系统电性相连。
在所述的计算机控制系统中,计算机的CPU内存容量大于16GB,显卡显存大于8GB,配置有U-NET深度网络模型软件。
本发明的一种基于图像和深度神经网络的矿石粒度分级方法,采用如权利要求1所述的分级系统,其特征在于包括以下步骤:
步骤1、计算机控制系统通过摄像机分别获取给矿皮带机和受矿皮带机输送过程中的矿石图像数据,分别构建矿石粒度训练样本集;
步骤2、在计算机中采用图像处理方法对训练样本集进行图像预处理、增强图像和降低噪声;
在步骤S2中,具体包括以下子步骤:
步骤2.1、对采集到的图像进行灰度化处理,以减少原始图像的数据量;
步骤2.2、对灰度化处理后的图像进行ROI感兴趣区域提取;
步骤2.3、对提取出来的感兴趣区域进行中值滤波,以减少图像中的椒盐噪声和随机噪声;
步骤2.4、对中值滤波后的图像进行双边滤波,在保留完整矿石边界图像的同时去除噪声;
步骤2.5、对双边滤波后的图像进行直方图均衡化,以重新分布该图像的亮度,增强矿石区域的亮度,并降低非矿石区域的亮度,同时增强该图像的局部对比度,强化矿石的边缘。
步骤3、通过预训练模型采样技术获得优化的训练样本集并进行多次迭代训练得到模型;
在所述的步骤S3中,预训练模型采样技术包括如下具体步骤:
步骤3.1、首先选用三张标注标签的大粒度矿石图像数据作为预训练所用的训练样本集,目的是初始化权值;
步骤3.2、经过多轮矿石粒度由大到小的持续标注并加入到首批预训练,获得了包括各种矿石粒度的首批训练样本集;
步骤3.3、使用首批训练样本集,作第二批预训练,加大训练轮数,直至获得分割准确率≥85%的初版预训练模型;
步骤3.4、对预训练模型获得预测结果较差的图像,进行手工标注再加入数据集中进行训练,如此多轮迭代,最后训练集分割准确率达到≥95%,停止训练,得到训练样本集和U-NET网络模型。
步骤4、应用得到的U-NET网络模型对矿石图像进行矿石粒度分割。
步骤5、对图像分割结果进行粒度统计计算,得到矿石直径和粒度分布。
矿石直径Di计算公式:其中,第i个矿石的面积Si=m*G,m表示图像中第i个矿石占有的像素个数,G表示每个像素对应的矿石实际尺寸。
为了表示粒度分布,从小到大按一定的规则选多个代表粒径,D1,D2,…Dn组成一定的粒径区间[D1,D2],[Dn-1,Dn],采用矿石颗粒的数目分布表征颗粒群的频度分布其中:
与现有技术相比,本发明的优点是:
本发明利用设置在破碎机给矿皮带机和受矿皮带机上方的摄像机采集的图像,结合U-NET深度网络模型软件图像处理技术,实现了在线检测破碎机给矿粒度和破碎机排矿粒度,为实时控制调整破碎机相关参数提供了参考,为实现破碎机自动控制以提高破碎效率和降低破碎能耗奠定了基础。
附图说明
图1为本发明的分级系统结构示意图。
图2为本发明的分级方法流程图。
图3为U-NET网络结构图。
图4为计算机控制系统结构图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步说明:
如图1所示,本发明的一种基于图像和深度神经网络的矿石粒度检测系统,包括破碎机4、设置在破碎机4上方的给矿皮带机3、设置在破碎机下方的受矿皮带机5和计算机控制系统,其特征在于:在给矿皮带机3尾部上方和受矿皮带机5头部上方分别设置摄像机1和摄像机2,所述的摄像机1和摄像机2分别与计算机控制系统6电性相连。
如图2和图3所示,本发明实施例提供一种基于图像和深度神经网络的矿石粒度分级方法,其特征在于包括以下步骤:
步骤1、计算机控制系统6通过摄像机1和摄像机2分别获取给矿皮带机3和受矿皮带机5输送过程中的矿石图像数据,分别构建矿石粒度训练样本集;
通过高清工业相机获取皮带机输送过程中的矿石图像。选取少量样本,由领域专家进行人工标注。
步骤2、在计算机中采用图像处理方法对训练样本集进行图像预处理,增强图像和降低噪声,在步骤S2中,具体包括以下子步骤:
步骤2.1、对采集到的图像进行灰度化处理,以减少原始图像的数据量;
步骤2.2、对灰度化处理后的图像进行ROI感兴趣区域提取;
步骤2.3、对提取出来的感兴趣区域进行中值滤波,以减少图像中的椒盐噪声和随机噪声;
步骤2.4、对中值滤波后的图像进行双边滤波,在保留完整矿石边界图像的同时去除噪声;
步骤2.5、对双边滤波后的图像进行直方图均衡化,以重新分布该图像的亮度,增强矿石区域的亮度,并降低非矿石区域的亮度,同时增强该图像的局部对比度,强化矿石的边缘。
步骤3、通过预训练模型采样技术获得优化的训练样本集并进行多次迭代训练得到模型,在步骤3中,预训练模型采样技术包括如下具体步骤:
如图2所示,采用的U-NET网络由contracting path和expansive path组成。contracting path是典型的卷积网络架构。它的架构是一种重复的模块化结构,每个模块都有2个卷积层和一个pooling层,卷积层中卷积核大小均为3*3,激活函数使用ReLU,两个卷积层之后是一个2*2的步长为2的max pooling层。每一次下采样后都把特征通道的数量加倍。contracting path中的每一步都首先使用反卷积(up-convolution),每次使用反卷积都将特征通道数量减半,特征图大小加倍。反卷积过后,将反卷积的结果与contractingpath中对应步骤的特征图拼接起来。contracting path中的特征图尺寸稍大,将其修剪过后进行拼接。对拼接后的map进行2次3*3的卷积。最后一层的卷积核大小为1*1,将64通道的特征图转化为特定深度(分类数量,二分类为2)的结果。网络总共23层。
Unet的一个最显著的特征就是可以拿很小的数据增强训练集得到非常好的效果。使用keras中的ImageDataGenerator自动做数据增强,增强使用的参数如下:
data_gen_args=dict(rotation_range=0.2,width_shift_range=0.05,
height_shift_range=0.05,shear_range=0.05,zoom_range=0.05,
horizontal_flip=True,fill_mode='nearest')
具体参数解释如下:
featurewise_center=False,布尔值,使输入数据集去中心化(均值为0),按feature执行。
samplewise_center=False,布尔值,使输入数据的每个样本均值为0。
featurewise_std_normalization=False,布尔值,将输入除以数据集的标准差以完成标准化,按feature执行。
samplewise_std_normalization=False,布尔值,将输入的每个样本除以其自身的标准差。
zca_whitening=False,布尔值,对输入数据施加ZCA白化。
rotation_range=0.,整数,数据提升时图片随机转动的角度。随机选择图片的角度,是一个0~180的度数,取值为0~180。
width_shift_range=0.,浮点数,图片宽度的某个比例,数据提升时图片随机水平偏移的幅度。
height_shift_range=0.,浮点数,图片高度的某个比例,数据提升时图片随机竖直偏移的幅度。
shear_range=0.,浮点数,剪切强度(逆时针方向的剪切变换角度)。是用来进行剪切变换的程度。
zoom_range=0.,浮点数或形如[lower,upper]的列表,随机缩放的幅度,若为浮点数,则相当于[lower,upper]=[1-zoom_range,1+zoom_range]。用来进行随机的放大。
channel_shift_range=0.,浮点数,随机通道偏移的幅度。
fill_mode='nearest',‘constant’,‘nearest’,‘reflect’或‘wrap’之一,当进行变换时超出边界的点将根据本参数给定的方法进行处理
cval=0.0,浮点数或整数,当fill_mode=constant时,指定要向超出边界的点填充的值。
horizontal_flip=False,布尔值,进行随机水平翻转。随机的对图片进行水平翻转,这个参数适用于水平翻转不影响图片语义的时候。
vertical_flip=False,布尔值,进行随机竖直翻转。
rescale=None,值将在执行其他处理前乘到整个图像上,图像在RGB通道都是0~255的整数,这样的操作可能使图像的值过高或过低,所以将这个值定为0~1之间。
preprocessing_function=None,将被应用于每个输入的函数。该函数将在任何其他修改之前运行。该函数接受一个参数,为一张图片(秩为3的numpy array),并且输出一个具有相同shape的numpy array
data_format=K.image_data_format(),假设有n个训练样本,每个step都会用这个增强的方法对n个训练样本生成增强后的数据,也是n个,那么一个step就训练生成的这n个数据,下一个step就会生成新的一批数据来训练。相当于把整个训练集扩大steps倍。
设置steps_per_epoch=40000,epochs=1
步骤3.1、首先选用三张标注标签的大粒度矿石图像数据作为预训练所用的训练样本集,目的是初始化权值;
步骤3.2、经过多轮矿石粒度由大到小的持续标注并加入到训练样本集,获得包括矿石粒度多样性的首批训练样本集;
步骤3.3、使用首批训练样本集,作第二批预训练,加大训练轮数,直至获得分割准确率为85%的初版预训练模型;
步骤3.4、对预训练模型获得预测结果较差的图像,进行手工标注再加入数据集中进行训练,如此多轮迭代,最后训练集分割准确率达到96.96%,停止训练,得到训练样本集和U-NET网络模型。
步骤4、应用得到的U-NET网络模型对矿石图像进行矿石粒度分割。
实时获取视频流,定时截取某一帧保存为图像作为数据源,应用得到的U-NET网络模型实时对数据源进行分割,实时显示视频和分割结果。
步骤5、对图像分割结果进行粒度统计计算,得到矿石直径和粒度分布参数。
矿石直径Di计算公式:其中,第i个矿石的面积Si=m*G,m表示图像中第i个矿石占有的像素个数,G表示每个像素对应的矿石实际尺寸。
为了表示粒度分布,从小到大按一定的规则选多个代表粒径,D1,D2,…Dn组成一定的粒径区间[D1,D2],[Dn-1,Dn],采用矿石颗粒的数目分布表征颗粒群的频度分布其中
本实施例中代表性粒径选择75mm、150mm、300mm,据此可以把矿石粒度分为四个等级。
矿石级别 | 描述 |
1 | 图像中最大矿石块直径为0mm~75mm |
2 | 图像中最大矿石块直径为75mm~150mm |
3 | 图像中最大矿石块直径为150mm~300mm |
4 | 图像中最大矿石块直径大于300mm |
本发明采用的计算机控制系统架构如图4所示,计算机的CPU内存容量大于16GB,显卡显存大于8GB,配置有U-NET深度网络模型软件。系统架构可以包括终端设备,网络和服务器。网络用以在终端设备和服务器之间提供通信链路的介质。网络可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备通过网络与服务器交互,以接收或发送消息等。终端设备上可以安装有各种通讯客户端应用,例如传送带上方安装机器视觉系统等。应该理解,终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
矿石粒度分级系统算法沉淀为通用的终端设备计算系统。
下面参考图4,其示出了适于用来实现本发明实施例的终端设备的计算机系统800的结构示意图。图4示出的终端设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示,计算机系统800包括中央处理单元(CPU)801,其可以根据存储在只读存储器(ROM)802中的程序或者从存储部分808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM 803中,还存储有系统800操作所需的各种程序和数据。CPU 801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
以下部件连接至I/O接口805:包括键盘、鼠标等的输入部分806;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分807;包括硬盘等的存储部分808;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口805。可拆卸介质811,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器810上,以便于从其上读出的计算机程序根据需要被安装入存储部分808。
特别地,根据本发明公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分809从网络上被下载和安装,和/或从可拆卸介质811被安装。在该计算机程序被中央处理单元(CPU)801执行时,执行本发明的系统中限定的上述功能。
需要说明的是,本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中,例如,可以描述为:一种处理器包括获取模块、提取模块、学习模块和确定模块。其中,这些模块的名称在某种情况下并不构成对该模块本身的限定,例如,提取模块还可以被描述为“提取矿石图像的局部特征的模块”。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员在没有付出创造性劳动的情况下,在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (4)
1.一种基于图像和深度神经网络的矿石粒度检测方法,其特征在于包括以下步骤:
步骤1、计算机控制系统通过摄像机分别获取给矿皮带机和受矿皮带机输送过程中的矿石图像数据,分别构建矿石粒度训练样本集;
步骤2、在计算机中采用图像处理方法对训练样本集进行图像预处理,增强图像和降低噪声;
步骤3、通过预训练模型采样技术获得优化的训练样本集并进行多次迭代训练得到模型;
在所述的步骤S3中,预训练模型采样技术包括如下具体步骤:
步骤3.1、首先选用三张标注标签的大粒度矿石图像数据作为预训练所用的训练样本集,目的是初始化权值;
步骤3.2、经过多轮矿石粒度由大到小的持续标注并加入到首批预训练,获得了包括各种矿石粒度的首批训练样本集;
步骤3.3、使用首批训练样本集,作第二批预训练,加大训练轮数,直至获得分割准确率≥85%的初版预训练模型;
步骤3.4、对预训练模型获得预测结果较差的图像,进行手工标注再加入数据集中进行训练,如此多轮迭代,最后训练集分割准确率达到≥95%,停止训练,得到训练样本集和U-NET网络模型;
步骤4、应用得到的优化U-NET网络模型对矿石图像进行矿石粒度分割;
步骤5、对图像分割结果进行粒度统计计算,得到矿石直径和粒度分布,在所述的步骤S5中,矿石直径和粒度分布计算公式如下:
矿石直径Di计算公式:其中,第i个矿石的面积Si=m*G,m表示图像中第i个矿石占有的像素个数,G表示每个像素对应的矿石实际尺寸;
为了表示粒度分布,从小到大按一定的规则选多个代表粒径,D1,D2,…Dn组成一定的粒径区间[D1,D2],…,[Dn-1,Dn],采用矿石颗粒的数目分布表征颗粒群的频度分布其中:
2.根据权利要求1所述的一种基于图像和深度神经网络的矿石粒度检测方法,其特征在于,在所述的步骤S2中,包括如下具体步骤:
步骤2.1、对采集到的图像进行灰度化处理,以减少原始图像的数据量;
步骤2.2、对灰度化处理后的图像进行ROI感兴趣区域提取;
步骤2.3、对提取出来的感兴趣区域进行中值滤波,以减少图像中的椒盐噪声和随机噪声;
步骤2.4、对中值滤波后的图像进行双边滤波,在保留完整矿石边界图像的同时去除噪声;
步骤2.5、对双边滤波后的图像进行直方图均衡化,以重新分布该图像的亮度,增强矿石区域的亮度,并降低非矿石区域的亮度,同时增强该图像的局部对比度,强化矿石的边缘。
3.根据权利要求1所述的基于图像和深度神经网络的矿石粒度检测方法的矿石粒度检测系统,包括破碎机、设置在破碎机上方的给矿皮带机、设置在破碎机下方的受矿皮带机和计算机控制系统,其特征在于:在给矿皮带机尾部上方和受矿皮带机头部上方分别设置摄像机,所述的摄像机与计算机控制系统电性相连。
4.根据权利要求3所述的基于图像和深度神经网络的矿石粒度检测方法的矿石粒度检测系统,其特征在于,在所述的计算机控制系统中,计算机的CPU内存容量大于16GB,显卡显存大于8GB,配置有U-NET深度网络模型软件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011422339.2A CN112419397B (zh) | 2020-12-08 | 2020-12-08 | 一种基于图像和深度神经网络的矿石粒度分级方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011422339.2A CN112419397B (zh) | 2020-12-08 | 2020-12-08 | 一种基于图像和深度神经网络的矿石粒度分级方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112419397A CN112419397A (zh) | 2021-02-26 |
CN112419397B true CN112419397B (zh) | 2023-09-15 |
Family
ID=74776688
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011422339.2A Active CN112419397B (zh) | 2020-12-08 | 2020-12-08 | 一种基于图像和深度神经网络的矿石粒度分级方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112419397B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113158829A (zh) * | 2021-03-31 | 2021-07-23 | 安徽大学 | 一种基于EfficientDet网络的深度学习矿石大小测量方法及预警系统 |
CN113343179B (zh) * | 2021-06-02 | 2022-03-01 | 江苏邦鼎科技有限公司 | 一种基于斜向剪切的打击粉碎方法及系统 |
CN113793308A (zh) * | 2021-08-25 | 2021-12-14 | 北京科技大学 | 一种基于神经网络的球团矿质量智能评级方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10122821A (ja) * | 1996-10-21 | 1998-05-15 | Nittetsu Mining Co Ltd | 過大粒子検出時の誤検出判別方法 |
CN108416775A (zh) * | 2018-03-12 | 2018-08-17 | 华中科技大学 | 一种基于深度学习的矿石粒度检测方法 |
CN108470173A (zh) * | 2018-04-17 | 2018-08-31 | 北京矿冶科技集团有限公司 | 一种矿石颗粒的分割方法 |
CN110852395A (zh) * | 2019-11-15 | 2020-02-28 | 鞍钢集团矿业有限公司 | 一种基于自主学习和深度学习的矿石粒度检测方法和系统 |
-
2020
- 2020-12-08 CN CN202011422339.2A patent/CN112419397B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10122821A (ja) * | 1996-10-21 | 1998-05-15 | Nittetsu Mining Co Ltd | 過大粒子検出時の誤検出判別方法 |
CN108416775A (zh) * | 2018-03-12 | 2018-08-17 | 华中科技大学 | 一种基于深度学习的矿石粒度检测方法 |
CN108470173A (zh) * | 2018-04-17 | 2018-08-31 | 北京矿冶科技集团有限公司 | 一种矿石颗粒的分割方法 |
CN110852395A (zh) * | 2019-11-15 | 2020-02-28 | 鞍钢集团矿业有限公司 | 一种基于自主学习和深度学习的矿石粒度检测方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112419397A (zh) | 2021-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112419397B (zh) | 一种基于图像和深度神经网络的矿石粒度分级方法及系统 | |
CN111402248B (zh) | 一种基于机器视觉的输电线路导线缺陷检测方法 | |
Lal et al. | Efficient algorithm for contrast enhancement of natural images. | |
CN110378313B (zh) | 细胞团识别方法、装置及电子设备 | |
CN109544527B (zh) | 一种基于硬卡编程的玻璃表面缺陷的检测方法及装置 | |
CN115035114B (zh) | 基于图像处理的干草粉碎机状态监测方法 | |
CN104850854A (zh) | 一种滑石矿品分选处理方法及滑石矿品分选系统 | |
CN109389569A (zh) | 基于改进DehazeNet的监控视频实时去雾方法 | |
CN114926407A (zh) | 一种基于深度学习的钢材表面缺陷检测系统 | |
CN108664839A (zh) | 一种图像处理方法和设备 | |
CN114494305A (zh) | 一种球团生球粒径在线检测方法及系统 | |
CN113887308A (zh) | 一种基于图像多元特征的高炉料种识别方法、装置及系统 | |
CN112329782A (zh) | 一种原料粒度确定方法、系统、终端及介质 | |
CN115266732A (zh) | 基于机器视觉的碳纤维丝束缺陷检测方法 | |
CN108447072B (zh) | 一种晶体颗粒的图像分割方法及系统 | |
CN114092467A (zh) | 一种基于轻量化卷积神经网络的划痕检测方法及系统 | |
CN111369477A (zh) | 一种针对视频恢复任务的预分析和工具自适应的方法 | |
CN112465736B (zh) | 一种用于港口船舶监控的红外视频图像增强方法 | |
Lian et al. | Film and television animation sensing and visual image by computer digital image technology | |
CN114863277A (zh) | 一种基于机器视觉的不规则颗粒群超限颗粒快速检测方法 | |
CN107895355A (zh) | 一种移动侦测和图像对比度自适应增强系统及其方法 | |
CN107491746B (zh) | 一种基于大梯度像素分析的人脸预筛选方法 | |
CN114399516B (zh) | 一种基于实例分割算法的堆石坝料分割方法 | |
Wu et al. | Detection of Lump Coal based on Lightweight Network and Attention Mechanism | |
CN113642429B (zh) | 一种基于tpp-tccnn的海洋鱼类识别方法 |
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 |