CN112598618B - 一种基于图像识别技术的磨机给矿量预测方法 - Google Patents
一种基于图像识别技术的磨机给矿量预测方法 Download PDFInfo
- Publication number
- CN112598618B CN112598618B CN202011277848.0A CN202011277848A CN112598618B CN 112598618 B CN112598618 B CN 112598618B CN 202011277848 A CN202011277848 A CN 202011277848A CN 112598618 B CN112598618 B CN 112598618B
- Authority
- CN
- China
- Prior art keywords
- ore
- mill
- pictures
- model
- densenet
- 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
- 238000000034 method Methods 0.000 title claims abstract description 17
- 238000005516 engineering process Methods 0.000 title claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000013135 deep learning Methods 0.000 claims abstract description 5
- 238000012795 verification Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000006872 improvement Effects 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 239000000463 material Substances 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000001351 cycling effect Effects 0.000 claims description 2
- 238000000227 grinding Methods 0.000 abstract description 12
- 238000013526 transfer learning Methods 0.000 abstract description 8
- 229910052500 inorganic mineral Inorganic materials 0.000 description 8
- 239000011707 mineral Substances 0.000 description 8
- 238000000926 separation method Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000010494 dissociation reaction Methods 0.000 description 1
- 230000005593 dissociations Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000000178 monomer Substances 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/20—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
-
- 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识别技术的磨机给矿量预测方法,在磨矿产品粒度保持稳定的条件下,通过CCD工业相机采集磨机给矿皮带机上不同磨机台时给矿量(t/h)所对应的图像信息,并传输到计算机控制系统,其特征在于,采用图像特征提取方法,采用用深度学习DenseNet模型和迁移学习(transfer learning)的方法实现对矿石可磨性的在线有效识别,进而建立了对磨机给矿矿石可磨性与磨机给矿量的关系,本发明的优点是:通过图像识别技术判断矿石可磨性变化,预先判定磨机给矿量,为实现磨机给矿量根据矿石可磨性的变化进行预先控制调节奠定基础,可以实现在高效磨矿的基础上稳定和提高磨矿台时处理量。
Description
技术领域
本发明属于选矿工业矿石磨机给矿预测技术领域,具体涉及一种基于图像识别技术的磨机给矿量预测方法。
背景技术
在选矿厂生产中,磨机和分级机是选矿厂的关键设备,磨矿分级作业的任务是为选别作业提供既充分单体解离又不过粉碎的入选物料,磨矿效果如何决定了有用矿物单体解离度的高低,分级溢流产品粒度的大小决定了后续选别作业的技术指标如何,选矿厂几乎所有选矿技术指标的波动几乎都与磨矿分级作业效果有直接关联,而磨矿分级效果的好坏与矿石的可磨性直接相关。矿石的可磨性取决于给矿矿石性质,给矿矿石性质主要包括矿石类型、矿石硬度、有用矿物嵌布粒度和给矿粒度等因素,其中矿石硬度为主要因素。严格来讲,不存在两块矿石性质完全相同的矿石。在实际选矿生产过程中,磨矿分级作业的分级溢流产品粒度要求达到一定的控制目标,以满足后续选别作业的要求。但是,由于磨机给矿是由不同采矿点来矿经过破碎筛分后给入磨机,如果采场配矿配不好,给矿矿石性质存在的差异就比较大,经常既有“难磨难选”给矿,也有“易磨易选”给矿;在这种情况下,处理“难磨难选”给矿,应该适当减少磨机给矿量,处理“易磨易选”给矿,应该适当增加磨机给矿量,这样才能减少分级溢流产品粒度波动。但是这种处理现场控制操作难度大大增加,很难做到。有鉴于此,只有预先在线预测出磨机给矿的可磨性差异,根据磨机给矿的可磨性差异实现自动控制磨机给矿量,才能更好地控制磨矿分级作业稳定运行,保证分级溢流产品粒度合格,保证后续选别作业技术指标。
为了达到根据磨机给矿的可磨性差异实现预先控制调节磨机给矿量,首先就要探讨确定给矿矿石可磨性与给矿量关系的方法,为根据磨机给矿的可磨性差异实现预先自动控制磨机给矿量打下基础。
发明内容
本发明的目的在于提供一种基于图像识别技术的磨机给矿量预测方法,在磨矿产品粒度保持稳定的条件下,该预测方法通过照相机采集磨机给矿皮带机上不同磨机台时给矿量(t/h)所对应的图像,采用深度学习DenseNet模型和迁移学习(transfer learning)的方法实现图像结构性统计特征提取,进行主题分类,完成图像训练和处理,得到迅速高效的模型训练结果,实现对矿石可磨性的在线有效识别,提供了一种通过采用图像识别技术检测磨机给矿可磨性来预测磨机给矿量的方法,建立了给矿可磨性与磨机给矿量之间的关系,为根据磨机给矿的可磨性差异实现预先控制调节磨机给矿量打下基础,可以实现在高效磨矿的基础上稳定和提高磨矿台时处理量。
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识别技术的磨机给矿量预测方法,在磨矿产品粒度保持稳定的条件下,通过CCD工业相机采集磨机给矿皮带机上的图像信息,并传输到计算机控制系统,其特征在于包括下述步骤:
步骤1、图像采集传送及初步筛选
通过CCD工业相机采集给矿皮带机上矿石的图像信息,并传送到计算机控制系统的图像处理系统,筛选出合格的图片,将需要计算的图片以皮带宽度的中心线为基准,按物料的实际宽度自动截取图片;
步骤2、图片分类
将图片根据不同磨机台时给矿量(t/h)来进行统一分类编号,建立以不同磨机台时给矿量(t/h)分类的标准图片的训练图片数据库和模型验证图片数据库;
步骤3、采用DenseNet模型进行深度学习训练
DenseNet 采用201结构计算模型,即采用201层深度的神经网络计算模型,设输入一个训练图片x0, 经过一个L层的神经网络, 其中第L层的非线性变换记为HL(*), HL(*)可以是多种函数操作的累加,第L层的特征输出记作X。
在DenseNet中,连接前面所有层作为输入:
xL=HL([x0,x1,…xL-1])
步骤4、DenseNet模型精度验证
通过迁移学习(Transfer Learning)软件,利用计算模型对图片进行验证,对每一类图片中验证图片数据进行分析,检验分类是否合理,验证给定分类识别精度是否达标;如此循环,直到达到满意计算结果为止;
步骤5、DenseNet模型应用检验
将精度验证后的DenseNet模型应用到实际磨机给矿预判控制系统,将采集到的图片,对应不同磨机台时给矿量(t/h)进行DenseNet模型计算和验证,验证图片分类是否合理,DenseNet模型是否可靠和可行;
步骤6、DenseNet模型在应用中改进提高
对现场矿石组成和不同矿种变化及时补充相应图片进行再训练,周而复始的进行不断改进模型适应性。
与现有技术相比,本发明的优点是:
本发明提供了一种通过采用图像识别技术检测磨机给矿可磨性来预测磨机给矿量的方法,建立了给矿可磨性与磨机给矿量之间的关系,为根据磨机给矿的可磨性差异实现预先自动控制磨机给矿量打下基础,可以实现在高效磨矿的基础上稳定和提高磨矿台时处理量。
附图说明
图1为本发明的预测方法结构框图。
具体实施方式
本发明的一种基于图像识别技术的磨机给矿量预测方法,通过CCD工业相机采集给矿皮带机上矿石的图像信息,并传送到计算机控制系统的图像处理系统,其特征在于包括下述步骤:
步骤1、图像采集传送及初步筛选
CCD工业相机采集给矿皮带机上矿石的图像信息,并传送到计算机控制系统的图像处理系统,筛选出符合溢流产品粒度为-200目含量为60%以上的图片,作为实际训练图片和模型验证图片;同时也把皮带异常情况作为一种特殊情况识别,如空的没有物料的图像信息,黑色的图像信息,皮带一半有矿,一半漏皮带的图像信息等。把采集的需要计算的图像以皮带宽度为中心按照400mm×400mm的规格进行切割;
步骤2、图像采集图片根据磨机台时给矿量(t/h)分类
将采集到的图片根据不同磨机台时给矿量(t/h)来进行统一分类编号,特殊情况的图片单独分类编号:
给矿量140吨的图片存入数据库1,给矿量139吨的图片存入数据库2,给矿量138吨的图片存入数据库3,...,给矿量120吨的图片存入数据库14,特殊图片如空皮带的图片存入数据库0;每个数据库的图片1200幅以上。每个数据库中的图片分为两组,一组作为训练图片,1000张以上,另一组作为模型验证图片,200以上;
步骤3、采用DenseNet模型进行深度学习训练
DenseNet 采用201结构(201层深度的神经网络)计算模型,设输入为一个图片x0,经过一个L层的神经网络, 其中第L层的非线性变换记为HL(*), HL(*)可以是多种函数操作的累加,第L层的特征输出记作X。
在DenseNet中,连接前面所有层作为输入:
xL=HL([x0,x1,…xL-1]);
步骤4、DenseNet模型精度验证
通过迁移学习(Transfer Learning)软件,利用同类数据库中的模型验证图片进行验证,检验分类是否合理,验证给定分类识别精度是否达标;
步骤5、DenseNet模型应用检验
将精度验证后的DenseNet模型应用到磨机给矿量预测系统,每间隔30s~90s采集一个图片,对应不同磨机台时给矿量(t/h)进行DenseNet模型计算和验证,验证图片分类是否合理,DenseNet模型是否可靠和可行;
步骤6、DenseNet模型在应用中改进提高
对现场矿石组成和不同矿种变化及时补充相应图片进行再训练,周而复始的进行不断改进模型适应性。
Claims (1)
1.一种基于图像识别技术的磨机给矿量预测方法,在磨矿产品粒度保持稳定的条件下,通过CCD工业相机采集磨机给矿皮带机上的图像信息,并传输到计算机控制系统,其特征在于包括下述步骤:
步骤1、图像采集传送及初步筛选
通过CCD工业相机采集给矿皮带机上矿石的图像信息,并传送到计算机控制系统的图像处理系统,筛选出合格的图片,将需要计算的图片以皮带宽度的中心线为基准,按物料的实际宽度自动截取图片;
步骤2、图片分类
将图片根据不同磨机台时给矿量来进行统一分类编号,建立以不同磨机台时给矿量分类的标准图片的训练图片数据库和模型验证图片数据库;
步骤3、采用DenseNet模型进行深度学习训练
DenseNet采用201结构计算模型,即采用201层深度的神经网络计算模型,设输入一个训练图片x0,经过一个L层的神经网络,其中第L层的非线性变换记为HL(*),HL(*)是多种函数操作的累加,第L层的特征输出记作X,
在DenseNet中,连接前面所有层作为输入:
xL=HL([x0,x1,…xL-1])
步骤4、DenseNet模型精度验证
通过迁移学习软件,利用计算模型对图片进行验证,对每一类图片中验证图片数据进行分析,检验分类是否合理,验证给定分类识别精度是否达标;如此循环,直到达到满意计算结果为止;
步骤5、DenseNet模型应用检验
将精度验证后的DenseNet模型应用到实际磨机给矿预判控制系统,将采集到的图片,对应不同磨机台时给矿量进行DenseNet模型计算和验证,验证图片分类是否合理,DenseNet模型是否可靠和可行;
步骤6、DenseNet模型在应用中改进提高
对现场矿石组成和不同矿种变化及时补充相应图片进行再训练,周而复始的进行不断改进模型适应性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011277848.0A CN112598618B (zh) | 2020-11-16 | 2020-11-16 | 一种基于图像识别技术的磨机给矿量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011277848.0A CN112598618B (zh) | 2020-11-16 | 2020-11-16 | 一种基于图像识别技术的磨机给矿量预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112598618A CN112598618A (zh) | 2021-04-02 |
CN112598618B true CN112598618B (zh) | 2023-11-17 |
Family
ID=75183378
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011277848.0A Active CN112598618B (zh) | 2020-11-16 | 2020-11-16 | 一种基于图像识别技术的磨机给矿量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112598618B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113399108B (zh) * | 2021-05-13 | 2023-04-07 | 河南省岩石矿物测试中心 | 一种低品位金矿石分选及无尾化利用工艺 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN107943833A (zh) * | 2017-10-25 | 2018-04-20 | 华南农业大学 | 一种基于区块链的无中心分布式文件存储及检索方法 |
CN108469797A (zh) * | 2018-04-28 | 2018-08-31 | 东北大学 | 一种基于神经网络和进化计算的磨矿过程建模方法 |
CN109272048A (zh) * | 2018-09-30 | 2019-01-25 | 北京工业大学 | 一种基于深度卷积神经网络的模式识别方法 |
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
- 2020-11-16 CN CN202011277848.0A patent/CN112598618B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN107943833A (zh) * | 2017-10-25 | 2018-04-20 | 华南农业大学 | 一种基于区块链的无中心分布式文件存储及检索方法 |
CN108469797A (zh) * | 2018-04-28 | 2018-08-31 | 东北大学 | 一种基于神经网络和进化计算的磨矿过程建模方法 |
CN109272048A (zh) * | 2018-09-30 | 2019-01-25 | 北京工业大学 | 一种基于深度卷积神经网络的模式识别方法 |
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 |
Non-Patent Citations (1)
Title |
---|
基于多模态数据语义融合的旅游在线评论有用性识别研究;马超;李纲;陈思菁;毛进;张霁;;情报学报(02);第79-87页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112598618A (zh) | 2021-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107552149B (zh) | 一种辊式破碎机辊缝间隙自动调节装置及工作方法 | |
CN115993807A (zh) | 一种碳化硅的生产监测优化控制方法及系统 | |
CN112598618B (zh) | 一种基于图像识别技术的磨机给矿量预测方法 | |
CN112541427B (zh) | 一种优质重型废钢的识别和料量评估方法 | |
CN1509453A (zh) | 一种使用物体或颗粒自动分析的用于体相材料工业处理的控制反馈系统和方法 | |
KR20210087056A (ko) | 전자ㆍ전기 기기 부품 스크랩의 조성 해석 장치, 전자ㆍ전기 기기 부품 스크랩의 처리 장치 및 전자ㆍ전기 기기 부품 스크랩의 처리 방법 | |
CN112330653B (zh) | 一种基于图像识别技术的矿石粒度在线检测方法 | |
CN112495771A (zh) | 一种物料智能筛分系统 | |
CN113743210A (zh) | 图像识别方法和废钢等级的识别方法 | |
CN108919752B (zh) | 一种胎面制品压出生产线的数据分析处理系统和方法 | |
Olivier et al. | Deep convolutional neural network for mill feed size characterization | |
CN110221587B (zh) | 一种矿石性质与工艺匹配应对方法 | |
CN107016454B (zh) | 一种非均质矿球磨破碎分布函数预测方法 | |
CN220479470U (zh) | 一种石材分级装置 | |
Anding et al. | Application of intelligent image processing in the construction material industry | |
CN112588425A (zh) | 一种粗骨料制备工艺 | |
CN103377247B (zh) | 磨矿控制案例的智能提取方法 | |
CN111723861B (zh) | 一种用于煤矿控制挡板的煤矸石百分比识别方法 | |
CN116152709A (zh) | 一种装修垃圾智能分级预处理方法及系统 | |
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 | |
CN114522791B (zh) | 碎石尺寸筛选系统及方法 | |
CN113283339A (zh) | 基于机器视觉的工业矿料运输皮带少料异常监测方法 | |
CN113608510A (zh) | 一种选煤单机设备智能控制系统控制方法 | |
Campos | A NOVEL HPGR ONLINE MODELING AND SIMULATION APPROACH COUPLED WITH REAL-TIME INFORMATION | |
Chen et al. | An integrated virtual instrumentation system using statistical process control and image processing |
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 |