CN117152475A - 一种获取爆堆矿石块度的方法 - Google Patents
一种获取爆堆矿石块度的方法 Download PDFInfo
- Publication number
- CN117152475A CN117152475A CN202311107023.8A CN202311107023A CN117152475A CN 117152475 A CN117152475 A CN 117152475A CN 202311107023 A CN202311107023 A CN 202311107023A CN 117152475 A CN117152475 A CN 117152475A
- Authority
- CN
- China
- Prior art keywords
- point
- data
- algorithm
- points
- dis
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000004880 explosion Methods 0.000 title claims abstract description 29
- 230000011218 segmentation Effects 0.000 claims abstract description 27
- 238000005422 blasting Methods 0.000 claims abstract description 22
- 238000000605 extraction Methods 0.000 claims abstract description 21
- 238000005474 detonation Methods 0.000 claims abstract description 14
- 230000008569 process Effects 0.000 claims abstract description 14
- 230000003014 reinforcing effect Effects 0.000 claims abstract description 5
- 239000013598 vector Substances 0.000 claims description 67
- 238000012545 processing Methods 0.000 claims description 6
- 230000002708 enhancing effect Effects 0.000 claims description 4
- 238000003064 k means clustering Methods 0.000 claims description 4
- 241001050985 Disco Species 0.000 claims description 3
- 238000005065 mining Methods 0.000 abstract description 8
- 230000000903 blocking effect Effects 0.000 abstract description 4
- 230000000694 effects Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 230000006872 improvement Effects 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000005520 cutting process Methods 0.000 description 4
- 239000002360 explosive Substances 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 230000001965 increasing effect Effects 0.000 description 3
- 229910052500 inorganic mineral Inorganic materials 0.000 description 3
- 239000011707 mineral Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005728 strengthening Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000005452 bending Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 239000002893 slag Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
-
- 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
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Length Measuring Devices With Unspecified Measuring Means (AREA)
Abstract
本发明公开一种获取爆堆矿石块度的方法,属于矿山开采技术领域。该获取爆堆矿石块度的方法,包括以下步骤:S1、基于点云曲率改进的VCCS算法分割云数据:建立体素化的网格,将点云曲率代入超体素分割过程中,采用VCCS算法从三维层面上对爆堆点的云数据进行分割得到分割后的第一数据;S2、基于边缘提取算法对矿石边界信息进行强化后再用CPC算法对第一数据进行聚类处理得到第二数据;S3、计算爆堆矿石块度:将每一块矿石的第二数据进行分块输出并进行点云直径的计算,通过计算每个聚类结果中第二数据最远的两个点之间的三维空间距离得到矿石块度的大小。该方法能够精准地获得爆堆块度的大小。
Description
技术领域
本发明涉及矿山开采技术领域,具体涉及一种获取爆堆矿石块度的方法。
背景技术
矿产资源在国民经济中占有着十分重要的地位,矿产资源的供给和国家的资源安全、经济安全、军事安全都有着密切的联系。近些年来我国对于矿产资源的开发和利用不断发展,开采技术和方法不断改进,生产也更加规范化、科学化了。而露天开采在我国的整个矿产资源开采当中斗都有着举足轻重的地位。对于露天矿山来说,有着生产能力强、生产规模大、机械化程度高、设备大型化程度高等特点。由于露天矿生产规模大,所以经常用到爆破的方法对矿岩进行崩落、破碎,以便于开采。矿山爆破之后会形成爆堆,而爆堆块度则是衡量爆破效果的重要指标之一,块度太大会增加二次爆破次数,增加采矿成本、影响生产效率。块度太小则会增加废渣量,减少经济收入。因此,通过计算爆堆块度来反馈爆破效果,从而调整爆破参数使爆堆块度达到一个合适的范围,对于矿山的生产和发展都有重要的意义。
现如今很多的露天矿对于爆堆的识别都是基于二维的图像系统进行的,但是这种方法还是存在着许多不足:首先就是需要繁琐的手动编辑,二维成像系统的自动边缘勾画工具需要清晰地把握每个矿石的边缘,但是它的效果并不理想,因此手动编辑是必要的;其次就是二维的图像系统很难获得整个的爆堆块度尺寸分布情况,二维图像系统一张图片覆盖的范围有限,需要多张照片才能获得比较有说服力的爆堆块度分布情况;最后就是二维的图像系统无法识别重叠的矿石,它只能在平面上进行分析,导致爆堆块度大小计算过程复杂且计算结果不精准。
发明内容
本发明的目的在于克服上述技术不足,提供一种获取爆堆矿石块度的方法,解决现有技术中不能精准地获得爆堆矿石块度的技术问题。
为达到上述技术目的,本发明的技术方案提供一种获取爆堆矿石块度的方法,包括以下步骤:
S1、基于点云曲率改进的VCCS算法分割云数据:建立体素化的网格,将点云曲率代入超体素分割过程中,将超体素分割前设置的权重值参数设置为曲率权重值,再采用基于八叉树对点云数据进行体素化处理、采用K-means聚类算法进行分割的VCCS算法,从三维层面上对爆堆点的云数据进行分割得到分割后的第一数据;
S2、基于边缘提取算法对矿石边界信息进行强化后再用CPC算法对第一数据进行聚类处理得到第二数据;该算法的输入数据以经过VCCS算法分割后的第一数据为基础,通过两个相邻超体素之间的凹度或凸度进行递归分割得到第二数据;
S3、计算爆堆矿石块度:将每一块矿石的第二数据输出并进行点云直径的计算,通过计算每个聚类结果中第二数据最远的两个点之间的三维空间距离得到矿石块度的大小。
进一步地,在某些实施例中,在步骤S1中,所述云数据由以下步骤得到:
运用三维激光扫描仪对矿山爆破前后的云数据进行多站扫描采集,用RiSCAN PRO或者CloudCompare软件对采集到的云数据进行处理得到。
进一步地,在某些实施例中,在步骤S3中,所述最远的两个点之间的三维空间距离由以下步骤得到:
S31、随机选择矿石中的一个点为起始点A,选择其他邻近点作为终止点B,计算点A到点B之间的距离,记为dis1,并记录下此时的起始点A、终止点B和当前的距离Dis,此时Dis=dis1;
S32、将两个点A和B中的任意一个点替换为这两个点的相邻点C,然后计算未被替换的点A或者点B与点C之间的距离,记为dis2;
S33、将dis1和dis2进行比较;若dis1大于dis2,则继续保持当前的点对和距离,即此时记录的点对还是起始点A、终止点B和距离dis1;如果dis2大于dis1,则此时记录的点对和距离应该被及时更新,此时Dis=dis2;重复上述步骤,直到遍历完矿石点云中所有的点,随着遍历过程的不断进行,计算出的距离正逐渐收敛为最远的两个点之间的三维空间距离。
进一步地,在某些实施例中,在步骤S2中,所述基于边缘提取算法对矿石边界信息进行强化包括:首先计算爆堆点中每个点的表面法线,根据要计算的点和它的法向量做出该点的切平面,然后以这个点为坐标中心构建局部坐标系,计算其他点到该点的向量与建立的坐标轴顺时针的夹角,比较相邻夹角之间差值的最大值和角度阈值,若差值的最大值大于角度阈值,则该点为边缘点,重复上述步骤计算爆堆中的每一个点,最终实现边缘提取。
进一步地,在某些实施例中,在步骤S1中,所述点云曲率由以下步骤得到:
法向曲率的局部拟合:假设爆堆点云中任意一点m有n个邻近点,第i个邻近点Pi的法向量为Ni,以点m为原点,以点m的坐标的正交单位向量X,Y和其单位法向量M为坐标轴,建立m的局部坐标系m-XYM,在这个坐标系中,邻近点Pi的坐标为(xi,yi,zi),邻近点的法向量Ni的坐标为(nx,i,ny,i,nz,i),则通过点m的密切圆可以计算出它的法向曲率为
根据欧拉公式得到法向曲率和主曲率之间的关系:
上式中,是点m过点pi的法截线的切线与主方向的夹角;q1、q2为点m的两个主曲率。
进一步地,在某些实施例中,点m相对于邻近点pi的法向曲率公式如下:
式中,α角是点m的法向量M和mpi之间的夹角,β角是点m的法向量M和邻近点的法向量Ni之间的夹角,邻近点Pi的坐标为(xi,yi,zi),邻近点的法向量Ni的坐标为(nx,i,ny,i,nz,i),分别对应公式中的xi、yi、ny,i、nx,i。
进一步地,在某些实施例中,根据欧拉公式得到法向曲率和主曲率之间的关系之前还包括:欧拉方程的最小二乘拟合:
假设给定点m处的XY坐标与法向量M分别为:
再假定点m在平面L上,其法向量为M,设e1和e2是点m处的主方向,其所对应的主曲率为k1和k2,设参数是向量e1和e2的夹角,/>是矢量X和矢量mPi之间的夹角。
进一步地,在某些实施例中,在步骤S1中,采用VCCS算法之前还包括建立体素化的网格,网格的各项参数设置为:体素分辨率Rvoxel=0.025,网格固定分辨率Rseed=0.1,距离权重Ws=0.4,法向量权重Wn=0.3,网格设置完成后,运行VCCS算法,开始分割。
进一步地,在某些实施例中,在步骤S2中,所述CPC算法的最大切割次数为1000,最小尺寸设置为0.1,切割必须达到的最低分数设置为0.01,RANSAC迭代次数参数设置为1000。
与现有技术相比,本发明的有益效果包括:本发明提出了获取爆堆矿石块度的方法,包括:基于点云曲率改进的VCCS算法、基于边缘提取改进的CPC算法,该方法用基于点云曲率改进的VCCS算法分割数据得到第一数据,再使用基于边缘提取改进的CPC算法对第一数据进行聚类得到第二数据,最后根据处理好的第二数据进行爆堆块度的计算。该方法对传统的超体素分割算法进行了改进,实现了爆堆点云数据的分割达到更好的效果;同时使用基于点云曲率改进的VCCS算法来反映爆堆矿石表面的凹凸程度,提高分割结果的边界准确性;最后,用基于边缘提取改进的CPC算法来减少边缘信息不敏感的问题,最终提高了矿石识别的精度,从而能够精准地获得爆堆块度的大小。
附图说明
图1是本发明实施例1局部坐标系m-XYM示意图;
图2是本发明实施例1由密切圆、邻近点和法向量组成的三角形示意图。
图3是本发明实施例1的聚类结果展示。
具体实施方式
本具体实施方式提供了一种获取爆堆矿石块度的方法,包括以下步骤:
S1、基于点云曲率改进的VCCS算法分割云数据:建立体素化的网格,将点云曲率代入超体素分割过程中,将超体素分割前设置的权重值参数设置为曲率权重值,再采用基于八叉树对点云数据进行体素化处理、采用K-means聚类算法进行分割的VCCS算法,从三维层面上对爆堆点的云数据进行分割得到分割后的第一数据;
S2、基于边缘提取算法对矿石边界信息进行强化后再用CPC算法对第一数据进行聚类处理得到第二数据;该算法的输入数据以经过VCCS算法分割后的第一数据为基础,通过两个相邻超体素之间的凹度或凸度进行递归分割得到第二数据;在某些实施例中,所述CPC算法的最大切割次数为1000,最小尺寸设置为0.1,切割必须达到的最低分数设置为0.01,RANSAC迭代次数参数设置为1000;
S3、将每一块矿石的第二数据输出并进行点云直径的计算,通过计算每个聚类结果中第二数据最远的两个点之间的三维空间距离得到矿石块度的大小。
在某些实施例中,所述云数据由以下步骤得到:
运用三维激光扫描仪对矿山爆破前后的云数据进行多站扫描采集,用RiSCAN PRO或者CloudCompare软件对采集到的云数据进行处理得到。
在某些实施例中,在步骤S3中,所述最远的两个点之间的三维空间距离由以下步骤得到:
S31、随机选择矿石中的一个点为起始点A,选择其他邻近点作为终止点B,计算点A到点B之间的距离,记为dis1,并记录下此时的起始点A、终止点B和当前的距离Dis,此时Dis=dis1;
S32、将两个点A和B中的任意一个点替换为这两个点的相邻点C,然后计算未被替换的点A或者点B与点C之间的距离,记为dis2;
S33、将dis1和dis2进行比较;若dis1大于dis2,则继续保持当前的点对和距离,即此时记录的点对还是起始点A、终止点B和距离dis1;如果dis2大于dis1,则此时记录的点对和距离应该被及时更新,此时Dis=dis2;重复上述步骤,直到遍历完矿石点云中所有的点,随着遍历过程的不断进行,计算出的距离正逐渐收敛为最远的两个点之间的三维空间距离。
在某些实施例中,在步骤S2中,所述基于边缘提取算法对矿石边界信息进行强化包括:首先计算爆堆点中每个点的表面法线,根据要计算的点和它的法向量做出该点的切平面,然后以这个点为坐标中心构建局部坐标系,计算其他点到该点的向量与建立的坐标轴顺时针的夹角,比较相邻夹角之间差值的最大值和角度阈值,若差值的最大值大于角度阈值,则该点为边缘点,重复上述步骤计算爆堆中的每一个点,最终实现边缘提取。
在某些实施例中,所述点云曲率由以下步骤得到:
法向曲率的局部拟合:假设爆堆点云中任意一点m有n个邻近点,第i个邻近点Pi的法向量为Ni,以点m为原点,以点m的坐标的正交单位向量X,Y和其单位法向量M为坐标轴,建立m的局部坐标系m-XYM,在这个坐标系中,邻近点Pi的坐标为(xi,yi,zi),邻近点的法向量Ni的坐标为(nx,i,ny,i,nz,i),则通过点m的密切圆可以计算出它的法向曲率为
根据欧拉公式得到法向曲率和主曲率之间的关系:
上式中,是点m过点pi的法截线的切线与主方向的夹角;q1、q2为点m的两个主曲率。
在某些实施例中,点m相对于邻近点pi的法向曲率公式如下:
式中,α角是点m的法向量M和mpi之间的夹角,β角是点m的法向量M和邻近点的法向量Ni之间的夹角,邻近点Pi的坐标为(xi,yi,zi),邻近点的法向量Ni的坐标为(nx,i,ny,i,nz,i),分别对应公式中的xi、yi、ny,i、nx,i。
根据欧拉公式得到法向曲率和主曲率之间的关系之前还包括:欧拉方程的最小二乘拟合:
假设给定点m处的XY坐标与法向量M分别为:
再假定点m在平面L上,其法向量为M,设e1和e2是点m处的主方向,其所对应的主曲率为k1和k2,设参数是向量e1和e2的夹角,/>是矢量X和矢量mPi之间的夹角。
在某些实施例中,在步骤S1中,采用VCCS算法之前还包括建立体素化的网格,网格的各项参数设置为:体素分辨率Rvoxel=0.025,网格固定分辨率Rseed=0.1,距离权重Ws=0.4,法向量权重Wn=0.3,网格设置完成后,运行VCCS算法,开始分割。
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
实施例1
本实施例提出一种获取爆堆矿石块度的方法,包括以下步骤:
S0、通过激光扫描仪采集云数据:为了得到三维的云数据,先运用三维激光扫描仪对矿山爆破前后的云数据进行多站扫描采集,用RiSCAN PRO或者CloudCompare软件对采集到的云数据进行处理。数据处理的首先是大致圈定出实验所需的爆堆点云数据的范围,然后利用裁剪工具将其他多余的区域进行裁切删除;然后利用软件对设置好参数后自动识别出圈定区域内的噪点数据进行删除,针对于那些软件无法识别的噪点点云,可以采用人工目视相结合的方式进行手动删除;对同一个爆堆多个测站的数据都进行上述操作后,最后按照点云拼接的步骤(设置基准站、调整点云位置姿态、粗拼接、精拼接等)将多站点云数据拼接成一份完整的爆堆点云数据,以供后续点云分割算法步骤使用;
需要说明的是,一些块度较小的矿石在进行边缘提取时不容易明确表现出矿石的特征,算法也就无法对其进行正确的识别,影响后面块度的计算,应该通过减小扫描仪与爆堆之间的距离、增强扫描仪的分辨率、增加多站扫描等方式来提高爆堆矿石云数据的质量;
S1、基于点云曲率改进的VCCS算法分割云数据:建立体素化的网格,将点云曲率代入超体素分割过程中,建立体素化的网格,网格的各项参数设置为:体素分辨率Rvoxel=0.025,网格固定分辨率Rseed=0.1,距离权重Ws=0.4,法向量权重Wn=0.3,网格设置完成后,将点云曲率代入超体素分割过程中,将超体素分割前设置的权重值参数设置为曲率权重值,再采用基于八叉树对点云数据进行体素化处理、采用K-means聚类算法进行分割的VCCS算法,从三维层面上对爆堆点的云数据进行分割得到分割后的第一数据,运行VCCS算法,开始分割,采用VCCS算法从三维层面上对爆堆点的云数据进行分割得到分割后的第一数据;该步骤处理提高了超体素分割的精度,以更好的确定重叠矿石的边缘;将点云曲率代替云颜色进行超体素分割的改进过的VCCS算法可以反映矿石表面的凹凸程度且拥有更高的分割精度;
矿石的边界信息和其表面的弯曲程度有关,即曲率,而计算一个点的曲率,先是通过构建一个法向截面圆,然后计算目标点与临近点之间的位置关系和法向量估计来求得点云曲率(即主曲率),具体过程如下:
S11、法向曲率的局部拟合:假设爆堆点云中任意一点m有n个邻近点,第i个邻近点Pi的法向量为Ni,以点m为原点,以点m的坐标的正交单位向量X,Y和其单位法向量M为坐标轴,建立m的局部坐标系m-XYM,在这个坐标系中,邻近点Pi的坐标为(xi,yi,zi),邻近点的法向量Ni的坐标为(nx,i,ny,i,nz,i),则通过点m的密切圆可以计算出它的法向曲率为各变量之间的几何关系如下图1和2所示;其中,图1是局部坐标系m-XYM。图2则是由密切圆、邻近点和法向量组成的三角形。点m相对于邻近点pi的法向曲率公式如下:
上式中,α角是点m的法向量M和mpi之间的夹角,β角是点m的法向量M和邻近点的法向量Ni之间的夹角;邻近点Pi的坐标为(xi,yi,zi),邻近点的法向量Ni的坐标为(nx,i,ny,i,nz,i),分别对应公式中的xi、yi、ny,i、nx,i;
S12、欧拉方程的最小二乘拟合:在求法向曲率时因为是在新建立的局部坐标系中求解的,因此涉及到邻近点全局坐标系的坐标与局部坐标系的坐标转换问题。假设给定点m处的XY坐标与法向量M分别为:
再假定点m在平面L上,其法向量为M,设e1和e2是点m处的主方向,其所对应的主曲率为k1和k2,设参数是向量e1和e2的夹角,/>是矢量X和矢量mPi(mPi在平面L的投影)之间的夹角,其中/>可以利用pi的局部坐标进行计算。根据欧拉公式可以得到法向曲率和主曲率之间的关系:
上式中,是点m过点pi的法截线的切线与主方向的夹角;q1、q2为点m的两个主曲率。根据上式可以计算出点云的主曲率值。基于点云曲率的算法对于爆堆矿石的分割具有更好的效果。
S2、基于边缘提取算法对矿石边界信息进行强化后再用CPC算法对第一数据进行聚类处理得到第二数据;该算法的输入数据以经过VCCS算法分割后的第一数据为基础,通过两个相邻超体素之间的凹度或凸度进行递归分割得到第二数据;所述CPC算法的最大切割次数为1000,最小尺寸设置为0.1,切割必须达到的最低分数设置为0.01,RANSAC迭代次数参数设置为1000;CPC算法完成聚类后以反映矿石之间的空间位置。聚类结果展示在图3中:
根据图3可知,聚类的效果清晰明了,并没有因为矿石表面凹凸性差异不一导致聚类结果中出现大块矿石中含有多个小块矿石分割的情况,相反,我们可以在图3中很好的找到爆堆中每个矿石的边界,对于矿石的识别效果更好,识别精度更高;
由于爆堆中矿石的形态、大小、分布情况太过复杂,使用传统的CPC算法进行聚类容易存在错误的聚类群,因此在CPC算法之前基于边缘提取算法对矿石边界信息进行强化后再用CPC算法对云数据进行聚类处理,边缘提取强化过程在于:首先计算爆堆点中每个点的表面法线,根据要计算的点和它的法向量做出该点的切平面,然后以这个点为坐标中心构建局部坐标系,计算其他点到该点的向量与建立的坐标轴顺时针的夹角,判断相邻夹角之间差值的最大值和设置的角度阈值的大小,本实施例角度阈值为π/2,若差值的最大值大于角度阈值,则该点为边缘点。重复上述步骤计算爆堆中的每一个点,最终实现边缘提取;
在本实施例中,要先对CPC算法进行优化,云数量不宜过少,否则无法构成一个矿石,太少云数量的数据应当做离散噪点删除;之后将点云与爆堆范围进行比较,删除超出范围的点云;完成以上步骤后将算好的块度和最大矿石尺寸进行比较,若块度尺寸大于最大尺寸,则应按照步骤S3所提到边缘提取算法再次进行迭代以强化矿石群里各矿石的边界信息,重新进行CPC算法的聚类并重复以上步骤直至计算出的矿石块度尺寸小于矿石最大尺寸;若块度尺寸小于最大尺寸则可以输出结果;
S3、计算爆堆矿石块度:将每一块矿石的第二数据进行分块输出并进行点云直径的计算,通过计算每个聚类结果中第二数据最远的两个点之间的三维空间距离(即欧几里得距离,也叫欧式距离)得到矿石块度的大小;假设点云数据中任意两点A(a1,a2,a3)和B(b1,b2,b3),则点A和点B之间的距离为:
算法寻找矿石点云中最远的两个点的过程主要包括三个步骤:
S31、首先,随机选择矿石中的一个点为起始点A,选择其他邻近点作为终止点B,计算点A到点B之间的距离,记为dis1,并记录下此时的起始点A、终止点B和当前的距离Dis,此时Dis=dis1;
S32、两个点中的任意一个点替换为它们的相邻点C,然后计算未被替换的点A或者点B与点C之间的距离(如果是起始点A被替换,那么就计算点B与点C之间的距离;如果是终止点B被替换,那么就计算点A和点C之间的距离),记为dis2;
S33、最后,将dis1和dis2进行比较;如果dis1大于dis2,则继续保持当前的点对和距离,即此时记录的点对还是起始点A、终止点B和距离dis1;如果dis2大于dis1,则此时记录的点对和距离应该被及时更新,此时Dis=dis2。重复上述步骤,直到遍历完矿石点云中所有的点,随着遍历过程的不断进行,计算出的距离正逐渐收敛为矿石真实的块度大小。也就是说矿石上的点的坐标是已知的,再计算出每组最远的点间的空间距离,便可得到矿石块度的大小。
本发明的其他有益效果包括:
1)利用三维激光扫描仪采集云数据,通过提高扫描仪分辨率、缩短扫描仪与爆堆距离等方法,能够获取爆堆更全面、详细的云数据,同时保证较小的矿石也能得到辨识;
2)利用基于点云曲率改进的VCCS算法分割云数据,在传统VCCS算法前进行曲率的计算,可以更加直观地反映出矿石的边界信息和表面的凹凸情况等,让最终的云数据分割结果精度更高;
3)利用基于边缘提取改进的CPC算法对数据进行聚类,在传统CPC算法进行云数据聚类前,进行边缘提取这一预处理,这有利于算法准确地找到矿石的边界信息,有利于爆堆的识别,同时解决了传统算法存在的错误聚类这一问题;
4)在进行矿石爆堆块度计算时,对基于边缘提取的CPC算法再次进行优化,优化后只需在算法开始运行前设置好对应的参数,输入处理好的云数据后即可让算法自行运行,中途不再需要任何的人工干预,做到了矿石块度计算的自动化,便利程度大大提高。
以上所述本发明的具体实施方式,并不构成对本发明保护范围的限定。任何根据本发明的技术构思所做出的各种其他相应的改变与变形,均应包含在本发明权利要求的保护范围内。
Claims (9)
1.一种获取爆堆矿石块度的方法,其特征在于,包括以下步骤:
S1、基于点云曲率改进的VCCS算法分割云数据:建立体素化的网格,将点云曲率代入超体素分割过程中,将超体素分割前设置的权重值参数设置为曲率权重值,再采用基于八叉树对点云数据进行体素化处理、采用K-means聚类算法进行分割的VCCS算法,从三维层面上对爆堆点的云数据进行分割得到分割后的第一数据;
S2、基于边缘提取算法对矿石边界信息进行强化后再用CPC算法对第一数据进行聚类处理得到第二数据;该算法的输入数据以经过VCCS算法分割后的第一数据为基础,通过两个相邻超体素之间的凹度或凸度进行递归分割得到第二数据;
S3、计算爆堆矿石块度:将每一块矿石的第二数据输出并进行点云直径的计算,通过计算每个聚类结果中第二数据最远的两个点之间的三维空间距离得到矿石块度的大小。
2.根据权利要求1所述的获取爆堆矿石块度的方法,其特征在于,在步骤S1中,所述云数据由以下步骤得到:
运用三维激光扫描仪对矿山爆破前后的云数据进行多站扫描采集,用RiSCAN PRO或者CloudCompare软件对采集到的数据进行处理得到。
3.根据权利要求1所述的获取爆堆矿石块度的方法,其特征在于,在步骤S3中,所述最远的两个点之间的三维空间距离由以下步骤得到:
S31、随机选择矿石中的一个点为起始点A,选择其他邻近点作为终止点B,计算点A到点B之间的距离,记为dis1,并记录下此时的起始点A、终止点B和当前的距离Dis,此时Dis=dis1;
S32、将两个点A和B中的任意一个点替换为这两个点的相邻点C,然后计算未被替换的点A或者点B与点C之间的距离,记为dis2;
S33、将dis1和dis2进行比较;若dis1大于dis2,则继续保持当前的点对和距离,即此时记录的点对还是起始点A、终止点B和距离dis1;如果dis2大于dis1,则此时记录的点对和距离应该被及时更新,此时Dis=dis2;重复上述步骤,直到遍历完矿石点云中所有的点,随着遍历过程的不断进行,计算出的距离正逐渐收敛为最远的两个点之间的三维空间距离。
4.根据权利要求1所述的获取爆堆矿石块度的方法,其特征在于,在步骤S2中,所述基于边缘提取算法对矿石边界信息进行强化包括:首先计算爆堆点中每个点的表面法线,根据要计算的点和它的法向量做出该点的切平面,然后以这个点为坐标中心构建局部坐标系,计算其他点到该点的向量与建立的坐标轴顺时针的夹角,比较相邻夹角之间差值的最大值和角度阈值,若差值的最大值大于角度阈值,则该点为边缘点,重复上述步骤计算爆堆中的每一个点,最终实现边缘提取。
5.根据权利要求1所述的获取爆堆矿石块度的方法,其特征在于,在步骤S1中,所述点云曲率由以下步骤得到:
法向曲率的局部拟合:假设爆堆点云中任意一点m有n个邻近点,第i个邻近点Pi的法向量为Ni,以点m为原点,以点m的坐标的正交单位向量X,Y和其单位法向量M为坐标轴,建立m的局部坐标系m-XYM,在这个坐标系中,邻近点Pi的坐标为(xi,yi,zi),邻近点的法向量Ni的坐标为(nx,i,ny,i,nz,i),则通过点m的密切圆可以计算出它的法向曲率为
根据欧拉公式得到法向曲率和主曲率之间的关系:
上式中,是点m过点pi的法截线的切线与主方向的夹角;q1、q2为点m的两个主曲率。
6.根据权利要求5所述的获取爆堆矿石块度的方法,其特征在于,点m相对于邻近点pi的法向曲率公式如下:
式中,α角是点m的法向量M和mpi之间的夹角,β角是点m的法向量M和邻近点的法向量Ni之间的夹角,邻近点Pi的坐标为(xi,yi,zi),邻近点的法向量Ni的坐标为(nx,i,ny,i,nz,i),分别对应公式中的xi、yi、ny,i、nx,i。
7.根据权利要求5所述的获取爆堆矿石块度的方法,其特征在于,根据欧拉公式得到法向曲率和主曲率之间的关系之前还包括:欧拉方程的最小二乘拟合:
假设给定点m处的XY坐标与法向量M分别为:
再假定点m在平面L上,其法向量为M,设e1和e2是点m处的主方向,其所对应的主曲率为k1和k2,设参数是向量e1和e2的夹角,/>是矢量X和矢量mPi之间的夹角。
8.根据权利要求1所述的获取爆堆矿石块度的方法,其特征在于,在步骤S1中,采用VCCS算法之前还包括建立体素化的网格,网格的各项参数设置为:体素分辨率Rvoxel=0.025,网格固定分辨率Rseed=0.1,距离权重Ws=0.4,法向量权重Wn=0.3,网格设置完成后,运行VCCS算法,开始分割。
9.根据权利要求1所述的获取爆堆矿石块度的方法,其特征在于,在步骤S2中,所述CPC算法的最大切割次数为1000,最小尺寸设置为0.1,切割必须达到的最低分数设置为0.01,RANSAC迭代次数参数设置为1000。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311107023.8A CN117152475A (zh) | 2023-08-30 | 2023-08-30 | 一种获取爆堆矿石块度的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311107023.8A CN117152475A (zh) | 2023-08-30 | 2023-08-30 | 一种获取爆堆矿石块度的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117152475A true CN117152475A (zh) | 2023-12-01 |
Family
ID=88907366
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311107023.8A Pending CN117152475A (zh) | 2023-08-30 | 2023-08-30 | 一种获取爆堆矿石块度的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117152475A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117152446A (zh) * | 2023-10-31 | 2023-12-01 | 昆明理工大学 | 一种基于高斯曲率和局部凹凸性的改进lccp点云分割方法 |
-
2023
- 2023-08-30 CN CN202311107023.8A patent/CN117152475A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117152446A (zh) * | 2023-10-31 | 2023-12-01 | 昆明理工大学 | 一种基于高斯曲率和局部凹凸性的改进lccp点云分割方法 |
CN117152446B (zh) * | 2023-10-31 | 2024-02-06 | 昆明理工大学 | 一种基于高斯曲率和局部凹凸性的改进lccp点云分割方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114170279A (zh) | 一种基于激光扫描的点云配准方法 | |
CN108389250B (zh) | 基于点云数据快速生成建筑物断面图的方法 | |
Xu et al. | Reconstruction of scaffolds from a photogrammetric point cloud of construction sites using a novel 3D local feature descriptor | |
CN117152475A (zh) | 一种获取爆堆矿石块度的方法 | |
CN102521884A (zh) | 一种基于LiDAR数据与正射影像的3维屋顶重建方法 | |
CN111311650A (zh) | 一种点云数据的配准方法、装置及存储介质 | |
CN111486797B (zh) | 一种地铁圆形盾构隧道横向直径的自动提取方法 | |
CN112784403A (zh) | 基于点云数据建立节理岩体离散元模型的数值模拟方法 | |
CN112197773B (zh) | 基于平面信息的视觉和激光定位建图方法 | |
CN111652241A (zh) | 融合影像特征与密集匹配点云特征的建筑物轮廓提取方法 | |
CN116740060B (zh) | 基于点云几何特征提取的装配式预制构件尺寸检测方法 | |
CN117854060B (zh) | 基于深度学习的隧道岩体面状裂隙识别方法及系统 | |
CN114332291A (zh) | 一种倾斜摄影模型建筑物外轮廓规则提取方法 | |
CN112070800B (zh) | 一种基于三维点云极化地图表征的智能车定位方法及系统 | |
CN115018249A (zh) | 一种基于激光扫描技术的地铁站施工质量评价方法 | |
CN113721969B (zh) | 一种基于多尺度空间矢量数据级联更新方法 | |
WO2024125434A1 (zh) | 基于区域一致性的建筑物主角度修正方法 | |
Moritani et al. | Cylinder-based efficient and robust registration and model fitting of laser-scanned point clouds for as-built modeling of piping systems | |
CN114565629A (zh) | 一种基于多尺度邻域的大型蒙皮边缘缺陷检测方法 | |
CN113362296A (zh) | 一种隧道裂缝提取方法及系统 | |
Li et al. | Research on Key Technologies for Container Ship Loading Test Based on 3D Laser Scanning | |
CN111862322B (zh) | 一种拱轴线提取方法及装置 | |
CN117953002B (zh) | 基于Harris角点检测及匹配算法的CAD图纸翻模方法 | |
CN118096737B (zh) | 一种应用于矿山法隧道运营期变形监测方法及系统 | |
CN117058314B (zh) | 一种基于点云数据的现浇结构模板逆向建模方法 |
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 |