一种膏体浓度非接触式自动检测方法技术

本发明专利技术提供一种膏体浓度非接触式自动检测方法，属于尾矿膏体处置及图像处理技术领域。该方法涉及装置包括采集模块、分类模块及检测模块，该方法使用成像装置，采集膏体的图像或视频，采用图像或视频分析方法对所述膏体的图像或视频进行分类；根据所述膏体的图像或视频分类结果，获得当前膏体的浓度。本发明专利技术不仅能够在非接触式的测量情形下大幅度提高膏体浓度的测量精度，同时操作简单，不需要复杂的硬件设备，减少人工压力的同时也能进一步降低膏体浓度测量成本，可为矿山充填综合应用提供思路，具有重要的实用价值和理论意义。具有重要的实用价值和理论意义。具有重要的实用价值和理论意义。

【技术实现步骤摘要】
一种膏体浓度非接触式自动检测方法


[0001]本专利技术涉及尾矿膏体处置及图像处理
，特别是指一种膏体浓度非接触式自动检测方法。

技术介绍

[0002]在矿产资源开采过程中，环保要求越来越高的情况下，充填采矿法所占比重越来越高。充填采矿法指的是在进行采矿工作的时候，工作面每前进一段距离，则使用工厂配置的充填料浆填充采矿留下的采空区。充填料浆是将经过计算得出的一定比例的尾砂、粉煤灰、胶结剂和水，配制成具有一定的塑形能力和流动能力的可凝固稳定的膏体。膏体浓度(一般指尾砂浓度)是否满足要求决定了充填效果的优劣，因此提高膏体浓度测量的精确度对于实现预期效果至关重要。
[0003]目前国内很多矿山针对一些工艺流程，都引进了先进的大型设备，使得采矿作业向自动化和智能化发展，生产效能得到了提升，但是在膏体浓度的自动化测量上仍存在瓶颈。[吴爱祥，王勇，王洪江，尹升华，王贻明，韩斌.一种膏体饱和浓度检测装置及其使用方法：中国，CN103454176[P/OL]，2015-08-12]提出一种膏体饱和浓度测量装置，该方法测量结果精确且易操作，但需要全程人工干预，无法用于膏体浓度的自动化检测。
[0004]目前常用的两种浓度测量方式是使用超声浓度计或核子浓度计。出于安全考虑，国内限制或禁止使用核子浓度计。超声波浓度计分为插入式和夹装式两种：接触式测量的插入式超声波浓度计在测量过程中由于需要与制备中的膏体接触，容易被搅拌中的石块撞击导致损坏。夹装式超声波浓度计虽然避免了与膏体直接接触，但是在高浓度膏体测量中的准确度低而难以实用。因此迫切需要一种新的方法通过非接触的方式实时精准地测量膏体的浓度。
[0005]在膏体实际制备过程中，不同膏体浓度的图像或视频具有不同的表观特征，因此通过图像或视频分析方法对不同浓度膏体的图像或视频进行识别和分类存在理论可能性。随着人工智能及深度学习技术的发展，图像或视频识别与分类技术逐渐成熟，因此采用非接触式的图像识别的算法，可为膏体浓度测量提供一种全新的方案，有望解决现阶段膏体浓度测量自动化程度较低且准确度较低的瓶颈问题。

技术实现思路

[0006]本专利技术要解决的技术问题是提供一种膏体浓度非接触式自动检测方法，以解决现有的膏体浓度测量技术存在的自动化程度较低且准确度较低的瓶颈问题。
[0007]该方法涉及装置包括采集模块、分类模块及检测模块。
[0008]该方法包括步骤如下：
[0009]S1：使用成像装置采集并标定膏体的图像或视频；
[0010]S2：采用图像或视频分析方法对所述膏体的图像或视频进行分类；
[0011]S3：根据所述膏体的图像或视频分类结果，获得当前膏体的浓度。
[0012]其中，S1具体为：
[0013]S11：搭建膏体制备及标注数据采集环境：
[0014]环境包括成像装置、搅拌槽、恒定照明灯光以及尾矿，在搅拌槽周围架设成像装置，使成像装置可拍摄到搅拌槽内膏体制备过程的图像或视频；将尾矿和水按一定配比倒入搅拌槽中，再用搅拌器搅拌均匀；将一台高功率照明灯固定在金属架上，为成像装置提供足够的照明，使成像装置所在拍摄环境满足亮度条件，并保持亮度恒定；
[0015]S12：图像获取与膏体数据集制作：
[0016]采集不同浓度的膏体视频，针对每个浓度，固定搅拌时长，拍摄相同时长的视频，并截取相同数量的帧图像用于训练图像分类算法，以此制作不同浓度的膏体图像或视频数据集。
[0017]S2中图像或视频分析方法，指采用基于多尺度融合的图像或视频分类模型对膏体图像进行分类；所述模型由大尺度图像分类分支、小尺度图像分类分支、小尺度融合模块和多尺度融合模块组成，图像或视频分析方法按照如下步骤执行：
[0018]S21：搭建大尺度图像分类分支，通过对大尺度图像进行分类，得到膏体图像大尺度分类结果；
[0019]S22：搭建小尺度图像分类分支；
[0020]S23：在原始图像中采集不少于一张固定位置的小尺度图像，利用小尺度图像分类分支获得各张小尺度图像的分类结果；
[0021]S24：使用小尺度融合模块融合各张小尺度图像的分类结果，得到膏体图像小尺度分类结果；
[0022]S25：使用多尺度融合模块融合膏体图像小尺度和大尺度分类结果，得到当前膏体视频帧的分类结果。
[0023]以基于多尺度融合的卷积神经网络分类模型为例，在把采集到的膏体图像送入网络之前，需要先对膏体图像数据进行预处理，采用基于多尺度融合的卷积神经网络分类模型对膏体图像进行分类，模型由大尺度图像分类分支、小尺度图像分类分支、小尺度融合模块和多尺度融合模块组成，采用Gamma校正图像编辑方法进行数据增强，并训练所述基于多尺度融合的卷积神经网络分类模型。具体为：
[0024](1)：数据预处理：在把采集到的膏体图像送入网络之前，需要先对膏体图像数据进行预处理。主要包括以下步骤：
[0025]①
：尺寸转换：由于有限的硬件资源限制，需要对原始图像进行转换，确保模型的正常运行。原始图像的大小为1920像素*1080像素，本专利技术中使用了两种转换方式，一是对全图直接缩小到224像素*224像素尺寸，二是从原始图像中随机裁剪出一张224像素*224像素的小图。由于第一种转换方法观测到搅拌槽及膏体的概貌特征，因此称之为大尺度图像，由于第二种转换方法观测到膏体不同浓度的细节表观特征，因此称之为小尺度图像
[0026]②
：归一化：为加速网络的收敛速度，根据事先由所有膏体图像数据集计算出的像素均值和方差，对膏体图像数据进行归一化操作。
[0027](2)：采用基于多尺度融合的卷积神经网络分类模型对膏体图像进行分类。所述模型由大尺度图像分类分支、小尺度图像分类分支、小尺度融合模块和多尺度融合模块等部分组成，按照如下步骤执行：
[0028]①
：采用卷积神经网络搭建大尺度图像分类分支，通过对大尺度图像进行分类，得到膏体图像大尺度分类结果。
[0029]②
：采用卷积神经网络搭建小尺度图像分类分支。
[0030]③
：在原始图像中采取多张固定位置的小尺度图像，利用小尺度图像分类分支获得各张小尺度图像的分类结果。
[0031]④
：使用小尺度融合模块融合各张小尺度图像的分类结果，得到膏体图像小尺度分类结果。
[0032]⑤
：使用多尺度融合模块融合膏体图像小尺度和大尺度分类结果，最终得到当前膏体视频帧的分类结果。
[0033](3)：采用Gamma校正等图像编辑方法进行数据增强，并训练所述基于多尺度融合的卷积神经网络分类模型。
[0034]S3中根据成像装置拍摄的膏体图像或视频，采用基于多尺度融合的卷积神经网络分类模型在非接触的情况下得到膏体图像或视频的实时分类结果，并将该分类结果转换成对应的膏体浓度。
[0035]S21中的大尺度图像分类分支和S22中的小尺度分类分支中使用图像或视频分类本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种膏体浓度非接触式自动检测方法，其特征在于：包括步骤如下：S1：使用成像装置采集并标定膏体的图像或视频；S2：采用图像或视频分析方法对S1得到的膏体的图像或视频进行分类；S3：根据S2中膏体的图像或视频分类结果，获得当前膏体的浓度。2.根据权利要求1所述的膏体浓度非接触式自动检测方法，其特征在于：所述S1具体为：S11：搭建膏体制备及标注数据采集环境：在搅拌槽周围架设成像装置，成像装置拍摄搅拌槽内膏体制备过程的图像或视频；将尾矿和水倒入搅拌槽中，再用搅拌器搅拌均匀；将照明装置固定在金属架上，为成像装置提供照明，使成像装置所在拍摄环境满足亮度条件，并保持亮度恒定；S12：图像获取与膏体数据集制作：采集不同浓度的膏体视频，针对每个浓度，固定搅拌时长，拍摄相同时长的视频，并截取相同数量的帧图像用于训练图像分类算法，以此制作不同浓度的膏体图像或视频数据集。3.根据权利要求1所述的膏体浓度非接触式自动检测方法，其特征在于：所述S2中图像或视频分析方法，指采用基于多尺度融合的图像或视频分类模型对膏体图像进行分类；所述模型由大尺度图像分类分支、小尺度图像分类分支、小尺度融合模块和多尺度融合模块组成，图像或视频分析方法按照如下步骤执行：S21：搭建大尺度图像分类分支，通...

【专利技术属性】
技术研发人员：吴爱祥，周佳城，马博渊，袁兆麟，王贻明，阮竹恩，
申请(专利权)人：北京科技大学，
类型：发明
国别省市：