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技术方案

本发明专利技术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

【技术实现步骤摘要】
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


[0001]本专利技术属于选矿检测
，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。

技术介绍

[0002]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。技术专利《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；专利技术专利《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。

技术实现思路

[0003]针对现有技术存在的上述问题，本专利技术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。
[0004]本专利技术的目的是通过下述技术方案实现的：
[0005]本专利技术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。
[0006]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。
[0007]本专利技术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：
[0008]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；
[0009]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；
[0010]在步骤S2中，具体包括以下子步骤：
[0011]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；
[0012]步骤2.2、对灰度化处理后的图像进行ROI感兴趣区域提取；
[0013]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；
[0014]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；
[0015]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。
[0016]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；
[0017]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：
[0018]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；
[0019]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；
[0020]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；
[0021]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。
[0022]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。
[0023]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。
[0024]矿石直径D
i
计算公式：其中，第i个矿石的面积S
i
＝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。
[0025]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,D
2,
…
D
n
组成一定的粒径区间[D1,D2],[D
n-1
,D
n
],采用矿石颗粒的数目分布表征颗粒群的频度分布f1,f
2,
…
f
n
,其中：
[0026][0027]与现有技术相比，本专利技术的优点是：
[0028]本专利技术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
[0029]图1为本专利技术的分级系统结构示意图。
[0030]图2为本专利技术的分级方法流程图。
[0031]图3为U-NET网络结构图。
[0032]图4为计算机控制系统结构图。
具体实施方式
[0033]下面结合附图和具体实施方式对本专利技术作进一步说明：
[0034]如图1所示，本专利技术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。
[0035]如图2和图3所示，本专利技术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：
[0036]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；
[0037]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。
[0038]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：
[0039]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；
[0040]步骤2.2、对灰度化处理后的图像进行ROI感兴趣区域提取；
...

【技术保护点】

【技术特征摘要】
1.一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、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。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。3.一种基于图像和深度神经网络的矿石粒度检测方法，采用如权利要求1所述的检测系统，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；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；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。4.根据权利要求3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...

【专利技术属性】
技术研发人员：梁小军，孙亚鑫，肖成勇，张威，
申请(专利权)人：鞍钢集团矿业有限公司，
类型：发明
国别省市：