【技术实现步骤摘要】
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
[0001]本专利技术涉及粒度检测
，特别是涉及一种基于机器视觉的颗粒群超限颗粒的快速检测方法。
技术介绍
[0002]矿石粒度参数可以作为衡量矿石破碎程度的主要标准。与此同时也是影响选矿方法以及工艺流程选择的主要参考依据。当检测出超限颗粒存在于入选原料中时，将影响主要设备的分选效果，造成一系列危害，如可能堵塞住入料泵、入料管路及底流嘴。产品的限上率也作为评判煤炭质量的主要指标之一。在实际生产场景中，常会遇到分级筛板破损或掉落、破碎机磨损等情况，造成物料粒度的超限。因此，如何解决矿物入料与产品的粒度超限问题逐渐成为矿物加工工程的一个重要研究课题。
[0003]传统方法关于对于粒度的检测，细粒级矿物(<3.5mm)可采用激光衍射散射法进行测量，而部分选矿环节颗粒粒径上限一般为13mm、50mm、200mm，通常在这个范围内的矿物粒度检测都较为繁琐且存在滞后性，检测时间较长，如经典的筛分法和沉降法等离线测量方法，这些滞后的粒度检测方法不能满足实时反馈...
【技术保护点】
【技术特征摘要】
1.一种基于机器视觉的不规则颗粒群超限颗粒快速检测方法，其特征在于：包括以下步骤：1)训练集颗粒流图像构建：采集运输皮带矿物颗粒流图像作为训练集；2)对采集到的图片进行预处理：在计算机中进行滤波算法、形态学去噪研究、灰度化转换、图像增强多种处理；3)图像标注：对采集到的数据集进行标注，区分于细粒与其他混杂颗粒，框选出粗颗粒所在的基本区域，进行标记；4)深度学习模型训练：将训练集输入到YOLOv5中训练，得到损失率小于1的训练权重；5)应用权重进行实时图像识别：现有工业相机采集到煤流图像实时依次进入到YOLOv5中进行识别，得到目标识别框为识别出的粗颗粒区域；6)输出目标识别得到的粗颗粒区域图像，输入进分水岭算法；7)采用分水岭算法对粗颗粒区域进行分割，得到粗颗粒轮廓边缘；8)超限颗粒粒度检测：依据投影直径作为颗粒粒度参数判断各粗颗粒否为超限颗粒。2.根据权利要求1所述的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，其特征在于：所述步骤1)中为保证后续深度学习算法的整体性能，避免过拟合，图像采集时需考虑不同光照条件下、不同粒度范围煤流的图形信息，同时，为实现粒度参数的精确提取，故在图像采集区域设置了已知距离参照物。3.根据权利要求1所述的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，其特征在于：所述步骤2)中进行如下操作进行图片预处理：2.1)针对颗粒区域存在的粉尘干扰因素，采用中值滤波处理；即加入3*3模板进行滤波，对模板中的像素值进行排序并找出中位值，用中位值取代当前位置的像素值；此滤波方式有效保留图形的边缘特性，过滤掉煤流颗粒以外背景中的噪声；2.2)针对颗粒边缘对比度不明显，使用光学平衡变化算法进行图像增强，加强了在昏暗环境中的可区分性；分为两个步骤：扩大暗区的动态范围和同时限制高亮度部分；将两阶段图像变换表示为等式所示；它是一个分段函数，由应用于暗区的指数变换和应用于其他部分的线性变换组成；指数变换扩大图像的动态范围，而线性变换则抑制了高亮度部分；在这个公式中，img(i.j)为图像中位置的像素值，γ用于控制指数曲线的形状，δ是指输入图像的中值，V＝255是像素的最大值。4.根据权利要求1所述的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，其特征在于：所述步骤4)中将数据集按照8：2划分为训练集与测试集，输入图像像素统一调整至640*640大小，在具备1张RTX A5000显卡的计算机，编程语言为Python，在Python3.7环境下训练，训练过程中数据集迭代200次，每次训练选取8个样本进行权重更新，即batch_size为8；通过TensorBoard将训练可视化，保留最终的训练最优权重。5.根据权利要求1所述的一种基于机器视觉的不规则颗粒群超...
【专利技术属性】
技术研发人员：孙小路，梁伟农，申迎松，边林旺，王金诚，韩文耀，周春侠，
申请(专利权)人：合肥泰禾智能科技集团股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。