一种基于充填料浆图像特征的在线浓度监测方法技术

本发明专利技术提供一种基于充填料浆图像特征的在线浓度监测方法，属于矿山充填技术领域。该方法采用双分辨率料浆检测传感器对介尺度范围清晰成像，采集料浆搅拌过程中静态图像和视频流数据。料浆检测传感器镜头端布置半导体制冷与高压空气双重冷却装置。综合分析自然图像浅层公共特征，介尺度图像多尺度特征和视频光流特征与浓度间的关系，建立基于图像特征和视频光流特征的充填料浆浓度监测模型。在生产中，通过实时图像对搅拌槽中料浆浓度进行实时测定。该方法结合机器视觉、深度学习与人工智能技术，将料浆的介尺度图像和视频数据的定性特征进行定量表征，为充填采矿智能化发展提供良好借鉴。良好借鉴。良好借鉴。

【技术实现步骤摘要】
一种基于充填料浆图像特征的在线浓度监测方法


[0001]本专利技术涉及矿山充填
，特别是指一种基于充填料浆图像特征的在线浓度监测方法。

技术介绍

[0002]金属矿山胶结充填技术先后经历了水砂充填、高浓度充填等多个发展阶段，而料浆浓度是始终贯穿胶结充填采矿技术发展历程的核心参数。在充填料浆制备的过程中需要对料浆浓度进行精准控制，因为料浆含水率对流动性能和强度指标具有决定性作用。
[0003]充填浓度对充填料浆流动性能和输送性能有显著影响。在现场充填时，常用塌落度对料浆的流动性能进行表征，塌落度越大则料浆流动性越好。相关研究表明，流动性随料浆质量浓度的增大而减小，且存在一临界浓度点导致超过临界浓度时流动性的降低速率更快。屈服应力和表观黏度是充填料浆管道阻力计算的核心参数，屈服应力和表观黏度越大，管道输送阻力就越大，料浆的输送就更困难，屈服应力和表观黏度随着浓度的增加而增大，同样的存在临界浓度点导致流变参数增幅变大。因此，在料浆制备过程中必须对其浓度进行实时精准在线测定和控制，否则将严重威胁充填系统的安全运行。其次，充填浓度对料浆所形成的充填体强度及耐久性有显著影响。料浆硬化体的强度性能决定了其对空区围岩的支护性能，充填体强度越小，其对矿柱及围岩的支撑力度就越小，不利于矿山支护，易形成冲击低压和地表塌陷等地质灾害；而充填浓度高时料浆的流动性又会降低，导致管道输送困难。因此，需要对充填浓度进行精准测定和控制，将充填浓度的波动控制到合理范围。
[0004]充填浓度的精准测定是实现浓度精准化控制的前提。现有的浓度在线测量手段如核子浓度计、超声波浓度仪、微波浓度仪等设备均具有很大的局限性，对被测量介质的要求较高(如：电导率、强极性等)，这就导致了充填料浆在线浓度测定设备方面的缺乏，无法快速、准确的获得料浆的实时浓度值。随着机器学习迅速发展，图像特征算法成为一种重要的监测手段，逐渐的在各大领域(如：人工智能、烟雾监测等)得到广泛的应用。基于此提出一种基于充填料浆图像特征的非接触式的充填料浆浓度监测方法，该方法具有广泛的适应性，能够对料浆浓度进行实时监测。

技术实现思路

[0005]本专利技术要解决的技术问题是提供一种基于充填料浆图像特征的在线浓度监测方法，通过机器学习识别不同浓度料浆搅拌流动性的视觉差异，设计料浆视频浓度分析模式，提取料浆输送的视频光流特征，从而实现更精准的浓度分析预测，最终能够为充填采矿的智能化发展提高参考。
[0006]该方法包括步骤如下：
[0007]S1：数据采集：在充填料浆制备搅拌时，采用视觉介尺度料浆检测传感器对搅拌槽中搅拌轴轴向的前、中、后三个位置的料浆表面进行拍摄，采集不同入料条件下料浆搅拌过程中的自然图像、介尺度图像和视频流数据，形成料浆浓度相关的视觉感知特征(颗粒度大
小分布、纹理等)以及运动特征(流速和流向等)表示；
[0008]S2：特征提取：采用卷积神经网络对S1中采集的图像和视频流数据分别进行特征提取，获得自然图像的浅层公共特征、介尺度图像的多尺度特征和视频的光流特征；
[0009]S3：浓度标定：提取不同入料条件下搅拌槽内的料浆，采用烘干法进行浓度测定，获得不同入料条件下料浆的浓度基准值；
[0010]S4：通过FPN(feature pyramid networks)网络结构进行自然图像的浅层公共特征和介尺度图像的多尺度特间的特征融合，并通过预训练模型实现自然图像特征的迁移学习；同时，综合分析图像、视频的光流特征与料浆浓度间的关系，采用小样本图像迁移学习的料浆浓度分析模型预训练技术建立基于图像特征的充填料浆浓度监测模型；
[0011]S5：充填料浆浓度监测：在工业生产条件下，根据S4中建立的充填料浆浓度监测模型，通过S1中获得的实时图像对充填料浆浓度进行监测。
[0012]该监测方法核心在于，将视频光流特征视为颗粒的运动速度、图像特征视为颗粒的分布。浓度变化时会影响颗粒在搅拌过程中的运动速度及分布。以光流特征和图像特征作为自变量、浓度值作为因变量进行神经网络训练，可以得到一个预测模型。该预测模型通过识别料浆的光流特征和图像特征就可以判断浓度大小。
[0013]S1中料浆检测传感器主体为工业摄像机配合防抖镜头组成双分辨率的成像系统，具体包括相机主体、防尘罩体、电源接口、光源阵列、偏振光学玻璃和高压空气气幕出口，相机主体外部设置防尘罩体，相机主体一侧设置电源接口，相机主体内部设置相机电源、半导体散热器、工业高清摄像头、工业防抖中焦镜头、工业防抖长焦镜头，工业防抖中焦镜头和工业防抖长焦镜头上方设置由光源组成的光源阵列，工业防抖中焦镜头和工业防抖长焦镜头正前方设置偏振光学玻璃，偏振光学玻璃前方设置高压空气气幕出口，高压空气气幕出口连接高压空气输入开关。
[0014]S1中对料浆表面进行拍摄时，采用日光和补光灯保持光亮，拍摄距离液面20cm～30cm。
[0015]S2中的卷积神经网络包含五个卷积层和一个池化层，其中：
[0016]卷积层：采用三通道的卷积层进行图像特征的提取，五个卷积层的卷积核数均为3
×
3像素、滑动步长均为1，填充类型均为SAME；
[0017]池化层：卷积层处理后的图像特征维度较高，在池化层进行降维处理；将图像划分为不相交的块后计算得到块最大值，即最大池化，核大小为3
×
3像素、滑动步长为4、填充类型均为VALID；
[0018]激励函数：为了提升卷积层和池化层的非线性解释能力，同时提升模型的收敛性，在卷积层和池化层的运算之后进行激励函数的计算，采用ReLu函数(Max(0，x))作为激励函数以改善卷积网络模型的容错能力。
[0019]S2中视频的光流特征计算采用由LiteFlowNet(光流神经网络)和FlowNetS基础改进的LiteFlowNet
‑
en(基于PIV深度光流神经网络)模型。
[0020]S4中迁移学习以预训练模型为基础进行，选用的预训练模型为带有预训练权重的Keras模型，用以预测、特征提取和微调。
[0021]S4中采用的小样本学习方法为孪生网络，即采用双路的网络结构，通过组合的方式构造不同的成对样本，并输入网络进行训练。其中，在最上层的网络对样本类别进行判断
并输出概率分布。在运算时，孪生网络会对每一组的测试样本和支撑样本进行处理，最终孪生网络会将支撑集上概率最高的类别作为结果进行输出。
[0022]料浆检测传感器能够对um～cm级的介尺度范围进行清晰成像，不仅能获取颗粒度大小分布、均匀性等静态参数，也可以动态分析膏体液面表面的流动流速和流向。
[0023]LiteFlowNet
‑
en模型由NetC和NetE两部分构成；其中，NetC用于将视频中的每一帧图像都转换为高维特征使用共享卷积核和网络权重，其主体为金字塔结构；NetE的作用是对高维特征的分辨率进行推理，最终形成像素间的运动，主体为级联推理结构，其计算公式如下：本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于充填料浆图像特征的在线浓度监测方法，其特征在于，包括步骤如下：S1：数据采集：在充填料浆制备搅拌时，采用视觉介尺度料浆检测传感器对搅拌槽中搅拌轴轴向的前、中、后三个位置的料浆表面进行拍摄，采集不同入料条件下料浆搅拌过程中的自然图像、介尺度图像和视频流数据，形成料浆浓度相关的视觉感知特征以及运动特征表示；S2：特征提取：采用卷积神经网络对S1中采集的图像和视频流数据分别进行特征提取，获得自然图像的浅层公共特征、介尺度图像的多尺度特征和视频的光流特征；S3：浓度标定：提取不同入料条件下搅拌槽内的料浆，采用烘干法进行浓度测定，获得不同入料条件下料浆的浓度基准值；S4：通过FPN网络结构进行自然图像的浅层公共特征和介尺度图像的多尺度特征的特征融合，并通过预训练模型实现自然图像特征的迁移学习；同时，综合分析图像、视频的光流特征与料浆浓度间的关系，采用小样本图像迁移学习的料浆浓度分析模型预训练技术建立基于图像特征和视频光流特征的充填料浆浓度监测模型；S5：充填料浆浓度监测：在工业生产条件下，根据S4中建立的充填料浆浓度监测模型，通过S1中获得的实时图像对充填料浆浓度进行监测。2.根据权利要求1所述的基于充填料浆图像特征的在线浓度监测方法，其特征在于，所述S1中料浆检测传感器主体为工业摄像机配合防抖镜头组成双分辨率的成像系统，具体包括相机主体、防尘罩体、电源接口、光源阵列、偏振光学玻璃和高压空气气幕出口，相机主体外部设置防尘罩体，相机主体一侧设置电源接口，相机主体内部设置相机电源、半导体散热器、工业高清摄像头、工业防抖中焦镜头、工业防抖长焦镜头，工业防抖中焦镜头和工业防抖长焦镜头上方设置由光源组成的光源阵列，工业防抖中焦镜头和工业防抖长焦镜头正前方设置偏振光学玻璃，偏振光学玻璃前方设置高压空气气幕出口，高压空气气幕出口连接高压空气输入开关。3.根据权利要求1所述的基于充填料浆图像特征的在线浓度监测方法，其特征在于，所述S1中对料浆表面进行拍摄时，采用日光和补光灯保持光亮，拍摄距离液面20cm～30cm。4.根据权利要求1所述的基于充填料浆图像特征的在线浓度监测方法，其特征在于，所述S2中的卷积神经网络包含五个卷积层和一个池化层，其中：卷积层：采用三通道的卷积层进行图像特征的提取，五个卷积层的卷积核数均为3
×
3像素、滑动步长均为1，填充类型均为SAME；池化层：卷积层处理后的图像特征维度较高，在池化层进行降维处理；将图像划分为不相交的块后计算得到块最大值，即最大池化，核大小为3
×
3像素、滑动步长为4、填充类型均为VALID...

【专利技术属性】
技术研发人员：尹升华，闫泽鹏，王雷鸣，陈勋，严荣富，陈大鹏，
申请(专利权)人：北京科技大学，
类型：发明
国别省市：