基于深度学习技术的爆堆块度识别方法研究

在露天矿爆破开采过程中,大块率是评价爆破质量的一个重要指标。较高的大块率不仅会大大降低采装效率,同时也增加二次破岩的费用,因此大块率统计是露天矿开采中一项重要工作。针对目前矿山存在的矿岩大块率统计复杂且准确性不高的问题,以乌努格吐山铜钼矿为研究对象,收集了矿区内台阶爆破爆堆图像数据,构建了基于深度学习的爆堆大块率统计模型。首先基于U-net矿岩图像分割模型,初步分割标注处理的数据集,建立了矿岩轮廓初次分割效果图。在残差学习模块基础上,改进Resu-net模型,优化训练标注数据,获得了最终矿岩轮廓分割效果图。最后,采用OpenCV图像处理技术,通过最小外接矩形法确定了爆堆块度尺度信息。结果表明,本研究提出的U-net+Resu-net爆堆块度优化分割模型准确率达到97.84%,爆堆矿岩图像分割数据较准确。通过OpenCV技术与相机单目成像原理相结合的方法,实现了倾斜爆堆矿岩图像的爆堆块度统计。此外,所开发的交互式界面操作简单,可快速统计大块尺寸。满洲里乌努格吐山铜钼矿的应用表明,该方法可高效、准确统计爆堆块度,具有一定的推广价值。

用垂直摄影法测定爆堆块度分布

在国内率先采用垂直摄影法对东鞍山铁矿生产爆堆表面进行垂直拍照,并在实验室进行模拟爆堆测定,求出了照片分布与筛分分布的转换关系;用此转换关系求得了东鞍山铁矿的爆堆分布规律。

基于图像处理的爆堆块度分布自动测试系统

建立了爆堆块度分布的二维计算模型,运用单图片摄影测量和计算机图像处理技术开发了实用可靠、安全经济、简便高效的自动测试系统,实现了原始爆堆图像获取、图像基本处理、融合岩块切割、岩块几何尺寸计算和分级曲线测定等过程的计算机处理,具有较好的适用性。测试结果表明,系统具有较高的测试精度,能够满足实际应用要求,是一种具有很好发展前景的测试方法。

煤体爆堆块度分布的测试

根据分形几何理论得出爆堆块度分布和块度分维数的关联关系,然后根据现场爆堆块度分布建立爆堆块度分维值与爆破参数的关系,从而达到指导人们进行爆破参数优化,控制煤体爆破块度,进行爆前的块度估算和块度预测的目的.

爆堆块度分布的自动与分形测试系统的应用

露天矿爆堆矿岩块度分布是评价爆破效果最重要的指标,但其分布参数非常难以获得。如何准确地的获得爆堆各级岩块的组成是国内外众多采矿界学者研究的重要课题之一。采用摄影测量的方法去获得求算爆堆块度分布分形模型中分维数的基础数据,即解决了摄影测量分析系统的“小块漏失”现象,又为分形测试系统的推广应用奠定了基础。本文重点介绍了自动测试系统和分形测试系统在阜新矿务局海州煤矿的应用与分析。

爆堆块度评价方法研究的进展

爆堆矿岩的块度分布是评价爆破效果的一项重要依据。对爆堆矿岩的块度大小与块度构成情况进行准确、可靠的定量描述 ,不仅可为验证、改进爆破工艺与参数 ,进而为改善爆破效果提供直接的参考依据 ,而且也是开展爆破优化研究的重要技术基础。通常使用手工方法去评估爆堆矿岩的块度 ,它能在一定程度上对爆破块度分布进行定量的评价。但这些方法还都存在着某些缺陷。而爆堆矿岩块度的计算机图像分析法则可弥补上述诸方法的种种缺陷 ,近年来 ,该研究在国内外得到了越来越广泛的关注和应用。笔者在总结各种测定爆破块度分布的理论和方法的基础上 ,详细分析和研究了当前计算机图像处理分析爆破块度方法。

基于块体形状分类的爆堆块度三维几何参数估算

爆堆图像分析法是统计爆破后矿岩块度分布的主要方法,针对图像分割后得到的岩块二维图形,研究了通过岩块二维投影几何参数估算岩块体积的方法。统计分析岩体中节理面倾向、倾角和间距的概率分布,通过Monte Carlo随机模拟三维节理面网络,建立节理面切割的矿岩原始块度三维模型,利用3组相互垂直的平面切割块度三维模型获取块体二维轮廓。对于不同的二维形状参数φ值区间,分析三维形状参数ε和κ的变化规律并建立其与φ的关系式。利用块体形状分类方法将块度三维模型分成6个块体集合,根据形状假设理论,由统计数据得出块体实际体积的对数和球形假设估算的块体体积的对数呈线性相关,应用回归分析推导出得到通过三维形状参数估算岩块体积的公式,通过实验对比,根据二维几何参数估算的块体体积和块度模型的块体实际体积的分布规律一致。

基于WipFrag软件在某石灰石矿爆堆块度分析的应用研究

为降低某石灰石矿爆堆中块度粒径在20 mm以下的粉矿率,从而改善爆破效果,对现场爆堆进行拍照,扫描出使用排间起爆和逐孔起爆两种爆破方式产生的爆破块度,运用WipFrag软件获得爆堆矿岩不同块度的分布情况,分析评价爆破效果,统计结果表明:采用逐孔起爆爆破方法粉矿率降低2.48%,对于降低该矿山的粉矿率有较为显著的效果。

基于TAUNet分割模型的爆堆块度空间分布研究

为了更好地满足矿区现场爆堆块度实时高精度检测的需要,提出了一种基于深度学习的爆堆块体分割模型TAUNet(Transformer Aspp UNet),该模型在UNet的编码器和解码器中融入Transformer的自我注意机制,利用其处理大型特征映射,改善全局信息的提取,恢复在编码器中跳过的粒度细节。在骨干网络特征提取阶段,加入了ASPP空洞卷积模块,增强了模型对块体局部特征的融合。在爆堆图像分割的基础上,采用爆堆分层的方法获取爆堆的块度空间分布信息。结果表明:(1)TAUNet分割模型具有良好分割性能,模型训练评价指标骰子系数、交并比、召回率分别达到97.12%、94.61%、96.2%,均优于主流的语义分割模型,对现场爆堆块体有着良好的分割效果;(2)通过爆堆分层的方法可知肇庆某矿山西采区315~300 m平台的爆堆块度空间分布,87.15%岩块粒径分布在0~0.6 m, 9.9%的岩块粒径分布于0.6~1.0 m,大于1.0 m的大块占2.95%。研究结果能够为爆破效果评价的精细化、智能化发展提供参考借鉴。

爆破岩块自动识别与块度特征提取方法

爆破块度是评价爆破效果的主要评价指标之一。为了快速、准确获取这一指标,以爆破后部分岩块为研究对象,利用三维激光扫描仪获取岩块点云数据,在原始点云数据预处理的基础上,通过设定体素聚类控制标准与权重因子w的变化区间计算得到超体聚类点云。然后通过凹凸性判据中阈值(βThresh、θThresh)的设定对聚类结果融合,利用区域生长的思想进行岩块点云分割,达到岩块轮廓面自动识别的目的。从岩块点云的分割结果中依次提取出单个岩块点云,应用PCA算法自动计算岩块粒径并统计块度分布结果。结果表明:岩块分割效果好,自动计算法与手动量取法的平均相对误差约为4.90%,且块度分布的统计结果对爆破质量评价有一定的指导作用,满足对爆破质量分析与评价的要求。