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。

基于爆破矿石图像分割优化算法的大块率统计方法

矿石图像分割效果受光照条件、目标密集性及边缘对比度低等因素制约,致使大块率统计精度偏低.为此以鞍千矿爆破矿石图像为数据源,首先利用双边滤波算法去除特征增强后的图像噪声,然后分别采用自适应阈值算法和整体嵌套边缘检测(holistically-nested edge detection, HED)算法初步分割矿石图像,再利用形态学和去除连通域算法去除因矿石表面纹理形成的分割孔洞,进一步融合两种分割结果,引入基于距离运算的分水岭算法消除矿石图像欠分割现象,最终实现矿石图像的优化分割.研究结果表明,该方法可有效提高爆破矿石图像分割准确性,实现露天矿爆破大块率精确统计,为爆破效果智能评价提供技术支持.

基于U-Net和改进分水岭算法的露天矿爆堆矿石图像分割方法

爆破大块率是反映爆破效果的关键指标,其统计精度主要依赖于爆堆矿石图像分割的准确性。由于爆堆矿石图像中存在矿石目标分布密集、边缘对比度低等问题,致使传统图像分割方法难以准确分割爆堆矿石图像。因此,提出了一种基于U-Net和改进分水岭算法的露天矿爆堆矿石图像分割方法,以实现大块率的精准统计。首先利用无人机在哑巴岭露天矿爆破现场拍摄爆堆矿石图像,制作爆堆矿石图像数据集;然后利用深度学习算法建立了UNet网络架构,同时融合了高级语义信息和低级语义信息,建立了爆堆矿石图像分割模型,再利用训练后的模型对爆堆矿石图像进行初步分割,进一步采用基于距离运算的分水岭算法优化了分割结果;最后评估了该方法的分割精度。试验结果表明:该算法可准确分割露天矿爆堆矿石图像,为露天矿爆破大块率统计、爆破效果智能评价提供技术支持。

矿岩爆破图像二值化分割技术的研究与选择

爆破块度图像分析法是当前爆破块度统计的重要方法,图像分割技术是该分析方法的关键与难点。针对爆堆及块石图像的特殊性,研究了基于二值化的矿岩爆破图像分割技术,分析了阈值分割、区域生长分割、标记分水岭分割等当前主要的图像分割方法。通过研究图像上同一截面灰度值切片的变换与矿块实际边缘的吻合程度,发现数学形态学分割方法得到的二值图像边界清晰、断点少,相对于门限法更适用于爆破块度图像,其生成的二值化图像层次清晰,便于像素特征的提取。图像分割先进技术的应用,对于实现矿岩爆破图像块度分析的智能化提供了广阔的空间。

基于3DFR算法的爆破块度图像处理研究及其应用

考虑地下矿山拍照时的低对比度、噪声的干扰及灰度的不确定性等因素的特殊条件,提出适合地下矿山大块率测定的3DFR算法图像处理技术:首先,根据概率论确定三维直方图中目标与背景的区域;然后,通过模糊熵求极大值原理选取三维阈值,进而对图像进行处理;选取9组关于爆破块度的照片进行分割处理,并与OTSU法和传统方法进行分割结果对比评价。为了进一步考察3DFR算法图像处理技术的准确性,与现场实际测量结果进行对比和相关性分析。研究结果表明:3DFR算法图像处理结果与现场实际测量结果较吻合,相关性系数达到0.955,为地下矿山爆破大块率安全、准确、高效的测定提供了一条途径,并可用于地下矿山爆破参数优化。

基于支持向量机的水稻稻瘟病图像分割研究

水稻稻瘟病图像的分割是水稻稻瘟病自动分析与识别的关键环节,其分割效果直接影响后续处理。提出一种基于支持向量机的水稻稻瘟病病害彩色图像分割方法。首先选取叶子正常部分的像素点以及颜色相对复杂的病斑像素点作为负训练样本和正训练样本,提取像素R、G、B彩色分量作为特征向量,对支持向量机进行训练,然后在RGB空间利用训练好的支持向量机对待分割图像的所有像素点进行分类,实现水稻稻瘟病彩色图像的分割。为了获得最佳的分割效果,采用网格搜索法对径向基核函数下的不同核参数分割效果和性能进行比较与分析,确定最佳模型参数。利用此模型进行水稻稻瘟病图像分割实验,获得较好的分割精度,结果优于最大类间方差分割算法。

基于改进的U-Net和YOLOv5的绝缘子掩模获取与缺陷检测

输电线路的绝缘子定期巡检是必不可少的一项任务,而传统的人工巡检存在着效率低、工作强度大等问题。因此,本文设计了一种改进的U-Net模型实现对绝缘子的分割,并使用改进的YOLOv5实现在复杂背景下对爆破绝缘子的定位。本文基于U-Net图像语义分割模型,提出一种改进的网络结构SERes-Unet。模型引入残差结构减少卷积过程中存在的梯度消失、结构信息损耗的影响,引入注意力机制对特征权重进行校正,从而提升网络性能。为实现对高分辨率图像的爆破绝缘子检测,提出将图片进行切割再进行检测,再通过非极大值抑制(Non-maximum suppression,NMS)进行筛选,获取图像全部爆破绝缘子的位置。本文设计的多组实验验证了模型的有效性和高效性。本文方法绝缘子分割精度达到0.96,爆破绝缘子检测精确率达到0.97,召回率达到0.99。

基于双门限阈值的爆破块度图像识别研究

为改进爆破块度图像分割中容易存在的过分割、噪声、"黑洞"现象等问题,提出了双门限阈值分割技术,开展了多种类型的爆破岩块图像分割实验和小型爆堆的手工测量实验,实验结果表明,双门限阈值法与灰度阈值法、适应性阈值法、Otsu大津法等常用的分割方法相比,对爆破岩堆的图像分割效果更优,能够解决岩石表面噪声问题;与手工测量相比,双门限阈值技术对爆堆图像分割的平均相对误差为12.0%,误差主要因岩块的边缘棱角效应所致,这种效应使得分割结果偏大。双门限阈值分割技术能较好地应用于爆破块度图像识别。

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。