CN115228595B - 一种基于目标检测的矿带智能分割方法 - Google Patents
一种基于目标检测的矿带智能分割方法 Download PDFInfo
- Publication number
- CN115228595B CN115228595B CN202210858722.5A CN202210858722A CN115228595B CN 115228595 B CN115228595 B CN 115228595B CN 202210858722 A CN202210858722 A CN 202210858722A CN 115228595 B CN115228595 B CN 115228595B
- Authority
- CN
- China
- Prior art keywords
- belt
- ore
- model
- mineral
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000001514 detection method Methods 0.000 title claims abstract description 20
- 230000011218 segmentation Effects 0.000 title claims abstract description 19
- 229910052500 inorganic mineral Inorganic materials 0.000 title claims description 44
- 239000011707 mineral Substances 0.000 title claims description 44
- 238000004364 calculation method Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 12
- 230000033001 locomotion Effects 0.000 claims abstract description 7
- 238000011156 evaluation Methods 0.000 claims abstract description 4
- 238000009826 distribution Methods 0.000 claims description 23
- 238000005457 optimization Methods 0.000 claims description 6
- 238000005065 mining Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 2
- 239000012141 concentrate Substances 0.000 description 16
- 238000013527 convolutional neural network Methods 0.000 description 11
- 238000005070 sampling Methods 0.000 description 10
- 238000012360 testing method Methods 0.000 description 7
- 238000011161 development Methods 0.000 description 6
- 230000018109 developmental process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000003032 molecular docking Methods 0.000 description 6
- 238000007689 inspection Methods 0.000 description 5
- UCKMPCXJQFINFW-UHFFFAOYSA-N Sulphide Chemical compound [S-2] UCKMPCXJQFINFW-UHFFFAOYSA-N 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000000926 separation method Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000005484 gravity Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 239000002002 slurry Substances 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000011010 flushing procedure Methods 0.000 description 2
- 238000005461 lubrication Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 101001121408 Homo sapiens L-amino-acid oxidase Proteins 0.000 description 1
- 101000827703 Homo sapiens Polyphosphoinositide phosphatase Proteins 0.000 description 1
- 102100026388 L-amino-acid oxidase Human genes 0.000 description 1
- 102100023591 Polyphosphoinositide phosphatase Human genes 0.000 description 1
- 101100233916 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) KAR5 gene Proteins 0.000 description 1
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005188 flotation Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000007885 magnetic separation Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000002000 scavenging effect Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B03—SEPARATION OF SOLID MATERIALS USING LIQUIDS OR USING PNEUMATIC TABLES OR JIGS; MAGNETIC OR ELECTROSTATIC SEPARATION OF SOLID MATERIALS FROM SOLID MATERIALS OR FLUIDS; SEPARATION BY HIGH-VOLTAGE ELECTRIC FIELDS
- B03B—SEPARATING SOLID MATERIALS USING LIQUIDS OR USING PNEUMATIC TABLES OR JIGS
- B03B5/00—Washing granular, powdered or lumpy materials; Wet separating
- B03B5/02—Washing granular, powdered or lumpy materials; Wet separating using shaken, pulsated or stirred beds as the principal means of separation
- B03B5/04—Washing granular, powdered or lumpy materials; Wet separating using shaken, pulsated or stirred beds as the principal means of separation on shaking tables
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于目标检测的矿带智能分割方法，包括如下步骤：对摇床床面矿带数据进行采集，对采集到的床面矿带信息进行特征标定，对这些数据进行模型训练与评估，得到目标检测模型算法；摄像机实时对摇床床面矿带数据进行采集，并将采集到的数据传输到软件中枢平台；软件中枢平台会对图像进行初步清晰处理；经过算法处理过的图片传输至训练好的模型中，模型对图片信息进行评估，然后输出系统标定后的图片；算法经过精确计算将得到移动方向和移动距离，软件中枢平台向运动控制系统发出移动方向、移动距离的指令，控制系统驱动电机带动接矿板移动至指定位置。本发明在智能摇床选矿矿带识别与分割方向是一个全新的算法，有较好的效果。
Description
技术领域
本发明属于重选选矿技术领域，具体地说，涉及一种基于目标检测的矿带智能分割方法。
背景技术
我国拥有丰富的矿产资源，但无论何时矿产资源都是我国经济发展和军事领域不可或缺 的重要基础资源。随着科学技术的不断进步，工业自动化、智能化是未来不可阻挡的发展趋 势，我国大部分行业都在面临着产业升级，矿产行业也是不可避免的面临产业结构的调整和 设备升级等问题，在时代发展的大趋势下，只有紧跟时代发展的步伐，矿产行业才能为我国 矿产资源需求提供强有力的支撑。
根据矿物的组成成分和矿物的性质，把选矿方式主要分为重选、磁选、浮选和电选四大 类。摇床选矿是重选中重要的设备之一，在国内外得到了广泛的应用。矿物以矿浆的形式在 摇床床面上分选，主要是由床条的型式、床面的不对称运动及床面上的横冲水综合作用的结 果。在床面呈现出精矿带、次精矿带、中矿带和尾矿带等多条扇形矿带分布，使不同品位的 矿物得到分选。
现如今摇床选矿技术已经很成熟，但选矿自动化水平还处于相对很低的水平，在摇床选 矿过程当中，由于受到现场给矿量、给矿浓度、给矿粒度以及原矿品位的变化影响，会对床 面矿物的矿带位置、矿带宽度和矿带颜色造成不同程度的影响，使矿带位置实时发生变化， 而现场巡检的操作工人必须通过肉眼来观察床面矿带的特征变化，然后根据自己的工作经验 对接矿板的位置做出相应的调整，以达到不同矿带的分选目的，从而达到选厂要求的精矿品 位。这种传统调整接矿板的方式对接矿板位置调整频次较高，巡检工人的劳动强度大；由于 不同人员工作差异的存在，使得选矿指标也不稳定，难以保证选矿工作的顺利展开，影响工 作质量和工作效率。
有鉴于此特提出本发明。
发明内容
本发明要解决的技术问题在于克服现有技术的不足，提供一种基于目标检测的矿带智能 分割方法。为解决上述技术问题，本发明采用技术方案的基本构思是：
一种基于目标检测的矿带智能分割方法，包括如下步骤：
步骤1，对摇床床面矿带数据进行采集，对采集到的床面矿带信息进行特征标定，对这 些数据进行模型训练与评估，得到目标检测模型算法，模型训练包括如下步骤：
步骤101，模型搭建，输入x，通过第一个cnn，得到多个隐变量q(t)的分布参数；输入 根据q(t)分布得到的一组t值，通过第二个cnn，得到最终图片p(x)的分布参数；
步骤102，证明隐变量模型的计算是无偏的；
步骤103，模型优化，输入x，通过第一个cnn，得到多个隐变量q(t)的分布参数sd、mean；
通过标准高斯分布p(z)，得到一组z值；然后通过z×sd+mean，得到一组t值；
输入t值，通过第二个cnn，得到最终图片p(x)的分布参数；
步骤2，软件中枢平台向现场摄像机发送指令，实时对摇床床面矿带数据进行采集，并 将采集到的数据通过4G网关传输到软件中枢平台；
步骤3，软件中枢平台会对传来的床面矿带图像进行相应的算法处理，以获取清晰床面 矿带图像；
步骤4，经过算法处理过的图片传输至训练好的模型中，模型对图片信息进行评估，然 后输出系统标定后的图片；
步骤5，模型算法计算之后判断矿带相对上一轮是否有变化，若有变化，则进行步骤6； 若没有变化，进行步骤7；
步骤6，算法经过精确计算将得到移动方向和移动距离，软件中枢平台向运动控制系统 发出移动方向、移动距离的指令，控制系统驱动电机带动接矿板移动至指定位置；
步骤7，保持设备原有的状态。
进一步地，所述步骤101模型搭建采用的公式为
qi(ti)＝N(m(xi,φ),diag(s2(xi,φ)))
进一步地，所述步骤102证明隐变量模型的计算是无偏采用的公式为
进一步地，所述步骤103中模型优化采用的公式为
p(εi)＝N(0,I)
进一步地，所述步骤2中采集的信息包括矿带带宽、矿带颜色、矿带位置分布特征。
进一步地，所述摄像机通过摄像机支架安装在摇床床位上方，所述摄像机支架安装在底 座上。
进一步地，所述步骤4中对图片信息进行评估包括根据模型训练数据对摄像机传输到平 台的现场床面矿带图像进行对比和识别，并标定识别点。
进一步地，所述模型训练中还包括对识别点进行多点连线，根据连线的趋势向摇床床尾 方向做延长线，延长线延长至床尾。
进一步地，所述软件中枢平台设定2min对现场摇床床面矿带进行一次画面采集，并进行 相应的接矿板调整。
采用上述技术方案后，本发明与现有技术相比具有以下有益效果。
本发明通过目标检测识别的模型，并通过摄像系统将实时获取的矿带带面的图像信息传 输至软件中枢平台，经过算法对信息进行计算判断是否调整接矿板的位置以达到良好的矿选 工作。本发明在智能摇床选矿矿带识别与分割方向是一个全新的算法，有较好的效果；对摇 床床面精矿、次精矿、中矿和尾矿矿带能够做到精准分割，并且不会受到光线等现场环境因 素的影响。
本发明利用网络的快速传输、以及算法对图像信息的快速处理，计算速度快，几乎能够 达到与现场摇床床面矿带信息同步，满足选矿现场要求。减少因为人力判断造成的误差，提 高摇床的工作效率、以及工作质量，保证矿选工作的顺利进行。
下面结合附图对本发明的具体实施方式作进一步详细的描述。
附图说明
附图作为本申请的一部分，用来提供对本发明的进一步的理解，本发明的示意性实施例 及其说明用于解释本发明，但不构成对本发明的不当限定。显然，下面描述中的附图仅仅是 一些实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这 些附图获得其他附图。在附图中：
图1是本发明系统逻辑框架示意图；
图2是本发明工作流程示意图；
图3是本发明摇床主视示意图；
图4是本发明摇床俯视示意图；
图5是本发明算法模型建立示意图；
图6是本发明实施例一第一天机器与人工接矿品位对比示意图；
图7是本发明实施例一第二天机器与人工接矿品位对比示意图；
图8是本发明实施例一第三天机器与人工接矿品位对比示意图。
图中：1-床头；2-给矿槽；3-床面；4-给水槽；5-调坡机器；6-润滑系统；7-床条；8-电 动机；9-底座；10-摄像机支架；11-摄像机。
需要说明的是，这些附图和文字描述并不旨在以任何方式限制本发明的构思范围，而是 通过参考特定实施例为本领域技术人员说明本发明的概念。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附 图，对实施例中的技术方案进行清楚、完整地描述，以下实施例用于说明本发明，但不用来 限制本发明的范围。
在本发明的描述中，需要说明的是，术语“上”、“下”、“前”、“后”、“左”、 “右”、“竖直”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置 关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有 特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连 接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连。 对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
如图1至图8所示，本发明一种基于目标检测的矿带智能分割方法，包括如下步骤：
步骤1，对摇床床面矿带数据进行采集，对采集到的床面矿带信息进行特征标定，对这 些数据进行模型训练与评估，得到目标检测模型算法，模型训练包括如下步骤：
步骤101，模型搭建，输入x，通过第一个cnn，得到多个隐变量q(t)的分布参数；输入 根据q(t)分布得到的一组t值，通过第二个cnn，得到最终图片p(x)的分布参数；
qi(ti)＝N(m(xi,φ),diag(s2(xi,φ)))
如果在两个cnn模型之间只是通过参数传递数据，基本就类似与常见的autocoder神经网 络模型，公式为：
qi(ti)＝N(m(xi,φ),diag(s2(xi,φ)))
Ifs(x)＝0then
步骤102，证明隐变量模型的计算是无偏的过程：
步骤103，模型优化，输入x，通过第一个cnn，得到多个隐变量q(t)的分布参数sd、mean；
通过标准高斯分布p(z)，得到一组z值；然后通过z×sd+mean，得到一组t值；
输入t值，通过第二个cnn，得到最终图片p(x)的分布参数；
模型优化优势是无需训练的标准分布p(z)剥离出来；需要训练的sd、mean只在线性表达 式中：
p(εi)＝N(0,I)
利用第一个cnn模型提出隐变量，可以基于隐变量判断是否异常值；通过变换输入隐变 量参数t，利用第二个cnn模型得到新图片。
步骤2，软件中枢平台向现场摄像机发送指令，实时对摇床床面矿带数据进行采集，包 括矿带带宽、矿带颜色、矿带位置分布特征，并将采集到的数据通过4G网关传输到软件中 枢平台；其中摄像机通过摄像机支架安装在摇床床位上方，摄像机支架安装在底座上。
步骤3，软件中枢平台会对传来的床面矿带图像进行相应的算法处理，以获取清晰床面 矿带图像；
步骤4，经过算法处理过的图片传输至训练好的模型中，根据模型训练数据对摄像机传 输到平台的现场床面矿带图像进行对比和识别，然后输出识别图像，并标定识别点。因为摇 床选矿是矿浆给到床面，并且还伴随有加水，不可避免有反光情况出现，所以针对该问题进 行了算法改进，将识别点进行多点连线，根据连线的趋势向摇床床尾方向做延长线，延长线 延长至床尾。
步骤5，模型算法计算之后判断矿带相对上一轮是否有变化，若有变化，则进行步骤6； 若没有变化，进行步骤7；
步骤6，算法经过精确计算会给出移动方向和移动距离，移动距离精确到毫米，软件中 枢平台就会向运动控制系统发出指令，控制系统驱动电机带动接矿板进行移动，移动到指定 位置。经过对现场选矿情况和矿带变化频率的了解，系统软件中枢平台设定2min控制摄像机 对现场摇床床面矿带画面采集一次，算法计算一次，矿带相对上轮如有变化软件中枢平台就 会发出相应的指令，然后对接矿板进行方向、距离的调整。
步骤7，保持设备原有的状态。
矿带智能分割方法是本发明专利的核心所在，图像处理在整套智能分割方法中也起着重 要作用，主要是对现场传回来的图片信息进行处理，负责对摇床床面矿带信息进行提取，比 如矿带带宽、矿带颜色、矿带位置分布等特征进行实时提取并进行分析，对床面矿带图像的 处理精度直接影响矿带分割精度。因为摇床在正常工作过程中一直处于循环往复的颠簸运动， 摄像机安装在摇床床尾的上方，但是摄像机是固定不动的，这样就会导致即使矿带没有发生 变化，但是床面是一直在往复运动，摄像机提取出的矿带边界照片的位置也会有相应的变化， 给检测结果造成一定的误差。
针对摄像机不能和床面相对静止的问题，利用机器学习的方法来进行解决，基于训练数 据，开发了机器学习算法，该算法将学习的信息应用于看不见的数据，以做出预测或其他类 型的决策。比原始数据本身更好地解释数据的模式称为数据中的特征。前期先对床面进行矿 带数据采集、模型搭建和初始化。对采集到的床面矿带信息进行特征标定，然后对这些数据 进行模型训练与评估，得出目标检测模型，最后进行应用。
在图像分割进行正常工作状态之前，需要对现场摇床矿带信息进行采集，然后对采集的 摇床矿带信息进行特征标定，将标定完的图像形成一个数据集，然后搭建模型进行模型训化， 将训化完的模型先进行试验然后做出一定的调整，使得模型使用效果更加完善。计算机和4G 网关可通过网线连接也可以使用SIM卡进行通信，4G网关与摄像机之间通过网线连接。
当智能系统开始工作时，首先是系统发出指令给到无线网关，网关将命令信号发送给摄 像机，摄像机对摇床床面矿带图像进行采集，将采集完的图像经过4G网关传输给系统控制 平台，系统有图像预处理模块，首先对采集的摇床矿带信息图像进行预处理，再将预处理完 的摇床矿带图像传送给已经训化完成的数据模型，模型对图像信息进行数据对比、分析、标 定和画线，将精矿带、次精矿带、中矿带和尾矿带一一划分，然后将输出结果图像，系统会 根据矿带变化情况，对电机控制系统发出指令，对接矿板做出相应的调整，以完成选厂设定 的指标。系统可以根据要求对图像采集频次进行设定，以达到实时监控的目的。
选矿的摇床，是分选细粒矿石的常用设备。通常是由床面、机架和传动机构三大部分组 成。除此之外还有冲水槽、给矿槽等，整个床面由机架支撑或吊起，床面安装在机架上，机 架底部装有调坡机器。床头内部设有润滑系统、电动机作为传动机构，床面上设有床条。床 头与床头的一端连接。在矿业摇床是常见的设备，本次采用的也是现有的摇床设备，没有对 其进行技术上的改进，在此不再赘述其具体连接结构与工作原理。
实施例一
如图1至图8所示，本实施例所述的一种基于目标检测的矿带智能分割方法，在云南云 锡大屯锡矿矿物加工中心实施智能摇床应用研究，车间氧化矿日处理量2000t/d，摇床200多 张；硫化矿日处理4000t/d，摇床288张；用于金属矿锡矿的粗选、扫选和精选处理。由于摇 床数量相当之多，矿带变化频率之快，需要大量的巡检工人进行不断巡检来调整接矿板位置， 来达到选厂想要的指标，这样大大增加了巡检工人的劳动力和企业运行成本。
工业试验地点选在大屯云锡硫化矿工段，3栋一段3-18摇床作为试验摇床，选用220v 电源对该套设备进行供电，将摄像机安装在摇床尾部的上方，安装高度为2m，对摇床床面进 行实时画面采集并进行图像传输和处理，然后驱动电机带动接矿板移动到目标位置，实现3-18 摇床全自动接矿。
1.实时监控效率
经过前期对现场摇床实时数据的采集发现，根据现场矿带变化情况将系统设定每次计算 时间间隔3min，所以每间隔3min摄像机自动采集实时画面传输给软件平台，然后经过计算 对接矿板位置做出调整，以达到接矿要求。
2.矿带图像处理
因为所选安装该设备的摇床是硫化矿粗选工段的摇床，所以根据现场要求只需要将次精 矿和中矿进行分离，精矿和次精矿接在一起，然后进入下一步再选，次精矿矿带和中矿矿带 色差上有很大区别，中矿矿带颜色发白，次精矿矿带颜色发黑，因为前期采集上万张图片进 行特征标定，每张图片中矿和次精矿中间标定四个点，然后进行模型训练，现根据设定对现 场摇床进行图像采集，将图像进行简单处理输入给模型，输出次精矿矿带和中矿矿带分割图。
3.选矿指标对比
为了对比智能摇床设备和人工操作情况下选矿指标的差异，试验选取粗选作业工段两张 相邻摇床，3-17摇床为人工操作摇床，3-18为智能设备安装摇床，两台摇床由同一台棒磨机 给矿，原矿品味相同，给矿粒度相同，矿浆浓度相同。保证所有条件相同的情况下，进行3 天工业试验采样，每次采样间隔1小时，采样13组。采样对比数据见表1。试验对比结果如 图6、7、8所示。
表1 3-17和3-18精矿品位对比
通过3天数据采样Sn品位折线图可以看出：①从三张折线图可以看出在相同条件下，机 器接矿Sn品位波动幅度相对人工接矿小很多，第一天数据波动相差最为明显；②从三张折线 图可以看出，机器接矿Sn品位要比人工接矿Sn品位要稳定；③从三张折线图整体可以看出， 机器接矿Sn品位比人工接矿Sn品位高。
为了进一步证明机器接矿Sn品位比人工接矿Sn品位要高和机器接矿Sn品位比人工接 矿Sn品位稳定，通过平均值和方差对三天采样数据进行计算，计算公式如下：
对3-17人工操作摇床和3-18智能摇床数据计算结果如表2：
表2 3-17和3-18采样数据均值和方差的计算结果对比
通过对三天采样数据的均值和方差计算结果可以看出：①三天采样数据均值计算结果第 一天相等，第二天和第三天均是3-18机器接矿大于3-17人工接矿；②三天采样数据方差计 算结果均为3-18机器接矿小于3-17人工接矿。所以从计算结果可以看出机器接矿相对人工 接矿品位高且稳定。
4、结论
连续三天的工业试验采样可以得出，相同条件下3-18机器接矿比3-17人工接矿要稳定， 机器接矿Sn的品位也要高于人工，由此可见，稳定性和Sn品位均高于人工，并且能够达到 选厂生产指标。摇床智能监控设备能够替代人工，实时监控摇床床面矿带变化情况和数据传 输，实现“无人值守”模式。通过机器学习精确识别矿带分界点，识别精度满足使用要求。
在云南云锡大屯锡矿矿物加工中心硫化矿粗选工段摇床，实施智能摇床应用的工业试验 研究，智能摇床自动接矿板接到的精矿品位能够达到选厂工艺要求。智能摇床选矿系统的工 业应用能够将人工劳动力解放出来，实现摇床选矿智能化，提高摇床选矿的生产水平和企业 效益，对重选设备的发展具有强有力的推动作用。
以上所述仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发 明已以较佳实施例揭露如上，然而并非用以限定本发明，任何熟悉本专利的技术人员在不脱 离本发明技术方案范围内，当可利用上述提示的技术内容作出些许更动或修饰为等同变化的 等效实施例，但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所 作的任何简单修改、等同变化与修饰，均仍属于本发明方案的范围内。
Claims (6)
1.一种基于目标检测的矿带智能分割方法，其特征在于，包括如下步骤：
步骤1，对摇床床面矿带数据进行采集，对采集到的床面矿带信息进行特征标定，对这些数据进行模型训练与评估，得到目标检测模型算法，模型训练包括如下步骤：
步骤101，模型搭建，输入x，通过第一个cnn，得到多个隐变量q(t)的分布参数；输入根据q(t)分布得到的一组t值，通过第二个cnn，得到最终图片p(x)的分布参数；
模型搭建采用的公式为
；
；
；
步骤102，证明隐变量模型的计算是无偏的，采用的公式为
；
步骤103，模型优化，输入x，通过第一个cnn，得到多个隐变量q(t)的分布参数sd、mean；
通过标准高斯分布p(z)，得到一组z值；然后通过z×sd+mean，得到一组t值；
输入t值，通过第二个cnn，得到最终图片p(x)的分布参数；
模型优化采用的公式为
；
；
；
步骤2，软件中枢平台向现场摄像机发送指令，实时对摇床床面矿带数据进行采集，并将采集到的数据通过4G网关传输到软件中枢平台；
步骤3，软件中枢平台会对传来的床面矿带图像进行相应的算法处理，以获取清晰床面矿带图像；
步骤4，经过算法处理过的图片传输至训练好的模型中，模型对图片信息进行评估，然后输出系统标定后的图片；
步骤5，模型算法计算之后判断矿带相对上一轮是否有变化，若有变化，则进行步骤6；若没有变化，进行步骤7；
步骤6，算法经过精确计算将得到移动方向和移动距离，软件中枢平台向运动控制系统发出移动方向、移动距离的指令，控制系统驱动电机带动接矿板移动至指定位置；
步骤7，保持设备原有的状态。
2.根据权利要求1所述的一种基于目标检测的矿带智能分割方法，其特征在于：所述步骤2中采集的信息包括矿带带宽、矿带颜色、矿带位置分布特征。
3.根据权利要求1所述的一种基于目标检测的矿带智能分割方法，其特征在于：所述摄像机通过摄像机支架安装在摇床床位上方，所述摄像机支架安装在底座上。
4.根据权利要求1所述的一种基于目标检测的矿带智能分割方法，其特征在于：所述步骤4中对图片信息进行评估包括根据模型训练数据对摄像机传输到平台的现场床面矿带图像进行对比和识别，并标定识别点。
5.根据权利要求4所述的一种基于目标检测的矿带智能分割方法，其特征在于：所述模型训练中还包括对识别点进行多点连线，根据连线的趋势向摇床床尾方向做延长线，延长线延长至床尾。
6.根据权利要求4所述的一种基于目标检测的矿带智能分割方法，其特征在于：所述软件中枢平台设定2min对现场摇床床面矿带进行一次画面采集，并进行相应的接矿板调整。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210858722.5A CN115228595B (zh) | 2022-07-20 | 2022-07-20 | 一种基于目标检测的矿带智能分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210858722.5A CN115228595B (zh) | 2022-07-20 | 2022-07-20 | 一种基于目标检测的矿带智能分割方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115228595A CN115228595A (zh) | 2022-10-25 |
| CN115228595B true CN115228595B (zh) | 2024-10-25 |
Family
ID=83672517
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210858722.5A Active CN115228595B (zh) | 2022-07-20 | 2022-07-20 | 一种基于目标检测的矿带智能分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115228595B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116017160A (zh) * | 2022-12-12 | 2023-04-25 | 安徽中车瑞达电气有限公司 | 一种基于图像处理系统的智能化选矿方法 |
| CN117409009A (zh) * | 2023-12-15 | 2024-01-16 | 长沙矿冶研究院有限责任公司 | 一种基于UNet的干式磁选颗粒实时分选方法 |
| CN119368320A (zh) * | 2024-12-27 | 2025-01-28 | 赣州有色冶金研究所有限公司 | 一种智能摇床导流接矿分选系统、分选方法及软件中枢平台 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103785532A (zh) * | 2014-02-18 | 2014-05-14 | 云南锡业集团有限责任公司研究设计院 | 锡矿摇床选矿自动监控的方法 |
| CN103810500A (zh) * | 2014-02-25 | 2014-05-21 | 北京工业大学 | 一种基于有监督学习概率主题模型的地点图像识别方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108681743B (zh) * | 2018-04-16 | 2019-12-06 | 腾讯科技（深圳）有限公司 | 图像对象识别方法和装置、存储介质 |
| CN113269675B (zh) * | 2021-05-18 | 2022-05-13 | 东北师范大学 | 基于深度学习模型的时变体数据时间超分辨率可视化方法 |
-
2022
- 2022-07-20 CN CN202210858722.5A patent/CN115228595B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103785532A (zh) * | 2014-02-18 | 2014-05-14 | 云南锡业集团有限责任公司研究设计院 | 锡矿摇床选矿自动监控的方法 |
| CN103810500A (zh) * | 2014-02-25 | 2014-05-21 | 北京工业大学 | 一种基于有监督学习概率主题模型的地点图像识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115228595A (zh) | 2022-10-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115228595B (zh) | 一种基于目标检测的矿带智能分割方法 | |
| CN207451007U (zh) | 一种流水线分料机构 | |
| CN101614524B (zh) | 精磨球齿直径及高度自动检测装置 | |
| WO2016138675A1 (zh) | 一种联合收获机自适应清选控制装置及其自适应清选方法 | |
| CN108227664A (zh) | 基于样本数据训练的产品质量控制设备及质量控制方法 | |
| CN105388162A (zh) | 基于机器视觉的原料硅片表面划痕检测方法 | |
| CN109580404A (zh) | 工业机器人内置型线束磨损及加速磨损测试方法与装置 | |
| CN109472181B (zh) | 选矿摇床组视频图像分析及接矿点优化调节控制系统 | |
| CN207222339U (zh) | 一种叠层高频振动细筛的智能控制器 | |
| CN111157537A (zh) | 一种基于仿生机器视觉的带钢缺陷检测装置及系统 | |
| CN210142281U (zh) | 一种浮选系统的智能控制系统 | |
| CN102615053A (zh) | 柔版机添加质检剔次装置 | |
| CN111889222A (zh) | 基于视觉伺服的摇床导流控制系统和摇床导流控制方法 | |
| CN108647722A (zh) | 一种基于过程尺寸特征的锌矿品位软测量方法 | |
| CN105195438B (zh) | 基于图像识别的嵌入式自动珍珠分拣器及分拣方法 | |
| CN207222383U (zh) | 木板分拣系统 | |
| CN113304869B (zh) | 一种摇床矿带自动识别及接取方法与装置 | |
| CN108931621A (zh) | 一种基于过程纹理特征的锌矿品位软测量方法 | |
| CN205341055U (zh) | 一种精确稳定的浮选液位检测及控制装置 | |
| CN114993898A (zh) | 一种尾砂智能浓密实验系统及方法 | |
| CN113245222B (zh) | 一种三七异物视觉实时检测分拣系统及分拣方法 | |
| CN114378002A (zh) | 一种基于机器视觉的猴头菇分级系统及分级方法 | |
| CN112387606B (zh) | 一种珍珠分选系统 | |
| CN117557778A (zh) | 一种基于YOLOv5改进的摇床矿带智能分割方法 | |
| CN207529393U (zh) | 选矿摇床组视频图像分析及接矿点优化调节控制系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB03 | Change of inventor or designer information |
Inventor after: Zhang Wenkang Inventor after: Wang Chunjing Inventor after: Yuan Linxun Inventor after: Liu Dan Inventor after: Yu Longzhou Inventor before: Zhang Wenkang Inventor before: Wang Chunjing Inventor before: Yuan Linxun Inventor before: Liu Dan Inventor before: Zhou Gongqiang Inventor before: He Qixue Inventor before: Lei Chao Inventor before: Yu Longzhou |
|
| CB03 | Change of inventor or designer information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |