[发明专利]一种卡车装载矿石质量估计方法及系统

说明书

本发明提供一种卡车装载矿石质量估计方法及系统。所述方法包括：基于待采集的卡车车斗矿石图像，利用深度卷积神经网络模型，得到卡车装载矿石质量的估算值。本发明提供一种卡车装载矿石质量估计方法及系统，通过计算机视觉技术与深度卷积神经网络学习方法相结合，自动估算卡车装载的矿石质量，避免了人为因素对矿石计量的影响，具有通行效率高，测量成本低的优点。

技术领域

本发明涉及计算机视觉测量领域，更具体地，涉及一种卡车装载矿石质量估计方法及系统。

背景技术

矿石装载卡车经广泛应用于大型露天矿山运输过程。卡车运载计量是矿山的一项日常生产工作，不仅有利于矿山生产管理，提高矿石开采的经济效益，而且能够有效避免车辆超载，降低安全风险。

由于该类型车辆年运载量巨大，因此实现准确测量，显然十分必要。卡车装载矿石质量一般采用地磅或者压力传感器技术来测量，这种测量手段主要是利用卡车行驶至称重区，通过事先在称重区地面安装好的地磅或压力传感器，根据地磅读数直接得到或者根据压力传感器的读数转换得到卡车装载量。

上述卡车运载量的测量方法，所需的测量设备和维护成本较高，而且在称重时必须要求卡车停稳，影响出矿效率。

发明内容

本发明提供一种克服上述问题或者至少部分地解决上述问题的卡车装载矿石质量估计方法及系统。

根据本发明的一个方面，提供一种卡车装载矿石质量估计方法，包括：

S1，基于待采集的卡车车斗矿石图像，利用深度卷积神经网络模型，得到卡车装载矿石质量的估算值。

进一步地，所述深度卷积神经网络模型的建立包括：

S01，在虚拟环境中，随机生成已知体积的矿石单元并下落至卡车车斗，所述矿石单元在所述卡车车斗内的图像作为矿石图像样本；

S02，将所述矿石图像样本作为输入，对原始深度卷积神经网络模型进行深度学习，根据学习结果对模型的超参数的值进行调整，得到调整后的深度卷积神经网络模型；

S03，将所述调整后的深度卷积神经网络模型迁移至真实环境进行现场验证，根据验证结果对所述超参数的值进行调整，得到所述深度卷积神经网络模型。

优选地，所述深度卷积神经网络模型包含三层卷积层和三层池化层，每一层卷积层和每一层池化层依次交替排布，且最后一层池化层为一个神经元。

优选地，所述卡车车斗矿石图像的采集是通过在称重区两侧对称装设摄像头，所述摄像头从所述卡车车斗两侧对所述卡车车斗矿石图像进行抓取。

优选地，在步骤S02中，对所述原始深度卷积神经网络模型进行深度学习是指以Caffe中用于验证CIFAR-10数据集的网络结构为基础，按照3:1的比例将所述卡车车斗矿石图像样本划分为训练集和验证集，并对所述卡车车斗矿石图像样本的标签值进行归一化处理。

优选地，在步骤S03中，所述现场验证是指通过采集现场的卡车车斗矿石图像作为输入，经过测量的所述卡车装载矿石质量作为真实值，对所述调整后的深度卷积神经网络模型进行验证。

优选地，在步骤S01中，所述虚拟环境是指通过物理系统Chrono进行物理世界的构建，然后利用物理引擎irrlicht实现所述矿石单元下落至所述卡车车斗过程的可视化。

优选地，所述矿石单元下落的初始位置在设置范围内随机生成，且每一批下落的矿石单元数量不重复。

根据本发明的另一个方面，提供一种卡车装载矿石质量估计系统，包括：

图像采集单元，用于采集卡车车斗矿石图像；

模型拟合单元：用于将所述图像输入深度卷积神经网络模型，获得卡车装载矿石质量的估算值。