[发明专利]一种基于自主学习和深度学习的矿石粒度检测方法和系统

说明书

本发明涉及一种基于自主学习和深度学习的矿石粒度检测方法及系统，包括下列步骤：1)矿石图像数据获取、标注，构建矿石粒度分级训练样本集与测试样本集；2)对矿石粒度训练样本数据集进行图像预处理，增强图像效果和降低图像噪声；3)胶带输送机工作状态进行识别：建立ResNet50模型识别区分胶带停止、空转和载料正常转三种工作状态；4)利用深度学习中的卷积神经网络算法建立卷积神经网络模型对矿石粒度样本数据集进行分级；5)建立自主学习机制，进行模型迭代与优化；6)使用训练好的模型对矿石粒度进行在线实时检测。本发明优点是：能显著提高粒度检测精度，达到提高破碎机效率和降低破碎能耗。

技术领域

本发明涉及一种选矿技术领域,具体涉及一种基于自主学习和深度学习的矿石粒度检测方法和系统。

背景技术

矿石的粒度分布是评价破碎效果的一项重要依据，粒度参数主要包括面积、周长、粒径和体积等。目前，大多数研究人员采用低效、离线的人工筛分检测法确定破碎后粒度的分布，难以保证选矿生产的需要。近年来，数字图像处理技术逐渐应用于各种粒度分析仪所获取的图像处理中。这种非接触式粒度检测方法可以有效克服传统检测方法的不足，并能很好的适应碎磨工序的恶劣工况，因此，通过在传送带上方安装机器视觉系统，利用数字图像技术结合现代数据处理等软测量技术，实时连续地进行在线粒度测量及自动统计结果，是矿石粒度测量的有效手段。山东黄金矿业有限公司在实用新型专利《一种传送带矿石粒度图像获取设备》中只提出了一种硬件系统，但并没有涉及算法和数据处理等软件测量技术。中国矿业大学在发明专利《一种基于多元多尺度熵的矿石粒度检测技术》中提出了图像处理算法，但是需要经过区域提取、边界提取、图像分割等特征提取过程，不仅操作繁琐，而且计算复杂。

发明内容

本发明的目的是提供一种能显著提高粒度检测精度，达到提高破碎机效率和降低破碎能耗的基于自主学习和深度学习的矿石粒度检测的方法和系统。

本发明的目的是通过下述技术方案来实现的：

本发明的一种基于自主学习和深度学习的矿石粒度检测方法，其特征在于，包括下列步骤：

1)矿石图像数据获取、标注，构建矿石粒度训练样本集和测试样本集,所述的构建矿石粒度分级训练样本数据集与测试样本数据集，包括：通过高清工业相机或高清摄像机获取胶带载料正常转过程中的矿石图像，选取少量样本，聘请专业技术人员进行人工标注。作用是建立数据集，按标注分类，方便后期的检测与测试；

2)对矿石粒度训练样本集进行图像预处理、增强图像效果和降低图像噪声；所述的对矿石粒度训练样本数据集进行图像预处理，作用是突出图像中的矿石及矿石的轮廓结构，包括下列步骤：对训练样本数据集进行灰度化处理；利用中值滤波消除孤立的噪声点；利用直方图均衡处理图片，增加图像对比度；

3)对胶带输送机的工作状态进行识别：建立ResNet50模型识别区分胶带停止、无料空转和载料正常转三种工作状态；

4)使用深度学习中的卷积神经网络算法建立卷积神经网络模型对矿石粒度训练样本集进行分级；

5)建立自主学习机制，进行模型迭代与优化；

6)使用训练好的模型对测试样本集的数据进行矿石粒度在线实时检测；

进一步的，所述的步骤3)对胶带输送机工作状态进行识别，作用是减少在胶带停止、空转等状态下对粒度检测造成的误差，包括下列步骤：

3.1)建立ResNet50模型将步骤2中预处理过的数据集进行二分类，第一类表示胶带输送机静止或者胶带输送机空转，对应矿石级别0，第二类表示胶带输送机正常工作且胶带上有矿石运输，对应矿石级别1-4；

3.2)读取二分类后的矿石图像和对应标签，然后载入预训练模型ResNet50，并将训练图像经过网络运算得到数据，不包含顶部的全连接层，保存训练好的模型文件，用于后续二分类预测；