论文部分内容阅读
矿石的粒度分布信息是矿石解离过程中的重要指标，对解离过程中进行磨矿控制具有指导意义。传统的矿石粒度检测依靠人工机械筛分，耗能耗时且安全系数低。当前基于传统机器视觉方法的矿石图像分割算法在准确性和实时性上无法满足工业需求。本文基于实际的应用课题，首先研究了基于分水岭的矿石图像分割算法及其改进，由于传统基于区域的图像分割在堆叠矿石图像的分割上具有局限性，因此本文研究了基于深度学习的矿石粒度检测算法，将深度学习技术应用在矿石粒度检测系统上。 分水岭算法是矿石图像分割中应用最为广泛的算法，本文详细阐述了基于分水岭的矿石图像分割流程，并对其作了改进。具体改进措施包括在滤波过程中使用MeanShift滤波代替双边滤波；在阈值化中，针对间隙过大产生的错误阈值化，提出结合Bradley局部阈值化和Otsu全局阈值化的方法；对距离变换图像进行高斯滤波以消除冗余极大值点；最后以分割线及其邻域的平均灰度值、平均梯度值和分割线长度为准则，提出一种过分割线消除算法。 本文基于YOLOv2框架设计了一种矿石粒度检测系统。首先训练一个矿石检测网络OreNet，该网络能实现对矿石区域的准确预测。基于OreNet模型，设计一种矿石粒径的计算方法，该方法通过对一张矿石图像作不同角度的旋转扩充变换得到多张图像，检测得到不同方向的Feret径，最后计算矿石粒度分布。 实验证明，本文针对分水岭分割算法所提的改进措施提高了分割的准确性，基于YOLOv2的矿石粒度检测算法能准确且快速识别矿石区域，解决了传统基于区域的图像分割算法无法准确分割堆叠矿石图像的问题。最后，本文设计和实现了基于YOLOv2的矿石粒度在线检测系统，从硬件和软件两个方面进行设计方案的阐述，对全文工作进行了总结，并提出了本文研究存在的问题以及下一步研究方向。