露天爆堆块度分布谱

露天爆堆块度用块度分布谱来表征时,可一目了然。本文介绍了分布谱线的绘制,给出了4个矿山10余种矿岩的块度分布谱线图,并就影响块度分布的因素、测试及效果修正等问题进行了探讨。     

爆堆矿岩块度分布的计算机图像自动处理系统

对建立的计算机矿岩块度图像自动识别处理系统,引入了“双阈值亮点膨胀递减循环处理”技术进行图像二值化处理,在二值化技术的基础上对爆堆图像进行两次平滑去噪,运用拉普拉斯算子边缘检测法提取岩块边界。配合单一型链结区域增长法创造性地提出最小距分割法运用于区域分割。采用R-R函数对该处理结果进行了双对数回归分析,得到了爆堆矿岩块度分布结果。测试结果表明,系统具有较高的测试精度,误差一般不大于10%,能够满足实际应用要求,是一种具有很好发展前景的测试方法。     

煤体爆堆块度分布的测试

根据分形几何理论得出爆堆块度分布和块度分维数的关联关系，然后根据现场爆堆块度分布建立爆堆块度分维值与爆破参数的关系， 从而达到指导人们进行爆破参数优化，控制煤体爆破块度，进行爆前的块度估算和块度预测的目的.     

露天爆堆块度测定的研究

基于对常用的矿山爆堆块度测定方法的分析和比较,结合摄影法与块度尺法的原理,提出了一种改进的块度测定方法(块度尺倾斜摄影法).在实际块度测定工作中应用,取得了良好的效果.     

摄影—图象分析法测定爆堆矿岩块度

介绍了摄影－图象分析法的基础原理，ＶＧＢ－１型图象分析仪的系统组成、功能及工作原理，应用该方法进行爆堆表面、断面摄影、爆堆照片图象的块度检测，爆堆矿岩块度的统计以及采用Ｒ－Ｒ函数和Ｇ－Ｇ－Ｓ函数对某矿矿岩块度组成的定量描述，从而为爆破优化提供了重要的参考依据。     

爆堆块度分布的实验室模型研究

介绍了一个由数字化仪和微机组成的 ,用于测试爆堆岩块分布的单图片摄影测量系统 ,并进行了实验室的模型研究 .研究结果证明 ,无论从精度上 ,还是经济性和适应性 ,该系统既可直接用于生产实践 ,又可作为检验其他测试方法的手段 .     

测定露天矿爆堆矿岩块度的标准照片对比法

本文提出了一种以爆堆表面照片做为获取矿岩块度信息的手段、通过所摄照片与“标准照片”的定性对比来定量地确定矿岩块度组成的方法,同时简要介绍了该方法的使用要点及对其进行可靠性分析的结果。     

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。     

爆破块度及爆堆形状的CEFM预测数模

在预算台阶爆破爆炸能利用率的基础上,建立CEFM数模预测高台阶爆破的爆破块度和爆堆形状,预测结果能与实际情况较好地吻合。     

露天矿爆堆矿石质量重新分布的研究

露天矿生产各工艺环节都有配矿作用，而确定铲装地点、分配和调整其出矿量乃是配矿工艺的核心。爆堆矿石质量重新分布的研究，是合理确定铲装作业参数唯一可靠的途径，为此，推出了一种计算爆堆矿石质量重新分布的软件。通过现场试用表明，取得了较为理想的效果。     

基于Weibull模型的爆堆形态神经网络预测

爆堆的几何形态是反映爆破效果的重要指标之一。针对传统预测方法现场操作性难的问题,提出了基于Weibull分布模型的爆堆形态模拟预测方法,应用神经网络把控制爆堆形态分布的两个参数和松散系数作为神经网的输出层,建立了一种操作简单、现场可操性较强的深孔台阶爆破爆堆形态预测模型。通过对巴润露天矿的爆堆形态的预测,表明神经网络对爆堆形态的预测具有一定的应用价值。     

露天矿爆堆矿石质量分布规律的研究

根据台阶爆破的抛掷理论，采用模糊综合评判方法，探讨了露天矿爆堆矿石质量分布规律，在此基础上，对爆堆上各点的矿石质量进行预报，为编制采场配矿计划提供精确的基础数据。     

基于点渲染的多分支融合露天矿爆堆块体精细分割方法

现代矿产开采中,爆破成本控制占据整个矿产开采的成本控制的很大一部分,这使得爆破效果的控制在整个矿产开采流程中至关重要,而爆破效果的控制与爆破参数直接关联,这需要采集现场真实的数据来指导爆破参数的优化。为解决当前对于矿区现场爆堆块度识别时存在的精度低、实时性差、泛化性能弱等问题,基于爆破参数优化的需要,提出了深度学习框架下的爆堆块体精细分割方法（Point+S Deeplabv3+）。首先模型在骨干网络特征提取部分引入多分支可分离注意力机制,学习不同通道间的权重特征并融合,改善了提取特征时跨通道交互缺乏的问题;在解码阶段,运用点渲染模块,通过迭代选取点在不同尺度特征图的特征,逐步对每个点对应的低级语义特征和高级语义特征进行拼接,解决了上采样时大量丢失语义信息、边缘及小目标分割精度降低的问题;最后使用动态学习率调整策略,加快模型的收敛速度。实验结果表明,基于Point+S Deeplabv3+模型的MPA和MIoU分别达到了94.36%和89.04%,对比主流的语义分割网络,如FCN、UNet、PSPnet和Deeplabv3+相比,基于Point+S Deeplabv3+的模型MPA和M...     

矿岩块度图象分析法研究述评

应用现代计算机图象处理与分析技术测定矿岩块度的分布，可实现对爆堆矿岩的破碎质量做出定量的综合评价和描述，本文概述了迄今国内外有代表性的研究结果，并就影响这一方法可靠性的各种因素进行了探讨。