基于Mask RCNN的矿仓入料口

针对矿仓入料口堵塞矿石识别过程中现场工况环境复杂、矿石识别检测难度大等问题,采用深度学习和图像处理技术开展矿石智能识别检测的研究,提出基于Mask RCNN的矿石识别检测方法。该方法可以实现对矿石识别的同时进行实例分割,并提出利用矿石轮廓的形心坐标取代Mask RCNN中的外接矩形框定位方法,有效解决矿石定位不精确的问题。实验结果表明:基于Mask RCNN网络的矿石识别模型可以实现对多种数量、不同位姿以及堆叠的矿石精准识别,综合准确率达到97.6%,采用矿石轮廓形心坐标的定位方式可以有效避免因矿石形状和位姿而带来的定位误差,为智能清堵机械手提供精确的视觉引导。      

基于FCM-WA联合算法的多种类矿石图像分割

矿石图像分割是基于机器视觉的矿石粒度分布检测的重要组成部分。针对复合矿山中颜色多样、纹理复杂且边缘粘连的多种类矿石图像难以识别与分割的问题,提出了一种基于FCM-WA联合算法的矿石图像分割方法。首先对矿石图像进行形态学优化,利用双边滤波、直方图均衡化和形态学重构来优化矿石图像的几何特征,减少噪声对分割效果的影响,提高图像对比度;然后将模糊C均值聚类（FCM）算法与分水岭（WA）算法相结合,利用FCM算法进行聚类迭代,计算出合适的分割阈值并对矿石图像进行分割,输出二值化图像;再利用基于距离变换的WA算法优化FCM算法的分割结果,对FCM算法输出的矿石图像边缘粘连部分进行分割,以获取最佳的分割图像。研究结果表明：（1）利用形态学优化流程处理矿石图像能够减少噪声并增强边缘信息,从而提高对比度;（2）相比传统的大津法和遗传算法,本文所提FCM-WA方法的稳健性更强、分割效果更好,对多种类的矿石图像像素分割准确率和矿石粒度识别准确率均可达到92%以上;（3）通过试验验证,FCM-WA方法能够精确地分割颜色多样、纹理特征复杂及边缘粘连的多种类矿石图像,分割结果满足粒度分布检测的要求;（4）FCM-...     

基于改进VMD和GA-BP神经网络的砂岩破裂过程预测方法

为提取有效的砂岩破裂声发射信号特征, 提高砂岩破裂过程预测精度, 提出一种基于改进变分模式分解算法(VMD)和GA-BP神经网络的预测方法。首先, 开展单轴压缩实验进行砂岩破裂试验, 并采集破裂过程的声发射信号; 其次, 为取得有效声发射信号, 从中提取出有效特征参数进行预测, 引入相关系数改进VMD算法并对原始声发射信号进行预处理, 提取信号能量特征参数作为模型的输入以便区分破裂过程; 最后构建GA-BP预测模型, 通过遗传算法(GA)优化BP神经网络的权值和阈值, 将信号能量作为样本用于预测模型的训练。结果表明, 通过引入相关系数可有效解决VMD算法中K值难以选取的问题, 对采集到的声发射信号进行有效去噪; 此外, 经GA算法改进后的BP神经网络预测模型能够准确预测破裂状态, 相较于改进前传统的BP神经网络模型稳定性更高, 收敛能力更好, 预测准确率提高17.5%。