【《机器视觉矿石检测筛选技术的研究现状国内外文献综述》4600字】

机器视觉矿石检测筛选技术的研究现状国内外文献综述机器视觉技术已经历了五十年左右的发展，最早出现在国外。近些年来，美国、荷兰、中国等国家都不断加大机器视觉在军用和民用方面的研究投入。在国外，机器视觉主要应用在电子产业和半导体行业REF_Ref66996732\w\h[7]，比如对PCB印刷电路板的缺陷检测及微小元器件的精确定位等；而在国内，机器视觉起步则相对较晚，在各行业的推广应用也仍在逐渐发展当中，应用方面涉及农产品检测REF_Ref66996762\r\h\#"[0"[8-REF_Ref66996763\r\h\#"0]"9]、陶瓷品缺陷在线检测REF_Ref66996749\w\h[10]、纺织品在线质量检测REF_Ref66996780\w\h[11]等。虽然研究对象种类繁多，但是机器视觉在各行业的应用理论却存在相通之处，机器视觉技术在各行业的广泛应用和实践经验，为其在矿石在线筛选上的应用作了良好的铺垫。基于图像的矿石在线筛选方法属于机器视觉筛选方法中的一种常见方法，主要是利用相机拍摄获取传送带上的矿石图像，再通过算法对图像进行滤波预处理、目标分割及信息提取等操作，统计并分析各项参数信息。基于图像的矿石在线筛选方法的主要流程如图1-2所示，从上世纪70年代开始，许多研究者对此进行了持续深入的探讨，主要研究方面包括应用在实际生产线上的矿石筛选仪器及设备的硬件开发设计，以及对矿石图像增强、分割、边缘检测等算法理论方面的研究。图1-2基于图像的矿石筛选方法的流程框图在19世纪70年代，澳大利亚JuliusKruttschnitt研究所最早利用机器视觉技术检测传送带上运动的矿石的尺寸，通过安装在传送带上方的光学传感器扫描运动的矿石并获取一维信号，通过对光信号的分析，直接将高亮区域判断为矿石区域，将低亮区域判断为矿石之间的间隙，由此来计算矿石的弦长，并用弦长反应传送带上矿石的实际尺寸分布，从而实现对矿石的在线尺寸检测REF_Ref66996798\w\h[12]。这是机器视觉首次在矿石在线检测方面的实际应用，为后来的很多矿石在线检测筛选方法提供了经验和参考。然而，这种方法也暴露出许多不可忽略的问题，最严重的就是没有考虑光照不均匀的影响：当光照条件发生变化或者光照不均匀较严重时，图像上亮度值的多少分别代表矿石和矿石之间的间隙，没有一个明确的定义，导致对矿石区域的判断不够准确；另一方面，用弦长反应矿石的实际尺寸也不全面。T.B.Lange博士在1988年提出了一种实时的传送带矿石尺寸分布测量方法，该方法通过对矿石图像进行滤波降噪、边缘检测、填补边缘、移除不需要的边缘等一系列操作，分割出矿石区域和背景区域，再对矿石弦长进行测算，进而推算实际的尺寸分布REF_Ref66996812\w\h[13]。这种方法对矿石边缘提取的准确度不高，导致最终的测量数据的准确性也比较低。意大利学者Agus在1994年提出了一种纹理分析方法对煤矿进行检测，该方法通过相机对煤矿进行拍摄取图，再利用煤矿特有的纹理特征对图像进行分割，从而实现对煤矿的检测REF_Ref68014707\r\h[14]。该方法只针对煤矿颗粒，对于其他处理对象则适用性不强。Crida和RobertCharles在1996年开发了一种矿石粒度分布在线测量系统，利用漫反射对矿石进行照明，减小了光照不均匀的干扰，使得矿石和传送带在图像中更容易区分，接着对矿石图像进行一系列的过渡操作，最终通过霍夫椭圆检测对矿石进行检测识别REF_Ref66996923\w\h[15]。因为矿石形状极其不规则，不存在某一种固定的形状模式，因此通过椭圆检测最终也不可避免地造成漏检现象的发生。除了众多专家学者在理论和实验层面对矿石的检测筛选方法进行不断研究，也有许多公司进行了相关技术的攻关和产品研发。1991年，芬兰的奥托昆普公司研发的PSI-200粒度分析仪正式投入实际应用，1995年我国包头钢铁有限责任公司将其引进，运用在矿石磨碎作业的粒度参数检测中REF_Ref66996937\w\h[16]。PSI-200粒度分析仪需要大量的统计数据，并且当矿石粒度发生变化时，需要重新进行繁琐的参数标定等操作[17]。随后又出现了PSI-500粒度分析仪、马尔文激光粒度分析仪等REF_Ref66996946\r\h\#"[0"[18-REF_Ref66996970\r\h\#"0]"19]。由于矿石检测筛选产品设备在当时国内市场的空白，我国偏向于引进国外的技术产品，但国内的很多公司及科研单位在相关方面的研究也没有停止。经过攻坚克难，2005年，我国首台BPSM-I型在线矿浆粒度分析仪由北京矿冶研究总院成功研发出来，并在实际生产中运用REF_Ref66997060\w\h[20]。BPSM-I型分析仪是以接触式方法对矿浆进行粒度检测的，耐用性和稳定性方面仍需通过长时间的实践检验。而对于运用图像分析和机器视觉对矿石进行粒度检测筛选的方法，国内也有大量专家学者在持续开展探讨和研究。早在1988年，邹定祥就提出了通过图像分析方法对矿石的块度分布进行分析的思想REF_Ref66996998\w\h[21]。1998年，张石、郑春清等人提出了通过图像识别判断烧结矿中FeO含量的方法REF_Ref66996980\w\h[22]。2004年，张国华及温纯友等人提出了基于图像处理的球团矿粒度检测方法REF_Ref66996987\r\h\#"[0"[23-REF_Ref66996989\r\h\#"0]"24]。2005和2006年，温海滨、张学礼也分别将计算机数字图像处理技术应用到在线矿物粒度检测中REF_Ref66997135\r\h\#"[0"[25-REF_Ref66997136\r\h\#"0]"26]。2012年，张国英、邱波、刘冠洲等人实现了一种基于图像的矿石粒度测量系统，并在国内某矿厂进行了实地应用测试。该系统通过工业相机拍摄矿石图像并进行双边滤波、梯度变换、种子点提取和分水岭分割完成图像中矿石颗粒的分割，最后对矿石进行粒度标定并与实际采样比对，结果显示多个粒度区间的累积误差率均小于5%，表明该系统可以较准确地统计矿粒的实际粒度分布REF_Ref66997164\w\h[27]。2013年，蔡改贫、等人也设计了一种基于图像处理的矿石粒度测量系统，该系统对矿石图像进行分割后，通过击中击不中算法测定矿石的块度与数量，实现了对传送带上矿石粒度的连续监测与数据统计REF_Ref66997172\w\h[28]。但是，上述两个系统采用的图像处理算法的光照适应性不强，只适用于室内等光照比较稳定的场合，或者需要在传送带周围加设挡板来辅助维持稳定的光照环境，一旦光照条件发生较大的变化，对矿石图像的分割准确率必然会降低。为了尽可能地排除矿石堆叠产生的遮挡和光照不均匀问题，提高矿石图像分割的准确性，有专家学者考虑在矿石从传送带上随重力下落时进行图像采集，因为自由下落时矿石之间相对更分散，矿石图像则更易于分割，统计的数据结果将更准确。然而，矿石下落扬起的灰尘使得拍摄的图像变得模糊，部分细节被严重掩盖，因此，在下落时刻进行矿石筛选的方法可行性也不强。基于机器视觉技术的矿石检测筛选方法绝大部分都是通过相机获取矿石的二维实物图像，再基于矿石的二维图像进行后续操作，最终分割出矿石区域，对感兴趣目标进行参数统计和信息提取。随着三维重建技术的不断发展成熟，以及GPU并行运算在图形处理方面的突出优势，近年来有些学者尝试将三维重建技术引入到矿石的在线检测筛选中：2011年，MattherJ.Thurley利用三角测距法获取了传送带上石灰石颗粒的三维点云数据，并利用三维点云数据辅助寻找矿石边缘，最终运用基于种子点的分水岭算法对图像中的矿石颗粒进行了比较准确的分割，并通过矿石的粒级分布估算了矿石的重量分布REF_Ref66997183\w\h[29]。该方法虽然获取了矿石的三维数据，但是并没有直接在三维数据上对矿石进行分割，三维数据仅仅作为对二维图像进行处理的辅助。对于同一个实体，三维数据的数据量比二维数据大得多，相应地对三维数据进行运算需要消耗更多的时间，占用更多的计算机内存，同时对硬件系统的要求也比较高，成本也相应增高。目前，国内外还尚未出现一种成熟的基于三维模型的成套矿石在线筛选系统装置，相关的算法研究大部分仍然集中在对二维矿石图像的处理上。对传送带上矿石图像的分割通常是为了统计矿石的粒级分布、筛选特定品类的矿石等。对于本文的课题：传送带上超标矿石的在线筛选方法，不仅需要将目标矿石分割出来，还需要进一步对目标矿石进行定形定位，从而将参数信息传输给后续机械手等设备，对超标矿石进行夹取筛离操作。M.Weyrich等人在2012年提出了传送带上土豆片缺陷的在线筛选及去除方法，该方法不仅对含有缺陷的土豆片进行筛选，而且对缺陷部分进行了定位和路径规划，根据规划的路径引导高速水柱对缺陷部位进行击打去除REF_Ref66997250\w\h[30]。这种对特定目标进行筛选、定位并进行路径规划的思想，为传送带上目标矿石的在线筛选和分离方法的研究提供了十分有价值的指导意义。当今的时代已然是一个大数据时代，人工智能及深度学习技术越来越被国内外各大科研机构所重视REF_Ref66997325\r\h\#"[0"[31-REF_Ref66997326\r\h\#"0]"32]。通过模拟人脑神经网络对计算机进行海量数据的训练学习，可以实现很多传统算法难以实现的功能。图像数据是人类生产生活最重要的信息载体之一，深度学习技术最先也是被应用到了数字图像识别领域，因此很早就有学者就考虑运用深度学习对矿石图像进行分割和目标筛选REF_Ref66997277\r\h\#"[0"[33-REF_Ref66997262\w\h\#"0]"34]。Mukherjee等人在2008年提出了通过对煤矿外形特征进行学习的方法实现对煤矿图像的分割REF_Ref66997287\w\h[35]。Young-DonKo等人在2011年提出了一种神经网络预测模型，实现了对矿石的在线检测与分析REF_Ref66997295\w\h[36]。李龙茂在2014年提出了基于BP神经网络的矿石粒度检测方法，分别在静态条件和动态条件下对矿石进行了粒度检测实验，实验结果的误差都在允许范围之内REF_Ref66997306\w\h[37]，但是此方法是在具有稳定光源的室内实验环境中进行的。程国建等人在2016年也论证了深度学习算法在岩石图像处理应用方面的可行性REF_Ref66997423\w\h[38]。基于深度学习的矿石检测筛选算法在一定条件下具有传统算法不可比拟的准确性，但是也具有其局限性：一方面，矿石形态多变，不同种类矿石间在颜色、纹理以及外形方面差异较大，导致深度学习需要频繁更换不同的训练集，操作复杂繁琐；另一方面，在自然光照条件下，光照环境变化复杂，白天和黑夜以及强光和弱光等差异巨大的自然光照条件必然导致深度学习方法的检测误差显著增加，因此基于深度学习的矿石检测筛选方法更适合用在光照变化较小的环境中；同时，深度学习对计算机软硬件的要求很高，导致筛选系统的成本和维护难度加大。在我国当前矿产行业条件下，深度学习还不适合矿石的在线筛选作业要求REF_Ref66997437\w\h[39]。参考文献赵晓剑,赵书梅,葛振华.“十二五”期间我国矿产资源开发利用的形势和特点分析[J].国土资源情报,2017(07):17-22.AnderssonT,ThurleyMJ,CarlsonJE.Amachinevisionsystemforestimationofsizedistributionbyweightoflimestoneparticles[J].MineralsEngineering,2012,25(1):38-46.孙深深.矿石粒度图像检测技术的研究[D].郑州大学,2019.王清华,李振华,贺安之,等.颗粒粒度测试方法综述[J].江苏教育学院学报(自然科学版),2007,24(02):25-28.洪汉玉.现代图像图形处理与分析[M].武汉:中国地质大学出版社,2011,1-5.章毓晋.图像处理和分析技术[M].北京:高等教育出版社,2008,3.赵秀鸟.基于机器视觉的钨矿初选算法研究[D].江西理工大学,2010.刘国敏,邹猛,刘木华,等.脐橙色泽与着色率的机器视觉检测技术研究[J].江西农业大学学报,2008(03):551-554.王伟.基于机器视觉的农产品物料分级检测系统关键技术研究[D].合肥工业大学,2012.孙政荣.基于数字图像处理技术实现陶瓷片在线动态检测的方法研究[J].传感技术学报,2005(01):70-73.周建,潘如如,高卫东.机器视觉在纺织中的应用现状与发展趋势[J].棉纺织技术,2019,47(02):15-17.I.ElberJ.H.VignosandE.Gallagher.Coarseparticlesizetransmitter.InmeetingofSMEofAIM,Tucson,Arizona,October1976.LangeTB.Real-TimeMeasurementoftheSizeDistributionofRocksonaConveyorBelt[J].IFACProceedingsVolumes,1988,21(20):25-34.AgusM,BonifaziG,MassacciP.Imagetextureanalysisbasedproceduretocharacterizeandrecognizecoalmacerals[J].Fuel&EnergyAbstracts,1994,36(9):6-7.Crida,RobertCharles.Amachinevisionapproachtorockfragmentationanalysis[J].1996.叶平坤.基