機器視覺礦石檢測篩選技術的研究現(xiàn)狀國內(nèi)外文獻綜述機器視覺技術已經(jīng)歷了五十年左右的發(fā)展，最早出現(xiàn)在國外。近些年來，美國、荷蘭、中國等國家都不斷加大機器視覺在軍用和民用方面的研究投入。在國外，機器視覺主要應用在電子產(chǎn)業(yè)和半導體行業(yè)REF_Ref66996732\w\h[7]，比如對PCB印刷電路板的缺陷檢測及微小元器件的精確定位等；而在國內(nèi)，機器視覺起步則相對較晚，在各行業(yè)的推廣應用也仍在逐漸發(fā)展當中，應用方面涉及農(nóng)產(chǎn)品檢測REF_Ref66996762\r\h\#"[0"[8-REF_Ref66996763\r\h\#"0]"9]、陶瓷品缺陷在線檢測REF_Ref66996749\w\h[10]、紡織品在線質(zhì)量檢測REF_Ref66996780\w\h[11]等。雖然研究對象種類繁多，但是機器視覺在各行業(yè)的應用理論卻存在相通之處，機器視覺技術在各行業(yè)的廣泛應用和實踐經(jīng)驗，為其在礦石在線篩選上的應用作了良好的鋪墊?；趫D像的礦石在線篩選方法屬于機器視覺篩選方法中的一種常見方法，主要是利用相機拍攝獲取傳送帶上的礦石圖像，再通過算法對圖像進行濾波預處理、目標分割及信息提取等操作，統(tǒng)計并分析各項參數(shù)信息。基于圖像的礦石在線篩選方法的主要流程如圖1-2所示，從上世紀70年代開始，許多研究者對此進行了持續(xù)深入的探討，主要研究方面包括應用在實際生產(chǎn)線上的礦石篩選儀器及設備的硬件開發(fā)設計，以及對礦石圖像增強、分割、邊緣檢測等算法理論方面的研究。圖1-2基于圖像的礦石篩選方法的流程框圖在19世紀70年代，澳大利亞JuliusKruttschnitt研究所最早利用機器視覺技術檢測傳送帶上運動的礦石的尺寸，通過安裝在傳送帶上方的光學傳感器掃描運動的礦石并獲取一維信號，通過對光信號的分析，直接將高亮區(qū)域判斷為礦石區(qū)域，將低亮區(qū)域判斷為礦石之間的間隙，由此來計算礦石的弦長，并用弦長反應傳送帶上礦石的實際尺寸分布，從而實現(xiàn)對礦石的在線尺寸檢測REF_Ref66996798\w\h[12]。這是機器視覺首次在礦石在線檢測方面的實際應用，為后來的很多礦石在線檢測篩選方法提供了經(jīng)驗和參考。然而，這種方法也暴露出許多不可忽略的問題，最嚴重的就是沒有考慮光照不均勻的影響：當光照條件發(fā)生變化或者光照不均勻較嚴重時，圖像上亮度值的多少分別代表礦石和礦石之間的間隙，沒有一個明確的定義，導致對礦石區(qū)域的判斷不夠準確；另一方面，用弦長反應礦石的實際尺寸也不全面。T.B.Lange博士在1988年提出了一種實時的傳送帶礦石尺寸分布測量方法，該方法通過對礦石圖像進行濾波降噪、邊緣檢測、填補邊緣、移除不需要的邊緣等一系列操作，分割出礦石區(qū)域和背景區(qū)域，再對礦石弦長進行測算，進而推算實際的尺寸分布REF_Ref66996812\w\h[13]。這種方法對礦石邊緣提取的準確度不高，導致最終的測量數(shù)據(jù)的準確性也比較低。意大利學者Agus在1994年提出了一種紋理分析方法對煤礦進行檢測，該方法通過相機對煤礦進行拍攝取圖，再利用煤礦特有的紋理特征對圖像進行分割，從而實現(xiàn)對煤礦的檢測REF_Ref68014707\r\h[14]。該方法只針對煤礦顆粒，對于其他處理對象則適用性不強。Crida和RobertCharles在1996年開發(fā)了一種礦石粒度分布在線測量系統(tǒng)，利用漫反射對礦石進行照明，減小了光照不均勻的干擾，使得礦石和傳送帶在圖像中更容易區(qū)分，接著對礦石圖像進行一系列的過渡操作，最終通過霍夫橢圓檢測對礦石進行檢測識別REF_Ref66996923\w\h[15]。因為礦石形狀極其不規(guī)則，不存在某一種固定的形狀模式，因此通過橢圓檢測最終也不可避免地造成漏檢現(xiàn)象的發(fā)生。除了眾多專家學者在理論和實驗層面對礦石的檢測篩選方法進行不斷研究，也有許多公司進行了相關技術的攻關和產(chǎn)品研發(fā)。1991年，芬蘭的奧托昆普公司研發(fā)的PSI-200粒度分析儀正式投入實際應用，1995年我國包頭鋼鐵有限責任公司將其引進，運用在礦石磨碎作業(yè)的粒度參數(shù)檢測中REF_Ref66996937\w\h[16]。PSI-200粒度分析儀需要大量的統(tǒng)計數(shù)據(jù)，并且當?shù)V石粒度發(fā)生變化時，需要重新進行繁瑣的參數(shù)標定等操作[17]。隨后又出現(xiàn)了PSI-500粒度分析儀、馬爾文激光粒度分析儀等REF_Ref66996946\r\h\#"[0"[18-REF_Ref66996970\r\h\#"0]"19]。由于礦石檢測篩選產(chǎn)品設備在當時國內(nèi)市場的空白，我國偏向于引進國外的技術產(chǎn)品，但國內(nèi)的很多公司及科研單位在相關方面的研究也沒有停止。經(jīng)過攻堅克難，2005年，我國首臺BPSM-I型在線礦漿粒度分析儀由北京礦冶研究總院成功研發(fā)出來，并在實際生產(chǎn)中運用REF_Ref66997060\w\h[20]。BPSM-I型分析儀是以接觸式方法對礦漿進行粒度檢測的，耐用性和穩(wěn)定性方面仍需通過長時間的實踐檢驗。而對于運用圖像分析和機器視覺對礦石進行粒度檢測篩選的方法，國內(nèi)也有大量專家學者在持續(xù)開展探討和研究。早在1988年，鄒定祥就提出了通過圖像分析方法對礦石的塊度分布進行分析的思想REF_Ref66996998\w\h[21]。1998年，張石、鄭春清等人提出了通過圖像識別判斷燒結(jié)礦中FeO含量的方法REF_Ref66996980\w\h[22]。2004年，張國華及溫純友等人提出了基于圖像處理的球團礦粒度檢測方法REF_Ref66996987\r\h\#"[0"[23-REF_Ref66996989\r\h\#"0]"24]。2005和2006年，溫海濱、張學禮也分別將計算機數(shù)字圖像處理技術應用到在線礦物粒度檢測中REF_Ref66997135\r\h\#"[0"[25-REF_Ref66997136\r\h\#"0]"26]。2012年，張國英、邱波、劉冠洲等人實現(xiàn)了一種基于圖像的礦石粒度測量系統(tǒng)，并在國內(nèi)某礦廠進行了實地應用測試。該系統(tǒng)通過工業(yè)相機拍攝礦石圖像并進行雙邊濾波、梯度變換、種子點提取和分水嶺分割完成圖像中礦石顆粒的分割，最后對礦石進行粒度標定并與實際采樣比對，結(jié)果顯示多個粒度區(qū)間的累積誤差率均小于5%，表明該系統(tǒng)可以較準確地統(tǒng)計礦粒的實際粒度分布REF_Ref66997164\w\h[27]。2013年，蔡改貧、等人也設計了一種基于圖像處理的礦石粒度測量系統(tǒng)，該系統(tǒng)對礦石圖像進行分割后，通過擊中擊不中算法測定礦石的塊度與數(shù)量，實現(xiàn)了對傳送帶上礦石粒度的連續(xù)監(jiān)測與數(shù)據(jù)統(tǒng)計REF_Ref66997172\w\h[28]。但是，上述兩個系統(tǒng)采用的圖像處理算法的光照適應性不強，只適用于室內(nèi)等光照比較穩(wěn)定的場合，或者需要在傳送帶周圍加設擋板來輔助維持穩(wěn)定的光照環(huán)境，一旦光照條件發(fā)生較大的變化，對礦石圖像的分割準確率必然會降低。為了盡可能地排除礦石堆疊產(chǎn)生的遮擋和光照不均勻問題，提高礦石圖像分割的準確性，有專家學者考慮在礦石從傳送帶上隨重力下落時進行圖像采集，因為自由下落時礦石之間相對更分散，礦石圖像則更易于分割，統(tǒng)計的數(shù)據(jù)結(jié)果將更準確。然而，礦石下落揚起的灰塵使得拍攝的圖像變得模糊，部分細節(jié)被嚴重掩蓋，因此，在下落時刻進行礦石篩選的方法可行性也不強?；跈C器視覺技術的礦石檢測篩選方法絕大部分都是通過相機獲取礦石的二維實物圖像，再基于礦石的二維圖像進行后續(xù)操作，最終分割出礦石區(qū)域，對感興趣目標進行參數(shù)統(tǒng)計和信息提取。隨著三維重建技術的不斷發(fā)展成熟，以及GPU并行運算在圖形處理方面的突出優(yōu)勢，近年來有些學者嘗試將三維重建技術引入到礦石的在線檢測篩選中：2011年，MattherJ.Thurley利用三角測距法獲取了傳送帶上石灰石顆粒的三維點云數(shù)據(jù)，并利用三維點云數(shù)據(jù)輔助尋找礦石邊緣，最終運用基于種子點的分水嶺算法對圖像中的礦石顆粒進行了比較準確的分割，并通過礦石的粒級分布估算了礦石的重量分布REF_Ref66997183\w\h[29]。該方法雖然獲取了礦石的三維數(shù)據(jù)，但是并沒有直接在三維數(shù)據(jù)上對礦石進行分割，三維數(shù)據(jù)僅僅作為對二維圖像進行處理的輔助。對于同一個實體，三維數(shù)據(jù)的數(shù)據(jù)量比二維數(shù)據(jù)大得多，相應地對三維數(shù)據(jù)進行運算需要消耗更多的時間，占用更多的計算機內(nèi)存，同時對硬件系統(tǒng)的要求也比較高，成本也相應增高。目前，國內(nèi)外還尚未出現(xiàn)一種成熟的基于三維模型的成套礦石在線篩選系統(tǒng)裝置，相關的算法研究大部分仍然集中在對二維礦石圖像的處理上。對傳送帶上礦石圖像的分割通常是為了統(tǒng)計礦石的粒級分布、篩選特定品類的礦石等。對于本文的課題：傳送帶上超標礦石的在線篩選方法，不僅需要將目標礦石分割出來，還需要進一步對目標礦石進行定形定位，從而將參數(shù)信息傳輸給后續(xù)機械手等設備，對超標礦石進行夾取篩離操作。M.Weyrich等人在2012年提出了傳送帶上土豆片缺陷的在線篩選及去除方法，該方法不僅對含有缺陷的土豆片進行篩選，而且對缺陷部分進行了定位和路徑規(guī)劃，根據(jù)規(guī)劃的路徑引導高速水柱對缺陷部位進行擊打去除REF_Ref66997250\w\h[30]。這種對特定目標進行篩選、定位并進行路徑規(guī)劃的思想，為傳送帶上目標礦石的在線篩選和分離方法的研究提供了十分有價值的指導意義。當今的時代已然是一個大數(shù)據(jù)時代，人工智能及深度學習技術越來越被國內(nèi)外各大科研機構(gòu)所重視REF_Ref66997325\r\h\#"[0"[31-REF_Ref66997326\r\h\#"0]"32]。通過模擬人腦神經(jīng)網(wǎng)絡對計算機進行海量數(shù)據(jù)的訓練學習，可以實現(xiàn)很多傳統(tǒng)算法難以實現(xiàn)的功能。圖像數(shù)據(jù)是人類生產(chǎn)生活最重要的信息載體之一，深度學習技術最先也是被應用到了數(shù)字圖像識別領域，因此很早就有學者就考慮運用深度學習對礦石圖像進行分割和目標篩選REF_Ref66997277\r\h\#"[0"[33-REF_Ref66997262\w\h\#"0]"34]。Mukherjee等人在2008年提出了通過對煤礦外形特征進行學習的方法實現(xiàn)對煤礦圖像的分割REF_Ref66997287\w\h[35]。Young-DonKo等人在2011年提出了一種神經(jīng)網(wǎng)絡預測模型，實現(xiàn)了對礦石的在線檢測與分析REF_Ref66997295\w\h[36]。李龍茂在2014年提出了基于BP神經(jīng)網(wǎng)絡的礦石粒度檢測方法，分別在靜態(tài)條件和動態(tài)條件下對礦石進行了粒度檢測實驗，實驗結(jié)果的誤差都在允許范圍之內(nèi)REF_Ref66997306\w\h[37]，但是此方法是在具有穩(wěn)定光源的室內(nèi)實驗環(huán)境中進行的。程國建等人在2016年也論證了深度學習算法在巖石圖像處理應用方面的可行性REF_Ref66997423\w\h[38]?；谏疃葘W習的礦石檢測篩選算法在一定條件下具有傳統(tǒng)算法不可比擬的準確性，但是也具有其局限性：一方面，礦石形態(tài)多變，不同種類礦石間在顏色、紋理以及外形方面差異較大，導致深度學習需要頻繁更換不同的訓練集，操作復雜繁瑣；另一方面，在自然光照條件下，光照環(huán)境變化復雜，白天和黑夜以及強光和弱光等差異巨大的自然光照條件必然導致深度學習方法的檢測誤差顯著增加，因此基于深度學習的礦石檢測篩選方法更適合用在光照變化較小的環(huán)境中；同時，深度學習對計算機軟硬件的要求很高，導致篩選系統(tǒng)的成本和維護難度加大。在我國當前礦產(chǎn)行業(yè)條件下，深度學習還不適合礦石的在線篩選作業(yè)要求REF_Ref66997437\w\h[39]。參考文獻趙曉劍,趙書梅,葛振華.“十二五”期間我國礦產(chǎn)資源開發(fā)利用的形勢和特點分析[J].國土資源情報,2017(07):17-22.AnderssonT,ThurleyMJ,CarlsonJE.Amachinevisionsystemforestimationofsizedistributionbyweightoflimestoneparticles[J].MineralsEngineering,2012,25(1):38-46.孫深深.礦石粒度圖像檢測技術的研究[D].鄭州大學,2019.王清華,李振華,賀安之,等.顆粒粒度測試方法綜述[J].江蘇教育學院學報(自然科學版),2007,24(02):25-28.洪漢玉.現(xiàn)代圖像圖形處理與分析[M].武漢:中國地質(zhì)大學出版社,2011,1-5.章毓晉.圖像處理和分析技術[M].北京:高等教育出版社,2008,3.趙秀鳥.基于機器視覺的鎢礦初選算法研究[D].江西理工大學,2010.劉國敏,鄒猛,劉木華,等.臍橙色澤與著色率的機器視覺檢測技術研究[J].江西農(nóng)業(yè)大學學報,2008(03):551-554.王偉.基于機器視覺的農(nóng)產(chǎn)品物料分級檢測系統(tǒng)關鍵技術研究[D].合肥工業(yè)大學,2012.孫政榮.基于數(shù)字圖像處理技術實現(xiàn)陶瓷片在線動態(tài)檢測的方法研究[J].傳感技術學報,2005(01):70-73.周建,潘如如,高衛(wèi)東.機器視覺在紡織中的應用現(xiàn)狀與發(fā)展趨勢[J].棉紡織技術,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.葉平坤.基