本發(fā)明涉及烘干砂檢測分析，尤其涉及基于機(jī)器視覺的黃金尾礦烘干砂質(zhì)量檢測方法。

背景技術(shù)：

1、黃金尾礦烘干砂的質(zhì)量檢測在礦產(chǎn)加工領(lǐng)域尤為重要，涉及到后續(xù)冶煉、提純等多個(gè)環(huán)節(jié)的產(chǎn)品質(zhì)量和工藝效率。然而，傳統(tǒng)的黃金尾礦烘干砂質(zhì)量檢測方法主要依賴人工觀察和機(jī)械篩選，不僅檢測精度和一致性差，且在自動(dòng)化方面存在明顯不足。人工檢測方法由于主觀性強(qiáng)且費(fèi)時(shí)費(fèi)力，無法保證每個(gè)烘干砂顆粒形態(tài)和水分含量的穩(wěn)定性。而機(jī)械篩選雖然可以提升效率，但其識(shí)別烘干砂顆粒的精度有限，特別是對烘干砂顆粒形態(tài)和水分含量等細(xì)微指標(biāo)難以實(shí)現(xiàn)精準(zhǔn)控制。

2、黃金尾礦烘干砂顆粒形態(tài)和水分含量是影響其品質(zhì)的重要指標(biāo)。烘干砂顆粒形態(tài)上的差異，如顆粒的大小、表面粗糙度、圓度等，會(huì)直接影響到后續(xù)加工的均勻性和質(zhì)量。而水分含量則對烘干效果、后續(xù)儲(chǔ)存和運(yùn)輸過程中的穩(wěn)定性起到關(guān)鍵作用，尤其是在烘干過程中，水分的控制是質(zhì)量檢測中的難點(diǎn)之一。傳統(tǒng)方法難以實(shí)時(shí)、精確地檢測烘干砂顆粒的形態(tài)和水分含量，無法適應(yīng)大規(guī)模連續(xù)生產(chǎn)的質(zhì)量控制需求。

3、綜上，傳統(tǒng)的黃金尾礦烘干砂質(zhì)量檢測方法存在對烘干砂顆粒形態(tài)、水分含量等關(guān)鍵質(zhì)量指標(biāo)檢測精度不足的技術(shù)問題。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提供基于機(jī)器視覺的黃金尾礦烘干砂質(zhì)量檢測方法，以解決對烘干砂顆粒形態(tài)、水分含量等關(guān)鍵質(zhì)量指標(biāo)的檢測精度不足的技術(shù)問題。

2、基于機(jī)器視覺的黃金尾礦烘干砂質(zhì)量檢測方法，包括以下步驟：

3、s1.采集烘干砂顆粒的多角度圖像數(shù)據(jù)和紅外傳感器數(shù)據(jù)，通過多分區(qū)多尺度自適應(yīng)特征重構(gòu)算法，對烘干砂顆粒的多角度圖像數(shù)據(jù)進(jìn)行智能化圖像處理，得到烘干砂顆粒的最終綜合特征；

4、s2.基于紅外傳感器數(shù)據(jù)，引入基于多維時(shí)空特征映射和自適應(yīng)濾波的水分檢測算法，對烘干砂顆粒進(jìn)行水分檢測，得到烘干砂顆粒的水分含量；基于烘干砂顆粒的水分含量和烘干砂顆粒的最終綜合特征，得到烘干砂顆粒的完整特征數(shù)據(jù)；對烘干砂顆粒的完整特征數(shù)據(jù)進(jìn)行多模態(tài)融合與分析，生成綜合分析結(jié)果；基于綜合分析結(jié)果，生成檢測報(bào)告。

5、優(yōu)選的，所述s1，具體包括：

6、所述多分區(qū)多尺度自適應(yīng)特征重構(gòu)算法的具體實(shí)現(xiàn)步驟如下：

7、第一步，引入自適應(yīng)分區(qū)方法，對烘干砂顆粒的多角度圖像數(shù)據(jù)進(jìn)行圖像多分區(qū)處理，得到最終分區(qū)；

8、第二步，對最終分區(qū)后的每個(gè)區(qū)域內(nèi)的烘干砂顆粒的多角度圖像數(shù)據(jù)進(jìn)行多尺度特征提取，生成特征張量矩陣；

9、第三步，對最終分區(qū)后的各區(qū)域內(nèi)生成的特征張量矩陣，進(jìn)行動(dòng)態(tài)特征重構(gòu)和非線性融合，生成烘干砂顆粒的綜合特征；

10、第四步，對烘干砂顆粒的綜合特征進(jìn)行優(yōu)化，得到烘干砂顆粒的最終綜合特征。

11、優(yōu)選的，所述s1，具體包括：

12、在自適應(yīng)分區(qū)方法的實(shí)現(xiàn)過程中，將烘干砂顆粒的多角度圖像數(shù)據(jù)轉(zhuǎn)化為梯度向量，并結(jié)合烘干砂顆粒的多角度圖像數(shù)據(jù)中每個(gè)像素點(diǎn)的局部均值亮度值和局部灰度方差，對烘干砂顆粒的多角度圖像數(shù)據(jù)中每個(gè)像素點(diǎn)分配顯著性權(quán)重；每個(gè)像素點(diǎn)的顯著性權(quán)重的具體計(jì)算公式為：

13、，

14、其中，表示每個(gè)像素點(diǎn)的顯著性權(quán)重；和是烘干砂顆粒的多角度圖像數(shù)據(jù)在和方向的梯度；為當(dāng)前像素點(diǎn)的局部均值亮度值；為當(dāng)前像素點(diǎn)的局部灰度方差；是防止分母為零的平滑參數(shù)；

15、基于每個(gè)像素點(diǎn)的顯著性權(quán)重，引入分區(qū)比例參數(shù)，對整個(gè)烘干砂顆粒的多角度圖像數(shù)據(jù)進(jìn)行初步劃分，得到初步分區(qū)，并計(jì)算初步分區(qū)后的各區(qū)域的顯著性權(quán)重。

16、優(yōu)選的，所述s1，具體包括：

17、對初步分區(qū)后的區(qū)域邊緣進(jìn)行閉操作，得到最終分區(qū)；基于最終分區(qū)，重新計(jì)算并更新區(qū)域的顯著性權(quán)重。

18、優(yōu)選的，所述s1，具體包括：

19、基于最終分區(qū)后的每個(gè)區(qū)域內(nèi)的烘干砂顆粒的多角度圖像數(shù)據(jù)，定義局部對比度、表面粗糙度和平均亮度，生成分區(qū)特征張量；基于分區(qū)特征張量，構(gòu)建特征張量矩陣；分區(qū)特征張量的生成公式如下：

20、，

21、其中，為最終分區(qū)后的第個(gè)區(qū)域在位置處的多尺度特征張量值，表示分區(qū)特征張量；表示最終分區(qū)后的第個(gè)區(qū)域的局部對比度；表示最終分區(qū)后的第個(gè)區(qū)域的表面粗糙度；為最終分區(qū)后的第個(gè)區(qū)域的平均亮度；為最終分區(qū)后的第個(gè)區(qū)域的烘干砂顆粒的局部邊緣方向角；為最終分區(qū)后的第個(gè)區(qū)域的分區(qū)特征張量的縮放指數(shù)。

22、優(yōu)選的，所述s1，具體包括：

23、通過非線性變換對特征張量矩陣進(jìn)行動(dòng)態(tài)特征重構(gòu)處理，生成區(qū)域內(nèi)的重構(gòu)特征；對最終分區(qū)后所有區(qū)域內(nèi)的重構(gòu)特征進(jìn)行加權(quán)合并，生成烘干砂顆粒的綜合特征。

24、優(yōu)選的，所述s2，具體包括：

25、基于紅外傳感器數(shù)據(jù)獲取烘干砂顆粒的吸收率數(shù)據(jù)、反射率數(shù)據(jù)和透射率數(shù)據(jù)，生成包含時(shí)間和空間維度的紅外特征矩陣；引入空間偏移范圍半徑，生成空間分布矩陣。

26、優(yōu)選的，所述s2，具體包括：

27、通過映射處理將紅外特征矩陣與空間分布矩陣轉(zhuǎn)換為特征空間矩陣；對特征空間矩陣進(jìn)行卷積濾波處理，得到卷積濾波后的特征空間矩陣。

28、優(yōu)選的，所述s2，具體包括：

29、基于卷積濾波后的特征空間矩陣和空間分布矩陣，引入烘干砂顆粒的水分含量計(jì)算公式，得到烘干砂顆粒的水分含量，具體公式為：

30、，

31、其中，是時(shí)刻在位置處烘干砂顆粒的水分含量；、為調(diào)節(jié)系數(shù)；表示均值計(jì)算；是卷積濾波后的特征空間矩陣；、、分別表示時(shí)刻烘干砂顆粒在位置處的吸收率數(shù)據(jù)、反射率數(shù)據(jù)和透射率數(shù)據(jù)；是空間分布矩陣在處的元素值。

32、優(yōu)選的，所述s2，具體包括：

33、基于烘干砂顆粒的水分含量，結(jié)合最終分區(qū)，計(jì)算每個(gè)區(qū)域內(nèi)的烘干砂顆粒的水分含量，并將每個(gè)區(qū)域內(nèi)的烘干砂顆粒的水分含量添加到對應(yīng)區(qū)域中的烘干砂顆粒的最終綜合特征中，得到烘干砂顆粒的完整特征數(shù)據(jù)；對烘干砂顆粒的完整特征數(shù)據(jù)進(jìn)行多模態(tài)融合，生成烘干砂顆粒的綜合質(zhì)量評(píng)分；基于烘干砂顆粒的綜合質(zhì)量評(píng)分和烘干砂顆粒的完整特征數(shù)據(jù)，對烘干砂顆粒進(jìn)行質(zhì)量檢測和分類，得到綜合分析結(jié)果；根據(jù)綜合分析結(jié)果，生成包含顆粒合格率、不合格顆粒占比的檢測報(bào)告；當(dāng)不合格顆粒占比超出預(yù)設(shè)的閾值時(shí)，則觸發(fā)警報(bào)提醒，并進(jìn)行生產(chǎn)調(diào)整。

34、本發(fā)明的技術(shù)方案的有益效果是：

35、1、引入多分區(qū)多尺度自適應(yīng)特征重構(gòu)算法，將烘干砂顆粒的大小、表面特征、形態(tài)等關(guān)鍵特征精準(zhǔn)提取，從而有效減少單一視角帶來的檢測偏差。

36、2、采用紅外傳感器結(jié)合基于多維時(shí)空特征映射和自適應(yīng)濾波的水分檢測算法，能夠獲取烘干砂顆粒水分含量的精確數(shù)據(jù)。通過對吸收率、反射率和透射率等多維特征的時(shí)空分析，可以捕捉烘干砂顆粒在干燥過程中的熱響應(yīng)變化，提高了烘干砂顆粒水分含量測定的精度。

技術(shù)特征：

1.基于機(jī)器視覺的黃金尾礦烘干砂質(zhì)量檢測方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的基于機(jī)器視覺的黃金尾礦烘干砂質(zhì)量檢測方法，其特征在于，所述s1，具體包括：

3.根據(jù)權(quán)利要求2所述的基于機(jī)器視覺的黃金尾礦烘干砂質(zhì)量檢測方法，其特征在于，所述s1，具體包括：

4.根據(jù)權(quán)利要求3所述的基于機(jī)器視覺的黃金尾礦烘干砂質(zhì)量檢測方法，其特征在于，所述s1，具體包括：

5.根據(jù)權(quán)利要求4所述的基于機(jī)器視覺的黃金尾礦烘干砂質(zhì)量檢測方法，其特征在于，所述s1，具體包括：

6.根據(jù)權(quán)利要求5所述的基于機(jī)器視覺的黃金尾礦烘干砂質(zhì)量檢測方法，其特征在于，所述s1，具體包括：

7.根據(jù)權(quán)利要求6所述的基于機(jī)器視覺的黃金尾礦烘干砂質(zhì)量檢測方法，其特征在于，所述s2，具體包括：

8.根據(jù)權(quán)利要求7所述的基于機(jī)器視覺的黃金尾礦烘干砂質(zhì)量檢測方法，其特征在于，所述s2，具體包括：

9.根據(jù)權(quán)利要求8所述的基于機(jī)器視覺的黃金尾礦烘干砂質(zhì)量檢測方法，其特征在于，所述s2，具體包括：

10.根據(jù)權(quán)利要求9所述的基于機(jī)器視覺的黃金尾礦烘干砂質(zhì)量檢測方法，其特征在于，所述s2，具體包括：

技術(shù)總結(jié)
本發(fā)明涉及烘干砂檢測分析技術(shù)領(lǐng)域，尤其涉及基于機(jī)器視覺的黃金尾礦烘干砂質(zhì)量檢測方法。內(nèi)容包括：采集烘干砂顆粒的多角度圖像數(shù)據(jù)和紅外傳感器數(shù)據(jù)，對烘干砂顆粒的多角度圖像數(shù)據(jù)進(jìn)行智能化圖像處理，得到烘干砂顆粒的最終綜合特征；基于紅外傳感器數(shù)據(jù)，對烘干砂顆粒進(jìn)行水分檢測，得到烘干砂顆粒的水分含量；基于烘干砂顆粒的水分含量和烘干砂顆粒的最終綜合特征，得到烘干砂顆粒的完整特征數(shù)據(jù)；對烘干砂顆粒的完整特征數(shù)據(jù)進(jìn)行多模態(tài)融合與分析，生成綜合分析結(jié)果；基于綜合分析結(jié)果，生成檢測報(bào)告。解決了對烘干砂顆粒形態(tài)、水分含量等關(guān)鍵質(zhì)量指標(biāo)的檢測精度不足的技術(shù)問題。

技術(shù)研發(fā)人員：徐曙明,錢英暉,付永德,宋書超,楊軍航,張雪飛,趙偉,李鵬,孫寶軍
受保護(hù)的技術(shù)使用者：招遠(yuǎn)市雙盛石藝科技有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/2