文档名：基于深度学习技术的爆堆块度识别方法研究
摘要：在露天矿爆破开采过程中,大块率是评价爆破质量的一个重要指标.较高的大块率不仅会大大降低采装效率,同时也增加二次破岩的费用,因此大块率统计是露天矿开采中一项重要工作.针对目前矿山存在的矿岩大块率统计复杂且准确性不高的问题,以乌努格吐山铜钼矿为研究对象,收集了矿区内台阶爆破爆堆图像数据,构建了基于深度学习的爆堆大块率统计模型.首先基于U-net矿岩图像分割模型,初步分割标注处理的数据集,建立了矿岩轮廓初次分割效果图.在残差学习模块基础上,改进Resu-net模型,优化训练标注数据,获得了最终矿岩轮廓分割效果图.最后,采用OpenCV图像处理技术,通过最小外接矩形法确定了爆堆块度尺度信息.结果表明,本研究提出的U-net+Resu-net爆堆块度优化分割模型准确率达到97.84％,爆堆矿岩图像分割数据较准确.通过OpenCV技术与相机单目成像原理相结合的方法,实现了倾斜爆堆矿岩图像的爆堆块度统计.此外,所开发的交互式界面操作简单,可快速统计大块尺寸.满洲里乌努格吐山铜钼矿的应用表明,该方法可高效、准确统计爆堆块度,具有一定的推广价值.
Abstract：Boulderyieldisanimportantindextoevaluatetheblastingqualityintheblastingprocessofanopenpitmine.Sinceahighboulderyieldwillnotonlygreatlyreducetheminingefficiency,butalsoincreasethecostofsecondaryrockbreaking,sofragmentssizestatisticsisanimportantworkinopenpitmining.Aimingattheproblemthatthestatisticsoffragmentsizeiscomplexandnotaccurateenough,astatisticalmodelofboulderyieldwasbuiltbydeeplearningbasedonthetakestheimagedataofblastingpilescollectedintheUnugetushancopperandmolyb-denummine.Firstly,theannotateddatasetwasinitiallysegmentedintoaninitialeffectdiagramoftheminerockcon-tourbasedontheU-netimagesegmentationmodel.Andthen,theannotateddatafortrainingwasoptimizedandtheResu-netmodelwasimprovedonthebasisoftheresiduallearningmodule,whichresultedinthefinalsegmentationeffectmapofminerockcontour.Finally,thefragmentsizeinformationoftheblastingpilewasobtainedthroughtheminimumexternalrectanglemethodcombinedwithOpenCVimageprocessingtechnology.TheresultsshowthatthesegmentationaccuracyofU-net+Resu-netfragmentsizeoptimizationmodelproposedinthisstudyis97.84％withanaccurateimagedatasegmentation.ThestatisticsoffragmentsizeinaninclinedblastingpileisrealizedbyOpenCVtechnologycombinedwiththecameramonocularimagingprinciple.Inaddition,thedevelopedinteractivein-terfaceissimpletooperateandcanquicklycalculatetheboulderyield.
作者：陈立军 蔡国强 张文斌Author：CHENLi-jun CAIGuo-qiang ZHANGWen-bin
作者单位：中铁十九局集团矿业投资有限公司新巴尔虎右旗分公司,满洲里021400
刊名：爆破
Journal：Blasting
年，卷(期)：2024, 41(1)
分类号：TU45
关键词：爆堆块度 深度学习 单目成像 矿石分割
Keywords：blastingfragmentsize deeplearning monocularimaging oresegmentation
机标分类号：TP391O384U451.2
在线出版日期：2024年4月1日
基金项目：基于深度学习技术的爆堆块度识别方法研究[
期刊论文] 爆破--2024, 41(1)陈立军 蔡国强 张文斌在露天矿爆破开采过程中,大块率是评价爆破质量的一个重要指标.较高的大块率不仅会大大降低采装效率,同时也增加二次破岩的费用,因此大块率统计是露天矿开采中一项重要工作.针对目前矿山存在的矿岩大块率统计复杂且准确...参考文献和引证文献
参考文献
引证文献
本文读者也读过
相似文献
相关博文
基于深度学习技术的爆堆块度识别方法研究 Research on Fragment Size Identification Method of Blasting Pile based on Deep Learning Technology
基于深度学习技术的爆堆块度识别方法研究.pdf
- 文件大小:
- 4.65 MB
- 下载次数:
- 60
-
高速下载
|
|
