一种基于图像分析的矿料粉碎程度检测方法与流程

本发明涉及矿料检测领域。更具体地，本发明涉及一种基于图像分析的矿料粉碎程度检测方法。

背景技术：

1、矿料粉碎是矿物加工中的关键环节，尤其在矿石开采、选矿、建材生产等行业中，矿料的粉碎程度直接影响到后续加工效率和产品质量。粉碎程度通常指矿料在粉碎过程中的粒度分布，即矿料被粉碎成各种粒径的颗粒的比例。粒度控制是优化生产过程、提高能效、降低成本的核心因素之一，如何准确、高效地检测和监控矿料的粉碎程度成为了行业中的重要课题。

2、随着工业自动化和智能化程度的提高，传统的人工检测方法已难以满足高速生产线和高精度检测的需求。传统的粉碎程度检测多依赖于人工取样和筛分法，这种方法不仅劳动强度大，且存在较大的误差。此外，由于粉碎过程的复杂性和不稳定性，检测工作中常常出现延迟和误判，无法实时有效地反馈粉碎状况，进一步影响生产调度和设备维护。

3、现有公开号为cn116823827a的中国专利申请文件公开了一种基于图像处理的矿石粉碎效果评价方法，该申请文件提出通过获取矿石灰度图像，使用不同尺度的颗粒检测算子生成矿石外形图像，确定颗粒偏移距离并迭代处理中心颗粒，进行图像分割，生成矿石颗粒图像，提取矿石区域并评估粉碎效果，最终生成评估结果。

4、但是，矿料在图像中通常会呈现多个边缘和不规则的形态，这些边缘可能是由于矿料颗粒的不同形状、表面粗糙度或光照条件的变化所引起的。多重边缘增加了图像分割的复杂性，致使图像分割算法无法准确区分矿料的实际边界，导致粉碎效果的检测结果不准确。

技术实现思路

1、为解决粉碎效果的检测结果不准确的问题，本发明提出一种基于图像分析的矿料粉碎程度检测方法。

2、本发明公开一种基于图像分析的矿料粉碎程度检测方法，包括：获取预处理后的矿料灰度图，计算矿料灰度图中任一像素点的梯度值，并计算矿料灰度图的划分困难度；基于边缘检测获取矿料灰度图中的边缘，将任一边缘作为目标边缘，将除目标边缘以外的边缘作为参考边缘，构建目标边缘的最小外接矩形，统计最小外接矩形中参考边缘的数量，以计算目标边缘的外轮廓概率，外轮廓概率满足关系式：

3、，表示外轮廓概率，表示目标边缘上所有像素点梯度值的均值，表示目标边缘上所有像素点梯度值的方差，表示目标边缘上像素点数量，表示参考边缘的数量，表示调节因数，表示划分困难度，表示归一化函数；遍历获得矿料灰度图中的所有边缘的外轮廓概率，确定矿料外轮廓，根据矿料外轮廓将矿料灰度图转化为二值图，将二值图输入预设神经网络中，获得粉碎结果概率值，完成粉碎程度检测。

4、通过计算目标边缘的外轮廓概率，并与参考边缘的分布情况相比较，能够区分出矿料的外轮廓与复杂的内部边缘，从而减少因矿料块形状不规则或透视效应引起的误差。将外轮廓信息转化为二值图并输入神经网络，能够进一步提升粉碎程度检测的准确性，确保在矿料处理过程中能够获得更为可靠的粉碎结果。

5、优选的，所述预处理包括：利用高斯滤波对矿料灰度图进行去噪，采用自适应直方图均衡化增加矿料灰度图的对比度。

6、优选的，所述划分困难度包括：以梯度值为横坐标、像素点的数量为纵坐标构建梯度折线图，获得梯度折线图中像素点数量最大值。

7、，表示划分困难度，表示像素点数量最大值，表示第个横坐标的像素点数量。

8、优选的，所述划分困难度还包括：以梯度值为横坐标、像素点的数量为纵坐标构建梯度折线图，获得梯度折线图中像素点数量最大值。

9、，表示划分困难度，表示像素点数量最大值，表示第个横坐标的像素点数量，表示像素点数量最大值对应横坐标的值，表示第个横坐标的值。

10、通过比较每个梯度值对应的像素点数量与图像中最大像素点数量的比例，以及每个梯度值与最大梯度值的接近程度，能够有效评估图像中梯度变化的分布情况。这种计算方法不仅揭示了图像在不同梯度值下的像素分布特征，还能反映出图像细节的丰富程度与边缘强度的分布规律。

11、优选的，所述确定矿料外轮廓包括：对所有边缘进行聚类获得若干聚类簇，计算任一聚类簇中所有边缘的外轮廓概率均值，将外轮廓概率均值最大的聚类簇内的边缘作为矿料外轮廓。

12、不仅能减少因噪声或非矿料区域的干扰而导致的错误识别，还能够通过概率均值的方式增强外轮廓提取的稳定性和精度，确保所选边缘最能反映矿料的实际外形。

13、优选的，所述预设神经网络为卷积神经网络，卷积神经网络对二值图进行特征提取获得图像特征，对图像特征进行分类获得粉碎结果概率值。

14、优选的，还包括：利用边缘填充法获得矿料外轮廓的内部面积，计算内部面积修正值；遍历获得每个矿料外轮廓的内部面积修正值，计算矿料灰度图的内部面积修正值均值；将粉碎程度满足标准的矿料灰度图作为标准图，将标准图的内部面积修正值均值作为标准均值；响应于内部面积修正值均值小于标准均值，矿料灰度图粉碎程度合格。

15、通过边缘填充法对矿料外轮廓的内部面积进行修正，能够有效消除因矿料粉碎过程中的形状不规则性或图像噪声引起的误差，确保对矿料粉碎程度的准确评估。当矿料灰度图的内部面积修正值均值小于标准均值时，表明矿料已经达到预期的粉碎效果。

16、优选的，所述内部面积修正值满足关系式：

17、，表示内部面积修正值，表示内部面积，表示矿料外轮廓与矿料灰度图中心点的欧式距离，表示矿料灰度图对角线的一半。

18、优选的，所述矿料外轮廓与矿料灰度图中心点的欧式距离包括：对矿料灰度图构建位置坐标系；分别计算矿料外轮廓中所有像素点的横坐标均值和纵坐标均值，作为矿料外轮廓的位置坐标，计算位置坐标与矿料灰度图中心点的欧式距离。

19、能够反映矿料的整体分布位置和形状特征，与矿料灰度图中心点的欧式距离能够获得矿料在图像中的位置偏移情况。

20、本发明的有益效果：

21、本发明通过综合运用图像处理技术与神经网络模型，能够有效检测矿料的粉碎程度。首先，通过对矿料灰度图进行预处理和梯度分析，结合边缘检测与最小外接矩形的构建，精确识别矿料的外轮廓，进而计算出每个目标边缘的外轮廓概率，反映矿料粉碎的细致程度。该方法引入的划分困难度评估有助于对矿料灰度图的复杂度进行量化，从而提供更加准确的粉碎效果分析。此外，通过卷积神经网络对二值图进行特征提取和分类，结合矿料外轮廓的几何特征和内部面积修正值的分析，能够更全面地评估矿料粉碎的均匀性与质量，确保检测结果的高精度与可靠性。在实际应用中，可为矿石粉碎过程的自动化监控提供一种高效、精准的方法，提升矿料处理的质量控制水平，有助于减少能源浪费与生产成本，提高生产效率。

技术特征：

1.一种基于图像分析的矿料粉碎程度检测方法，其特征在于，包括：

2.根据权利要求1所述的一种基于图像分析的矿料粉碎程度检测方法，其特征在于，所述预处理包括：

3.根据权利要求1所述的一种基于图像分析的矿料粉碎程度检测方法，其特征在于，所述划分困难度包括：

4.根据权利要求1所述的一种基于图像分析的矿料粉碎程度检测方法，其特征在于，所述划分困难度还包括：

5.根据权利要求1所述的一种基于图像分析的矿料粉碎程度检测方法，其特征在于，所述确定矿料外轮廓包括：

6.根据权利要求1所述的一种基于图像分析的矿料粉碎程度检测方法，其特征在于，所述预设神经网络为卷积神经网络，卷积神经网络对二值图进行特征提取获得图像特征，对图像特征进行分类获得粉碎结果概率值。

7.根据权利要求1所述的一种基于图像分析的矿料粉碎程度检测方法，其特征在于，还包括：

8.根据权利要求7所述的一种基于图像分析的矿料粉碎程度检测方法，其特征在于，所述内部面积修正值满足关系式：

9.根据权利要求8所述的一种基于图像分析的矿料粉碎程度检测方法，其特征在于，所述矿料外轮廓与矿料灰度图中心点的欧式距离包括：

技术总结
本发明涉及矿料检测领域，更具体地，本发明涉及一种基于图像分析的矿料粉碎程度检测方法。所述方法包括：获取预处理后的矿料灰度图，计算矿料灰度图中任一像素点的梯度值，并计算矿料灰度图的划分困难度；基于边缘检测获取矿料灰度图中的边缘，构建目标边缘的最小外接矩形，统计最小外接矩形中参考边缘的数量，以计算目标边缘的外轮廓概率；遍历获得矿料灰度图中的所有边缘的外轮廓概率，确定矿料外轮廓，根据矿料外轮廓将矿料灰度图转化为二值图，将二值图输入预设神经网络中，获得粉碎结果概率值，完成粉碎程度检测。通过本发明的技术方案，能够提高矿料粉碎程度检测结果的精度和效率。

技术研发人员：陈龙,宗秀华,田娥,潘明君
受保护的技术使用者：铜川尧柏特种水泥有限公司
技术研发日：
技术公布日：2025/2/20