[发明专利]一种基于深度学习的矿石尺寸监测预警系统及方法

说明书

本申请公开了一种基于深度学习的矿石尺寸监测预警系统及方法，其中方法包括：通过高清高帧率摄像头采集爆破大块矿石的图像数据集，通过Labelme工具对图像数据集进行标注并保存为json格式；对图像数据集进行数据增强，提高模型的泛化能力；将图像扩充数据集分为：训练集和验证集；设置RetinaNet网络结构识别模型的特征提取层为ResNet50，设置Retinanet网络结构识别模型的特征融合网络层为FPN（特征金字塔网络）仍需采取人工搬运的低效现状，该方法可以高效且准确地完成矿石尺寸的监测预警。

技术领域

本发明涉及矿石机器视觉识别技术领域，具体为一种基于深度学习的矿石尺寸监测预警系统及方法。

背景技术

目前我国矿业行业，矿山大多都是采用爆破开山，所以不能确保每一个石头都是细小的，若石块较大，就会阻止采矿车前行，甚至会将采矿车损坏（一台采矿车数十万），所以现在的工作都是需要雇佣3到5个人去现场挑捡较大的石块。首先，矿场雇工每次工作时长达数小时，工作思想高度集中，极易造成疲劳，若有大块矿石未被发现会卡在矿石破碎机进料口或进入破碎机对机体造成损伤。其次，大部分的矿山爆破碎石块挑拣都是通过人工实现的，采用人工识别，发现大块停止皮带机，将大块搬离传送带，直接影响选矿效率,且工作环境恶劣高粉尘，噪声大，长时间工作对人体伤害较大，目前面临招工难问题。针对以上问题，为解决矿山爆破产生的大块矿石的实时识别问题，迫切需要研发出一种智能处理矿石图像，快速实时标注大块矿石的机器视觉识别系统。与传统人工肉眼识别相比，机器视觉检测具有显著的优势与巨大的经济价值，且检测效率高，检测具有连续性和可重复性。

发明内容

本发明的目的在于提供一种基于深度学习的矿石尺寸监测预警系统及方法，以解决上述背景技术中提出的问题。

为了实现上述目的，本发明提供了如下技术方案：

本发明提供的一种基于深度学习的矿石尺寸监测预警系统，包括图像采集平台、监测识别平台和数据监控平台。

所述图像采集平台包括高清高帧率摄像头和视频解编码器一，用于实时采集传送带上的爆破矿石图像。

所述监测识别平台包括工控机和视频解编码器二，用于实时处理采集到的爆破矿石图像，对于爆破矿石图像进行实时标注。

所述数据监控平台包括数据库服务器、流媒体服务器和Web服务器，通过数据库服务器来存储处理完毕的爆破矿石图像，通过流媒体服务器将解码完毕的图像数据信息压缩后放置于网络服务器上，以供用户实时观看矿石图像视频，通过Web服务器对矿石识别网站搭建提供支持，使用户可以远程实时观看矿石图像视频。

所述图像采集平台、监测识别平台和数据监控平台三者之间通过有线通信模块进行数据传输通信。

进一步地，所述高清高帧率摄像头为支持自动变焦的1080p、120帧的摄像头。

进一步地，所述视频解编码器一、视频解编码器二均为H.265格式视频编解码器。

进一步地，有线通信模块均为光纤通信模块。

本发明提供的一种基于深度学习的矿石尺寸监测预警方法，包括以下步骤：

S1：通过图像采集平台的高清高帧率摄像头实时拍摄传送带上的爆破矿石图像，通过视频解编码器将图像数据编码后传送给监测识别平台；

S2：通过光纤通信模块将编码好的数据传送至监测识别平台，再利用监测识别平台的视频解编码器进行解码，通过工控机内置的Retinanet深度学习算法，对图像进行实时的框图标定；

S3：通过数据监控平台，可以预先设定好矿石框图的最大宽度、最大长度和最大框图面积的阈值，比较预设的最大阈值与Retinanet深度学习算法识别出来的矿石框图的相关参数；