一种通过激光雷达分选矿石的方法与流程

本发明涉及一种矿石行业，尤其涉及一种一种通过激光雷达分选矿石的方法。
背景技术：
：煤炭是我国最主要的一次能源，占我国一次能源消费总量60％以上。高煤炭入选率是提高煤炭利用率和减少污染排放的有效指标，由于受到资源、能源和技术条件的限制，我国在主要产煤国中处于较低水平。现阶段国内传统煤矸分离方法主要有人工选矸和机械分选。目前，人工选矸主要存在于机械分选前去除大块矸石和锚杆等异物的环节。这种方法效率低，工人劳动强度大，工作环境恶劣；另外，部分中小煤矿由于成本问题，仍然采用人工选矸。技术实现要素：本发明的目的是利用激光雷达扫过矿石后接受反射的回波，可以得到矿石的图像、位置和高度信息，即几何点云信息。同时不同矿物对激光反射率具有物理性质差异，即反射率点云信息。结合这两种特性可识别矿物并选取其中有价值矿物的数据，再通过人工智能的方法对得到的数据进行处理。最后再将所得到的模型运用于生产线上，通过拨杆或控制吹气阀、机械手实现对矿石的分拣，实现了人工智能对矿石的分选，通过处理矿石点云的几何信息和激光反射率信息，从而达到选矿的目的，主要从4个方面实现：1.矿石在传送带上经过激光雷达时，记录矿石的点云信息和激光反射率信息；2.对所得点云信息进行分割归类等处理；3.对所得点云信息样本进行人工智能标定训练，提高识别正确率，最终得到高识别率的模型；4.再将训练所得的模型用于生产线上，通过控制拨杆或吹气阀、机械手实现矿石分拣，其中控制拨杆或吹气阀和机械手是目前已有的分选矿石产品。为了实现上述目的，本发明的技术方案为：一种通过激光雷达分选矿石的方法，其特征是，使用激光雷达扫过多种矿石并且记录矿石的点云信息和激光反射率信息，然后对所得点云信息进行分割归类处理，对所得点云信息样本进行人工智能标定训练，得到模型。所述的激光雷达包括激光脉冲发射器、光电接收器、信号采集处理器以及控制系统，激光脉冲发射器负责向扫描区域发出激光脉冲，光电接收器用于接收扫描区域内经物体反射回来的激光回波，信号采集处理器用于将接收回来的信号进行数据处理，再通过控制系统将单次扫描数据整合并向外部设备输出。所述的点云数据处理包括以下步骤1、点云数据获取；2、点云数据预处理；3、点云特征提取；4、点云数据分割；5、点云曲面与拟合；6、特征提取、三维建模。所述的步骤1中点云数据的获取是指使用激光雷达系统三维数字扫描仪获取物体几何位置和表面属性相关信息的数据采集过程；所述的步骤2中点云的预处理包括有点云数据的滤波，用来剔除数据集合不相关的数据和误差数据，点云数据的精简，用来减小冗余的点云数据量；所述步骤3中点云的特征提取是基于点云的几何、反射率信息提取点云特征点、线、面的过程，用于优化和约束点云数据处理各个阶段的处理过程；所述步骤5中的点云分割与曲面拟合是指通过融合特征分析的点云分割技术对点云数据进行分割，然后再根据曲面拟合的原理和方法，构建出三维的曲面模型，完成三维模型的重建工作。所述的步骤6中特征提取、三维建模包括从现场实验获取的实验数据，提取出激光雷达的对煤和矸石的距离对应的反射强度的点云信息，通过随机提取点云中多个个数据点，计算每个数据点的单位反射强度，作为特征数据，输入到skearn中knn算法，进行分类计算。所述的激光脉冲发射器为2个或2个以上。通过本方法可以有效的实现了智能分选矿石，节省了人力加快了分选速度。说明书附图图1为本发明中二维激光雷达系统结构框图；图2为本发明煤云集合数据集合；图3为本发明中点云数据处理流程图；图4为本发明中一维理想边缘模型；图5为本发明中神经网络结构模型；图6为本发明中激光3d成像法扫描煤的几何点云积分后构成的图像；图7为本发明中激光3d成像法扫描矸石的几何点云积分后构成的图像；图8为本发明中激光3d成像法扫描煤的反射率点云积分后构成的图像；图9为本发明中激光3d成像法扫描矸石的反射率点云积分后构成的图像；图10为本发明中点云数据图。具体实施方式下面根据说明书附图对本发明进行进一步的说明：本发明激光雷达的测距原理激光雷达主要由激光脉冲发射器、光电接收器、信号采集处理器以及控制系统组成，系统结构框图如图1所示。激光脉冲发射器负责向扫描区域发出激光脉冲，光电接收器用于接收扫描区域内经物体反射回来的激光回波，信号采集处理器用于将接收回来的信号进行数据处理，再通过控制系统将单次扫描数据整合并向外部设备输出。激光雷达依据激光脉冲时间飞行原理(time-of-flight)，实现对目标物体的非接触式测距。在单次扫描过程中，二维激光雷达连续发射激光脉冲，由旋转光学机构将激光脉冲按一定角度间隔(即角度分辨率)发射至扫描角度内的各个方向从而形成一个极坐标形式的扫描面。当激光接触到物体表面后，部分激光反射回光电接收器，通过计算发射激光脉冲与收激光脉冲之间的时间间隔来计算距离值。被测物体各个检测点的位置信息可以依据激光雷达到物体的距离值及对应的角度值确定。工业激光雷达按用途主要分为两大类。一类用于设备防撞或区域安防，即在二维激光雷达的扫描范围内，通过设置不同形状的检测区域，当激光雷达检测到有物体进入检测区域时将输出开关量信号；另一类用于物体的外型轮廓测量，即在激光雷达的扫描范围内，通过数据接口输出按角度递增的每个测量点距离值，据此获得在该扫描面内的物体表面轮廓值。在激光雷达各项参数中，扫描距离是指激光雷达能够探测的最远距离，其在实际使用过程中受到环境影响，主要影响因素有目标物体的形状，表面反射率以及环境光干扰等。扫描角度是指激光雷达单次扫描过程中覆盖的角度范围。扫描频率是激光雷达每秒钟完成的单次扫描次数。激光雷达对目标物体轮廓进行单次扫描时，每间隔一定的角度对目标物体进行一次单点测距，相邻单点测距之间的间隔角度即激光雷达的角度分辨率。角度分辨率越小，单次扫描过程中单点测距的数据量越大，对目标物体轮廓的探测就越准确，同时单次扫描的响应时间也越长。在使用过程中，应根据具体应用场合合理设置扫描角度及角度分辨率，提高单次扫描的数据获取速度。激光雷达的强度值可以看作激光雷达将接收的目标回波光功率，经过光电信号转换和放大，以及后续的修正处理及数字量化等一系列综合过程后返回给使用者的一个离散整数值。激光雷达的回波强度主要可以通过激光雷达方程来进行表征，对于同轴扩展目标，激光雷达方程可以表示为式中pτ为接收到的目标回波功率；pt为激光器发射功率；ηt为发射光学系统的光学效率；ητ为接收光学系统的光学效率；d为接收探测器的孔径；α为大气单程消光系数；r为激光雷达中心到目标点的距离；ρ为目标的反射率；θ为目标点相对雷达的入射角度。用函数h来表征雷达后续的信号处理过程，并称其为信号转换函数。将激光雷达强度返回值记为i，则有i＝h(pr)(1)式的推导是将目标看成余弦朗伯体。但真实目标往往会偏离朗伯体，且扫描雷达对强度的校正过程中，其距离也不一定严格遵循平方反比变化规律，故可将(1)式的激光雷达方程改写为pr＝k·g(θ)·f(r)式中：k为系统参数和目标反射系数的乘积，表征特定系统目标反射能力的大小；g(θ)为角度因子，表征目标反射能量的空间分布情况；f(r)为距离因子，表征反射强度随距离的变化关系。综合(2)式和(3)式，激光雷达强度返回值可以表示为i＝h[k·f(r)·g(θ)]当通过实验确定了激光雷达的信号转换函数h、距离因子f(r)以及角度因子g(θ)的具体形式后，便可建立起激光雷达强度值与目标反射特征参数间的关系，从而可以基于强度值提取目标反射特征，实现对目标的分类。激光雷达点云特性与处理相对于数字图像等其他类型的数据，三维激光雷达的点云数据有其自己的特性如图2所示。(1)激光雷达点云数据描述了分布在物体表面的三维点坐标的集合。(2)与单一的强度数据相比，点云数据可以更方便地提取出空间信息。与单一的光学数据相比，点云数据能够反映一些位置关系。(3)点云数据的分布是离散的。在三维空间中，它的表现就是数据点的位置、间隔等是不规则。点云数据处理基本包括以下几个步骤，按照一般的顺序可以分为数据获取、数据预处理、数据分割、曲面拟合、特征提取、三维建模等，如图3所示但是，上述定义的点云数据处理的几个阶段，在点云数据处理过程中不可能完全遵循图中的顺序进行，几个处理阶段的使用都可能会重叠，同时在整个过程中，可能需要反复才能达到理想的处理效果。点云数据的获取是指使用激光雷达系统等三维数字扫描仪获取物体几何位置和表面属性等相关信息的数据采集过程。点云的预处理包括有点云数据的滤波，用来剔除数据集合不相关的数据和误差数据等；点云数据的精简，用来减小冗余的点云数据量。点云的特征提取是基于点云的几何、反射率等信息提取点云特征点、线、面的过程，用于优化和约束点云数据处理各个阶段的处理过程，并非一个完全独立的过程。点云分割与曲面拟合是指通过融合特征分析的点云分割技术对点云数据进行分割，然后再根据曲面拟合的原理和方法，构建出三维的曲面模型，完成三维模型的重建工作。矿石图像和环境的分离具体环境边缘搜索的算法是采用tabatabai等人提出的前三阶灰度矩边缘检测法[6]，灰度矩边缘定位法的基本原理是假设实际图像中的实际边缘分布与理想阶跃边缘模型的灰度矩保持一致，即矩不变。通过此关系来确定实际边缘的位置。一维理想阶跃边缘模型可以认为是由一系列具有高度h1与一系列具有灰度h2的车体扫描点相接而构成的。这个一维理想边缘由三个参数决定：边缘位置k、边缘两侧的高度值h1和h2。如图4所示，其中离散点表示实际边缘点，粗折线表示理想边缘。设u(x)为理想阶跃函数，则一维理想边缘函数可表示为h(x)＝(h2-h1)u(x-k)+h1设p1和p2分别表示高度值为h1和h2的扫描点所占的比例，两者满足如下的关系p1+p2＝1设单调序列hj(j＝1,2,…n)为实际边缘点的高度值，则该序列的前三阶高度矩满足下式其中：n为实际边缘点的总个数，p1＝k/n。上式三个方程中包含三个未知数p1，h1和h2，求解可得，其中：可以求得边缘点位置这里设序列hi中第一个扫描点的位置取为0。利用这样的方法，能准确地找出矿石和环境的边缘，从而在定位矿石在传送带上坐标时可以去掉周围环境的影响。从而找到矿石反射率的坐标。人工智能识别神经网络法在矿石识别中的应用主要通过点云的几何、反射率等特征样本，利用神经网络构建模型，对多路特征信号融合，进而实现矿石识别。根据矿石的大小和纹理差异性所形成的数据，采用神经网络训练数据样本集，将数据转化为灰度共生矩阵，并对其中的特征值进行训练，用训练的结果矿石的分类。神经网络在分类识别的应用中受其自身结构和参数的约束。在煤矿的分拣应用过程中，对先验知识的依赖相比于其他方法更强。人工智能主要在于通过多参数融合来提高识别率，并可运用于信息复杂的场景。将点云的几何、反射率等信息数据进行有效融合，取长补短，并引入深度学习等数据融合处理手段，确定具体识别模型。结合深度学习神经网络结构，建立多参数煤岩识别模型，如图5所示。x为输入层，表示预处理后的传感器信号；y为输出层，表示识别结果。由于不同采掘工作面的煤岩种类、地质特征、工作条件等同，隐层个数以及各个隐层的神经..元.节点数也需要通过前期实验和现场观察决定，单一的深度学习神经网络算法不能满足实际应用需求。根据目标工作面的具体条件和传感器采集的信号确定各隐层以及各神经元节点之间的权值、偏置和阈值等相关参数值，训练神经网络学习算法，最终确定在目标工作面的多参数煤岩识别模型。从现场实验获取的实验数据，提取出激光雷达的对煤和矸石的距离对应的反射强度的点云信息。如图10所示。通过随机提取点云中200个数据点，计算每个数据点的单位反射强度，作为特征数据，输入到skearn中knn算法，进行分类计算。训练集采用：106个样本测试集采用：26个样本测试结果：实验次数准确率10.884620.961530.807741.050.869260.846270.923180.8077平均识别率0.8875平均识别率为0.8875，在通过提高样本数据(进一步做实验来采集数据)和改善参数模型情况下，预计平均识别率可以提高到95％以上。当前第1页12