基于激光成像的人工智能矿石识别装置和方法与流程

本发明涉及光电检测、光电成像和光电测量技术领域，具体涉及基于激光成像的人工智能矿石识别装置和方法。

背景技术：

基于现状煤矿、选煤厂、矿山都有煤块/矿石和煤矸石/杂石料的分选需求。以煤炭洗选加工为例，每洗选1亿吨炼焦煤排放矸石量2000多万吨。这么大的矸石筛选，目前大都还是以人工拣选为主，效率低下，管理难度和劳动强度大，同时也会造成职业病的高发。

目前矿石领域的成像识别方法主有高清相机成像法、红外相机成像法和x射线成像法。其中高清相机成像法通过相机拍摄传送带上的矿石，然后对矿石信息进行一系列信息处理后提取矿石的灰度和纹理和外形等特征，最后运用分类算法或卷积神经网络对其分类。

由于工作环境恶劣、射线危害和识别准确性、实时性差等原因而使得这些方法在矿石识别方面应用效果不佳。

因此目前亟需一种具有高实时性和高适用性的矿石识别技术。

技术实现要素：

有鉴于此，本发明提供了基于激光成像的人工智能矿石识别装置和方法，能够对矿石进行精确识别，实时性和适用性较高。

为达到上述目的，本发明的技术方案为：基于激光成像的人工智能矿石识别装置，包括激光照射模块、信号传输模块、成像模块、信息识别模块。

激光照射模块用于发射激光束照射传送带上的待识别矿石，并获取待识别矿石的返回信号处理得到矿石的数据信息。

待识别矿石的数据信息经信号传输模块传输至成像模块。

成像模块根据待识别矿石的数据信息对待识别矿石进行三维成像，得到待识别矿石的纹理信息和外形信息，送入信息识别模块。

信息识别模块，对待识别矿石的纹理信息和外形信息进行归一化处理，并使用卷积神经网络对归一化处理后的信息进行识别，输出矿石识别结果。

进一步地，激光照射模块包括激光雷达以及光电开关对。

光电开关对包含两个光电开关，两个光电开关相对设置于传送带两侧边并形成直线对射。

待识别矿石经过光电开关对的直线对射处时，光电开关对的直线对射中断，光电开关对向激光雷达发送触发信号。

激光雷达接收到触发信号之后，开始发射激光照射传送带上的待识别矿石。

激光雷达接收待识别矿石反射的激光返回信号，进行数据转换，得到待识别矿石的点云数据作为待识别矿石的数据信息。

进一步地，激光照射模块包括激光发射器以及摄像机；激光发射器设置于传送带的正上方；激光发射器发射激光束照射传送带上的待识别矿石；

摄像机设置于传送带的斜上方，拍摄照射在待识别矿石上的激光束进行拍摄，并将拍摄的视频数据作为待识别矿石的数据信息。

进一步地，成像模块根据待识别矿石的数据信息对待识别矿石进行三维成像，具体为：待识别矿石的数据信息中具有激光束在矿石上照射过程的视频数据，通过视频数据中每个时刻激光束在矿石上的变化情况，通过合成还原得到待识别矿石的三维成像结果。

本发明另外一个实施例提供了基于激光成像的人工智能矿石识别方法，其特征在于，包括如下步骤：

s1、采用激光束照射待识别矿石，并获取待识别矿石的返回信号处理得到矿石的数据信息。

s2、根据矿石的数据信息对待识别矿石进行三维成像，得到待识别矿石的纹理信息和外形信息。

s3、对待识别矿石的纹理信息和外形信息进行归一化处理，并使用卷积神经网络对归一化处理后的信息进行识别，输出待识别矿石的识别结果。

进一步地，采用激光束照射待识别矿石，并获取待识别矿石的返回信号处理得到待识别矿石的数据信息，具体为：采用激光雷达发射激光束照射待识别矿石；激光雷达接收待识别矿石返回的回波信号，将回波信号进行数据转换，得到待识别矿石的点云数据作为待识别矿石的数据信息。

进一步地，采用激光束照射矿石，并获取待识别矿石的返回信号处理得到待识别矿石的数据信息，具体为：将射光束照射在待识别矿石上，采集激光束在待识别矿石上照射过程的视频数据，作为待识别矿石的数据信息。

进一步地，根据待识别矿石的数据信息对待识别矿石进行三维成像，具体为：通过视频数据中每个时刻激光束在待识别矿石上的变化情况，通过合成还原得到待识别矿石的三维成像结果。

进一步地，使用卷积神经网络对归一化处理后的信息进行识别，输出待识别矿石的识别结果，具体为：

构建卷积神经网络模型。

对已知类别的矿石，采用如步骤s1和s2的方法获得已知类别矿石的纹理信息和外形信息并归一化处理，利用已知类别矿石的归一化处理结果，对卷积神经网络模型进行训练，将待识别矿石的归一化处理信息输入至训练好的卷积神经网络模型，输出识别结果。

有益效果：

本发明实施例提供的基于激光成像的人工智能矿石识别装置及方法，利用激光对矿石进行识别，识别精度能达到毫米级别，能识别矿石的表面纹理和外形和整体体积，矿石表面不会因为受到灰尘遮盖而导致纹理和外形特征缺失。工作过程中不依赖环境光，抗振动能力强，具有防爆特性。利用卷积神经网络模型，对矿石纹理和外形信息的识别更加精准。且操作过程简单，适用性好，能对传送带上的矿石进行实时识别。因此本发明在实现对矿石的精确识别的同事，具备较高的实时性和实用性。

附图说明

图1为本发明一个实施例提供的基于激光成像的人工智能矿石识别装置示意图；

图2为本发明另一实施例提供的基于激光成像的人工智能矿石识别装置示意图图；

图3为本发明实施例提供的基于激光成像的人工智能矿石识别方法流程图

具体实施方式

下面结合附图并举实施例，对本发明进行详细描述。

本发明提供了基于激光成像的人工智能矿石识别装置，该装置包括激光照射模块、信号传输模块、成像模块、信息识别模块。

激光照射模块用于发射激光束照射传送带上的待识别矿石，并获取待识别矿石的返回信号处理得到矿石的数据信息。

待识别矿石的数据信息经信号传输模块传输至成像模块。

成像模块根据待识别矿石的数据信息对待识别矿石进行三维成像，得到待识别矿石的纹理信息和外形信息，送入信息识别模块。

信息识别模块，对待识别矿石的纹理信息和外形信息进行归一化处理，并使用卷积神经网络对归一化处理后的信息进行识别，输出矿石识别结果。

本发明提供的矿石识别装置，包括如下两个实施例：

实施例1

如图1所示，图中1为激光雷达，6为信号传输模块，2为数据传输线，3为待识别矿石，4为光电开关对，5为传送带，7为信息识别模块。其中待识别矿石3数量为至少一块，如图1所示包括两块待识别矿石3。

在本实施例中，激光照射模块包括激光雷达1以及光电开关对4。

激光雷达1可以是三维激光雷达、固体激光雷达、机械激光雷达等。若为二维激光雷达，类似线阵相机，通过传送带运动后记录第三维的信息，从而构成三维信息。三维激光雷达类似于相机，直接记录的信息就是三维。但最终两者形成的数据都是三维点云信息，在这里没有实质性的差别。除此之外激光雷达还分为固体式和机械式，固体式不能自己旋转，机械式能够自身旋转采集周围信息，但对本发明来说没有实质区别，因此激光雷达都在保护范围之内。

光电开关对包含两个光电开关，两个光电开关相对设置于传送带5两侧边并形成直线对射。

待识别矿石经过光电开关对4的直线对射处时，光电开关对的直线对射中断，光电开关对向激光雷达发送触发信号。

激光雷达接收到触发信号之后，开始发射激光照射传送带上的待识别矿石。

激光雷达接收待识别矿石反射的激光返回信号，进行数据转换，得到待识别矿石的点云数据作为待识别矿石的数据信息。

实施例2

本发明的另外一个实施例如图3所示，其中激光照射模块包括激光发射器laserdevice1以及摄像机camera1；

激光发射器laserdevice1设置于传送带的正上方；激光发射器发射激光束照射传送带上的待识别矿石；

摄像机camera1设置于传送带的斜上方，相对于垂直线的倾斜角度为锐角拍摄照射在待识别矿石上的激光束进行拍摄，并将拍摄的视频数据作为待识别矿石的数据信息。

成像模块根据待识别矿石的数据信息对待识别矿石进行三维成像，具体为：待识别矿石的数据信息中具有激光束在矿石上照射过程的视频数据，通过视频数据中每个时刻激光束在矿石上的变化情况，通过合成还原得到待识别矿石的三维成像结果。

本实施例采用三角激光法，摄像机ccd、物镜的光轴以及待识别矿石表面所反射的激光光轴三者位于同一个平面内。作为测量的指示光源，激光发射器laserdevice1将激光光斑照射在被测表面上，该激光光斑将随其照射点位置的坐标变化而沿着激光发射器laserdevice1的轴向作同样距离的位移。此时通过对激光光斑中心在摄像机上所成实像的位置进行测量，就可通过计算利用几何光学求出光斑此刻的深度坐标，进而得到在被测表面此点的深度度量。通过激光扫描后测量矿石体积，如图3所示，传送带正上方放置激光发射器laserdevice1，斜上方放置摄像机camera1用于拍摄激光器打到矿石上的激光束，当矿石经过时激光束发生变化，摄像机camera1记录每时激光束的变化情况，后期通过合成还原出矿石的三维形状从而计算体积。

本实施例原理与上一实施例类似，都是通过激光点云的变化来得到物体的三维形状或表面纹理信息。

本发明还提供了一个实施例，提供一种基于激光成像的人工智能矿石识别方法，包括如下步骤：

s1、采用激光束照射待识别矿石，并获取待识别矿石的返回信号处理得到矿石的数据信息；

s2、根据矿石的数据信息对待识别矿石进行三维成像，得到待识别矿石的纹理信息和外形信息；

s3、对待识别矿石的纹理信息和外形信息进行归一化处理，并使用卷积神经网络对归一化处理后的信息进行识别，输出待识别矿石的识别结果。

与上述矿石识别装置相对应地，该矿石识别方法也包括如下两个实施例

实施例a：

采用如实施例1提供的装置，本实施例采用的矿石识别方法包括如图2所示的步骤：

step1、传送带匀速运行，待识别矿石在传送带上分布排队。

step2、待识别矿石触发光电开关，激光雷达开始采集；

step3、待识别矿石经过光电开关对后，激光雷达停止采集并传输数据；

step4、待识别对矿石数据进行三维成像，得到待识别矿石的纹理和形状信息；

step5、对待识别矿石纹理和形状信息进行归一化处理后，采用已训练好的卷积神经网络模型进行识别，得到待识别矿石的识别结果。

其中卷积神经网络模型采用如下方法进行训练：

针对已知类别的矿石，采用如step1～step4的流程处理，得到已知类别矿石的纹理信息和外形信息并归一化处理，利用已知类别矿石的归一化处理结果作为卷积神经网络模型的输入，已知类别作为卷积神经网络模型的输出，对卷积神经网络模型进行训练。

实施例b

采用如实施例1提供的装置，本实施例采用的矿石识别方法包括如图2所示的步骤：

s1、将激光束照射在待识别矿石上，采集激光束在待识别矿石上照射过程的视频数据，作为待识别矿石的数据信息。

s2、根据矿石的数据信息对待识别矿石进行三维成像，得到待识别矿石的纹理信息和外形信息。具体地，通过视频数据中每个时刻激光束在待识别矿石上的变化情况，通过合成还原得到待识别矿石的三维成像结果。

s3、对待识别矿石的纹理信息和外形信息进行归一化处理，并使用卷积神经网络对归一化处理后的信息进行识别，输出待识别矿石的识别结果。

具体为：

构建卷积神经网络模型；

对已知类别的矿石，采用如步骤s1和s2的方法获得已知类别矿石的纹理信息和外形信息并归一化处理，利用已知类别矿石的归一化处理结果作为卷积神经网络模型的输入，已知类别作为卷积神经网络模型的输出，对卷积神经网络模型进行训练，将待识别矿石的归一化处理信息输入至训练好的卷积神经网络模型，输出识别结果。

综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。