爆堆礦石粒度特征是衡量爆破效果的重要指標(biāo)之一,礦石粒度分布合理不僅可以降低二次破碎工作量,減少采礦成本,而且還能夠提高開采效率。通常爆堆粒度分析方法有篩分法、二次爆破巖塊統(tǒng)計(jì)、爆堆直接測(cè)量等人工測(cè)定方法,這些方法耗時(shí)長(zhǎng),精度有限,效率低,不能滿足工程需要,因此,有必要利用現(xiàn)代化信息技術(shù)手段,通過無人機(jī)快速采集采場(chǎng)爆堆圖像信息,開發(fā)快速精準(zhǔn)的礦石粒度辨識(shí)算法,為露天礦生產(chǎn)爆破提供決策依據(jù)。本文在研究國(guó)內(nèi)外爆堆礦石粒度分布的文獻(xiàn)和礦山實(shí)際處理方法的基礎(chǔ)上,提出了基于無人機(jī)爆堆數(shù)據(jù)采集的礦石粒度辨識(shí)模型和算法:首先,通過無人機(jī)進(jìn)行爆堆圖像數(shù)據(jù)采集以及爆堆圖像數(shù)據(jù)空間校準(zhǔn);第二,借助二維經(jīng)驗(yàn)小波進(jìn)行降噪處理和圖像紋理增強(qiáng),第三,利用親和度圖方法對(duì)爆堆圖像進(jìn)行辨識(shí)和分割,得到礦石顆粒準(zhǔn)確邊緣分割圖;第四,對(duì)標(biāo)記的礦石顆粒圖像計(jì)算其粒徑、周長(zhǎng)和面積并進(jìn)行統(tǒng)計(jì)分析。研究表明,基于無人機(jī)圖像處理技術(shù)的爆堆礦石粒度辨識(shí)模型和算法,有效克服了傳統(tǒng)測(cè)量的不足,能夠經(jīng)濟(jì)、有效地統(tǒng)計(jì)出爆堆粒度的整體分布情況,準(zhǔn)確性達(dá)到94%以上。論文中提出的爆堆礦石粒度分布辨識(shí)方法為快速有效評(píng)價(jià)爆堆爆破效果提供了一種新的途徑,... 

【文章來源】：西安建筑科技大學(xué)陜西省

【文章頁(yè)數(shù)】：79 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

正射投影時(shí)無人機(jī)成像示意圖

西安建筑科技大學(xué)碩士學(xué)位論文183.1.2圖像失真檢測(cè)無人機(jī)圖像的幾何變形通常由風(fēng)速、采場(chǎng)作業(yè)震動(dòng)、無人機(jī)飛翼轉(zhuǎn)動(dòng)、相機(jī)結(jié)構(gòu)等因素影響產(chǎn)生。無人機(jī)搭載的相機(jī)相對(duì)于傳統(tǒng)相機(jī)結(jié)構(gòu)簡(jiǎn)單，傳感器尺寸較小，防抖能力較弱，成像邊緣易出現(xiàn)失真，鏡頭容易發(fā)生枕形或桶形畸變[90]。無人機(jī)在出廠前會(huì)對(duì)鏡頭進(jìn)行校正，減少鏡頭帶來的失真變形。相機(jī)傳感器具有三維空間姿態(tài)感應(yīng)能力，后期通過無人機(jī)飛行姿態(tài)參數(shù)對(duì)畸變圖像進(jìn)行針對(duì)性校正。無人機(jī)在采集圖像過程中，空間姿態(tài)會(huì)隨著飛行條件不斷調(diào)整；若鏡頭主光軸沒有垂直于地面，則成像形狀變?yōu)榉且?guī)則的四邊形，如圖3.2地面投影所示。由公式（3-1）和（3-2）可知，無人機(jī)成像變形由SX、SY、SZ和三個(gè)角參數(shù)、、影響[90]。因此，利用以上6個(gè)姿態(tài)位置參數(shù)，借助攝影測(cè)量學(xué)構(gòu)建準(zhǔn)確的無人機(jī)圖像校正模型[90]。圖3.1正射投影時(shí)無人機(jī)成像示意圖Fig.3.1SchematicdiagramofUAVimageduringorthographicprojection圖3.2像空間坐標(biāo)系Fig.3.2Imagespacecoordinatesystem在EEEEOXYZ坐標(biāo)系統(tǒng)中，投影中心點(diǎn)為(,,)SSSXYZS。S的垂直地面點(diǎn)為C；B水平面一個(gè)礦石抽象點(diǎn)，在像空間坐標(biāo)系下的坐標(biāo)為(,,)SSSXYZB，過B點(diǎn)作EAB⊥CX，則A的坐標(biāo)為(,,)SSSXYZA[90]。AB在相機(jī)感光元件上的成像為ab，

西安建筑科技大學(xué)碩士學(xué)位論文22值判斷，則可得到噪聲的分布特征；其中，極值檢測(cè)成為關(guān)鍵步驟。本文隨機(jī)選取露天礦采場(chǎng)無人機(jī)圖像，通過傅里葉變換分別對(duì)爆堆圖像的行和列進(jìn)行快速傅里葉變換，采用Littlewood-Paley算子對(duì)噪聲特征檢測(cè)，同時(shí)進(jìn)行H自適應(yīng)函數(shù)分割信號(hào)，對(duì)所有爆堆圖像數(shù)據(jù)進(jìn)行2DEWT降噪處理，然后逆變換重構(gòu)圖像，最后平滑處理，得到降噪無人機(jī)圖像。基本流程如圖3.5所示。圖3.5二維經(jīng)驗(yàn)小波變換無人機(jī)圖像算法流程圖Fig.3.5Flowchartof2dempiricalwavelettransformUAVimagealgorithm3.2.2爆堆圖像噪聲檢測(cè)針對(duì)無人機(jī)爆堆圖像噪聲隨機(jī)分布特征，本文首先對(duì)其噪聲進(jìn)行特征分布研究；首先利用傅立葉變換，將時(shí)域邊界集合通過頻譜幅值中的局部最大值法獲得。但是，爆堆圖像除具有高紋理特征變換外，它們的頻譜很難分割出不同模態(tài)，因此要檢測(cè)有效的傅里葉支撐就必須采用不同的標(biāo)準(zhǔn)。利用局部極大值法檢測(cè)后，本文將基于傅立葉頻譜并改進(jìn)這種檢測(cè)方法。為了獲取待測(cè)噪聲信號(hào)的傅里葉頻譜()，SU計(jì)算信號(hào)()的快速傅里葉變換（FFT）[91]。圖3.6傅里葉頻譜的分割Fig.3.6ThedivisionoftheFourierspectrum爆堆圖像的頻譜被分割成N+1條分界線；設(shè)為其分界線，即={},=UAV圖像導(dǎo)入FFT極值檢測(cè)Littlewood-Paley噪聲特征檢測(cè)2DEWT降噪H函數(shù)自適應(yīng)分割2DEWT逆變換重構(gòu)平滑處理UAV圖像導(dǎo)出

【參考文獻(xiàn)】：
期刊論文
[1]基于多特征與卷積神經(jīng)網(wǎng)絡(luò)的SAR圖像分類方法[J]. 王永樂,續(xù)婷,杜敦偉,白艷萍.  數(shù)學(xué)的實(shí)踐與認(rèn)識(shí). 2020(06)
[2]基于WipFrag軟件在某石灰石礦爆堆塊度分析的應(yīng)用研究[J]. 洪國(guó)敏,盛曉雅,韓建文.  采礦技術(shù). 2020(02)
[3]形態(tài)學(xué)圖像處理下的礦石粒度的檢測(cè)[J]. 張建立,葉平坤,孫深深.  機(jī)械設(shè)計(jì)與制造. 2020(03)
[4]板式換熱器波紋板深度在線檢測(cè)方法研究[J]. 李飛,張平,苑瑋琦.  儀器儀表學(xué)報(bào). 2020(02)
[5]基于數(shù)字圖像處理的含缺陷混凝土破裂過程研究[J]. 席仕軍,左宇軍,孫文吉斌,鄔忠虎,劉鎬.  應(yīng)用力學(xué)學(xué)報(bào). 2020(01)
[6]非局部多尺度分?jǐn)?shù)階微分圖像增強(qiáng)算法研究[J]. 黃果,許黎,陳慶利,蒲亦非.  電子與信息學(xué)報(bào). 2019(12)
[7]基于改進(jìn)親和度圖的礦石顆粒圖像分割研究與實(shí)現(xiàn)[J]. 孫國(guó)棟,林凱,高媛,徐昀.  儀表技術(shù)與傳感器. 2019(12)
[8]露天礦山臺(tái)階深孔爆破大塊成因及解決措施[J]. 楊超.  工程爆破. 2019(06)
[9]數(shù)字圖像處理技術(shù)與MATLAB應(yīng)用[J]. 張廣才,萬(wàn)守鵬,何繼榮.  軟件. 2019(11)
[10]基于EWT和Meyer自適應(yīng)閾值的微震降噪[J]. 盧才武,夏峰.  地球物理學(xué)進(jìn)展. 2020(03)

碩士論文
[1]基于分形理論礦巖爆堆塊度分布規(guī)律的研究[D]. 趙明.內(nèi)蒙古科技大學(xué) 2015
[2]圖像處理技術(shù)在巖石爆破塊度分析中的應(yīng)用[D]. 楊金保.中國(guó)地質(zhì)大學(xué)（北京） 2009



本文編號(hào)：3089459