开云优惠体育网页版入口

专利名称：一种矸石井下智慧充填管控系统

专利类型：发明专利

专利申请号：CN202410572435.7

专利申请（专利权）人：陕西中环机械有限责任公司
权利人地址：陕西省铜川市新区南部工业区

专利发明（设计）人：李军科,郑晓春,张腾,马云,马玲,丁嘉栋

专利摘要：本发明涉及图像识别技术领域，具体涉及一种矸石井下智慧充填管控系统。本发明实施例首先获取破碎后的矸石图像并进行分割；进一步对矸石分块图像进行阈值分割，分析目标像素点的分布特征，获取轮廓特征参数，并筛选出待分析矸石分块图像；进一步分析目标像素点构成的曲线之间的相似特征，结合轮廓特征参数的差异，修正角点主方向权重，获得优化角点检测结果；最后利用预训练的神经网络分析优化角点检测结果，对矸石井下填充系统进行智慧管理。本发明实施例通过分析矸石的纹理结构特征，修正角点主方向权重，获得优化角点检测结果，更好地描述矸石的表面纹理和结构，提升神经网络的性能，最终提升矸石井下智慧充填管控系统的效率和可靠性。

主权利要求：
1.一种矸石井下智慧充填管控系统，其特征在于，所述系统包括：
图像预处理模块：获取破碎后的矸石图像；对所述矸石图像进行分割，获得矸石分块图像；
图像筛选模块：对每个所述矸石分块图像进行阈值分割，获得目标像素点；根据每个所述矸石分块图像内所述目标像素点的分布特征，获取每个所述矸石分块图像的轮廓特征参数，并筛选出待分析矸石分块图像；
图像分析模块：在每个所述待分析矸石分块图像中，分析所述目标像素点构成的曲线之间的相似特征，获取纹理特征权重；根据每个所述待分析矸石分块图像与相邻的矸石分块图像之间的所述轮廓特征参数的差异，结合所述纹理特征权重，获得每个待分析矸石分块图像的纹理结构参数；根据所述纹理结构参数，修正角点主方向权重，获得所述待分析矸石分块图像的优化角点检测结果；
智慧充填管控模块：利用预训练的神经网络分析所述优化角点检测结果，对矸石井下填充系统进行智慧管理；
所述纹理特征权重的获取方法包括：
在每个所述待分析矸石分块图像中，将所述目标像素点构成的曲线作为待分析曲线；
所述待分析曲线是连续的；
获取每条所述待分析曲线上相邻的目标像素点之间连线与水平向右的水平线之间的夹角值，将每条所述待分析曲线上对应的所有夹角值的均值作为自身的角度特征值；根据每条所述待分析曲线最左上角处的目标像素点的横坐标，从小到大对所述待分析曲线进行排序，根据序号相邻的所述待分析曲线之间对应的所述角度特征值的差异特征并进行负相关映射，获取相似特征值；
根据每个所述待分析矸石分块图像中所有的所述角度特征值，获取每条所述待分析曲线的角度特征值的Z?score得分；将每条所述待分析曲线对应的所述Z?score得分的绝对值进行负相关映射，作为每条所述待分析曲线的相似特征修正权重；
利用所述相似特征修正权重修正对应的所述相似特征值；根据修正后的所述相似特征值的统计特征，获取每个所述待分析矸石分块图像对应的纹理特征权重；其中负相关映射为倒数形式；
所述纹理特征权重的获取方法包括：
利用纹理特征权重的计算公式获取纹理特征权重；所述纹理特征权重的计算公式包括：；其中，表
示待分析矸石分块图像的序号； 表示第 个待分析矸石分块图像的纹理特征权重；
表示标准归一化函数；表示待分析曲线的序号； 表示第 个待分析矸石分块图像中，待分析曲线的数量； 表示第 个待分析矸石分块图像中，第 条待分析曲线的角度特征值； 表示第 个待分析矸石分块图像中，第 条待分析曲线的角度特征值； 表示第 个待分析矸石分块图像中，第 条待分析曲线的相似特征值； 表示Z?score函数， 表示第 个待分析矸石分块图像中，第 条待分析曲线的角度特征值进行归一化后的Z?score得分； 表示第 个待分析矸石分块图像中，第 条待分析曲线的相似特征修正权重；
表示第 个待分析矸石分块图像中，第
条待分析曲线的修正后的相似特征值；
表示修正后的所述相似特征值
的和值；为取绝对值符号；
所述纹理结构参数的获取方法包括：
利用轮廓特征参数的差异参数的计算公式，获取所述待分析矸石分块图像与相邻的矸石分块图像之间的轮廓特征参数的差异参数；将所述待分析矸石分块图像对应的轮廓特征参数的差异参数的方差进行负相关映射并归一化，获取所述待分析矸石分块图像的纹理结构参数；
所述轮廓特征参数的差异参数的计算公式包括：
；其中，表示待分析矸石分块图像的序号；表
示与待分析矸石分块图像相邻的矸石分块图像的序号； 表示第 个待分析矸石分块图像的纹理特征权重， 表示第 个待分析矸石分块图像的轮廓特征参数， 表示第 个待分析矸石分块图像的，第 个相邻的矸石分块图像的轮廓特征参数，表示第 个待分析矸石分块图像与第 个相邻的矸石分块图像之间轮廓特征参数的差异参数；为取绝对值符号；
所述根据所述纹理结构参数，修正角点主方向权重，获得所述待分析矸石分块图像的优化角点检测结果的方法包括：在每个所述待分析矸石分块图像中，将所有所述待分析曲线的所述角度特征值的均值对应的方向作为主方向；将所述纹理结构参数加上常数1作为主方向修正权重；根据主方向修正权重利用SIFT算子获得对应的所述待分析矸石分块图像的优化角点检测结果。
2.根据权利要求1所述的一种矸石井下智慧充填管控系统，其特征在于，所述轮廓特征参数的获取方法包括：在每个所述矸石分块图像中，根据目标像素点的连续特征，获取第一轮廓特征子参数；
在每个所述矸石分块图像中，获取每个目标像素点与最近的目标像素点之间连线，并获取连线与水平向右的水平线之间的夹角值；
在每个所述矸石分块图像中，根据不同目标像素点对应的所述夹角值的相似特征，获取第二轮廓特征子参数；
将每个所述矸石分块图像对应的所述第一轮廓特征子参数和所述第二轮廓特征子参数的和值进行归一化后，作为每个所述矸石分块图像的轮廓特征参数。
3.根据权利要求2所述的一种矸石井下智慧充填管控系统，其特征在于，所述第一轮廓特征子参数的获取方法包括：在每个所述矸石分块图像中，将任意两个目标像素点之间的横坐标差值绝对值加上纵坐标差值绝对值减去常数1，作为对应的两个目标像素点之间的像素距离；
将每个目标像素点与最近的目标像素点之间对应的所述像素距离加上预设除零参数后进行负相关映射，将映射结果作为每个目标像素点的连续特征参数；将每个所述矸石分块图像中所有所述目标像素点对应的所述连续特征参数的均值作为第一轮廓特征子参数；
其中负相关映射为倒数形式。
4.根据权利要求2所述的一种矸石井下智慧充填管控系统，其特征在于，所述第二轮廓特征子参数的获取方法包括：在每个所述矸石分块图像中，选择左上角的边缘顶点为参考点，根据目标像素点到所述参考点之间的欧氏距离从小到大进行排序；将序号相邻的两个目标像素点对应的所述夹角值的差值绝对值加上预设除零参数后，进行负相关映射，将映射结果作为夹角相似特征参数；将每个所述矸石分块图像中所有所述夹角相似特征参数的均值作为第二轮廓特征子参数；其中负相关映射为倒数形式。
5.根据权利要求1所述的一种矸石井下智慧充填管控系统，其特征在于，所述利用预训练的神经网络分析所述优化角点检测结果，对矸石井下填充系统进行智慧管理的方法包括：将所述优化角点检测结果输入到预训练的神经网络中，输出所述矸石图像中矸石破碎效果的质量级别参数，根据神经网络输出结果对矸石井下填充系统进行智慧管理。
6.根据权利要求1所述的一种矸石井下智慧充填管控系统，其特征在于，所述目标像素点的获取方法包括：利用大津阈值算法获取每个所述矸石分块图像的二值图像；将所述二值图像中的前景像素点作为目标像素点。 说明书 : 一种矸石井下智慧充填管控系统技术领域[0001] 本发明涉及图像识别技术领域，具体涉及一种矸石井下智慧充填管控系统。背景技术[0002] 井下填充是矿业工程的一种技术，将固体废弃物经破碎系统破碎至特定粒级，然后利用存储搅拌系统，将破碎成特定粒级的固废与水，按照配比要求制成符合输送要求浓度的浆体，之后采用泵送系统，将搅拌均匀的浆体通过铺设的管路，输送至井下充填区域。在浆水填充的破碎系统阶段，需要保证矸石被破碎到特定的粒度，以保证浆体的质量和输送效率，未被充分破碎的矸石可能会堵塞输送系统，影响充填效率和效果。[0003] 为了避免因为破碎不充分影响充填效率和效果的问题，使用SIFT角点检测技术来检测和提取矸石的特征点，从而评估其破碎程度。在这个过程中，特征点主方向确定阶段，因为矸石表面纹理的无规则性，会导致不同方向的幅值累加值接近一致，难以确定主方向，进而导致得到的角点向量存在误差，影响最终的检测识别效果。发明内容[0004] 为了解决SIFT角点检测对复杂纹理的矸石图像检测结果不准确，影响矸石井下填充的技术问题，本发明的目的在于提供一种矸石井下智慧充填管控系统，所采用的技术方案具体如下：[0005] 图像预处理模块：获取破碎后的矸石图像；对所述矸石图像进行分割，获得矸石分块图像；[0006] 图像筛选模块：对每个所述矸石分块图像进行阈值分割，获得目标像素点；根据每个所述矸石分块图像内所述目标像素点的分布特征，获取每个所述矸石分块图像的轮廓特征参数，并筛选出待分析矸石分块图像；[0007] 图像分析模块：在每个所述待分析矸石分块图像中，分析所述目标像素点构成的曲线之间的相似特征，获取纹理特征权重；根据每个所述待分析矸石分块图像与相邻的矸石分块图像之间的所述轮廓特征参数的差异，结合所述纹理特征权重，获得每个待分析矸石分块图像的纹理结构参数；根据所述纹理结构参数，修正角点主方向权重，获得所述待分析矸石分块图像的优化角点检测结果；[0008] 智慧充填管控模块：利用预训练的神经网络分析所述优化角点检测结果，对矸石井下填充系统进行智慧管理。[0009] 进一步地，所述轮廓特征参数的获取方法包括：[0010] 在每个所述矸石分块图像中，根据目标像素点的连续特征，获取第一轮廓特征子参数；[0011] 在每个所述矸石分块图像中，获取每个目标像素点与最近的目标像素点之间连线，并获取连线与水平向右的水平线之间的夹角值；[0012] 在每个所述矸石分块图像中，根据不同目标像素点对应的所述夹角值的相似特征，获取第二轮廓特征子参数；[0013] 将每个所述矸石分块图像对应的所述第一轮廓特征子参数和所述第二轮廓特征子参数的和值进行归一化后，作为每个所述矸石分块图像的轮廓特征参数。[0014] 进一步地，所述第一轮廓特征子参数的获取方法包括：[0015] 在每个所述矸石分块图像中，将任意两个目标像素点之间的横坐标差值绝对值加上纵坐标差值绝对值减去常数1，作为对应的两个目标像素点之间的像素距离；[0016] 将每个目标像素点与最近的目标像素点之间对应的所述像素距离加上预设除零参数后进行负相关映射，将映射结果作为每个目标像素点的连续特征参数；将每个所述矸石分块图像中所有所述目标像素点对应的所述连续特征参数的均值作为第一轮廓特征子参数；其中负相关映射为倒数形式。[0017] 进一步地，所述第二轮廓特征子参数的获取方法包括：[0018] 在每个所述矸石分块图像中，选择左上角的边缘顶点为参考点，根据目标像素点到所述参考点之间的欧氏距离从小到大进行排序；将序号相邻的两个目标像素点对应的所述夹角值的差值绝对值加上预设除零参数后，进行负相关映射，将映射结果作为夹角相似特征参数；将每个所述矸石分块图像中所有所述夹角相似特征参数的均值作为第二轮廓特征子参数；其中负相关映射为倒数形式。[0019] 进一步地，所述纹理特征权重的获取方法包括：[0020] 在每个所述待分析矸石分块图像中，将所述目标像素点构成的曲线作为待分析曲线；所述待分析曲线是连续的；[0021] 获取每条所述待分析曲线上相邻的目标像素点之间连线与水平向右的水平线之间的夹角值，将每条所述待分析曲线上对应的所有夹角值的均值作为自身的角度特征值；根据每条所述待分析曲线最左上角处的目标像素点的横坐标，从小到大对所述待分析曲线进行排序，根据序号相邻的所述待分析曲线之间对应的所述角度特征值的差异特征并进行负相关映射，获取相似特征值；[0022] 根据每个所述待分析矸石分块图像中所有的所述角度特征值，获取每条所述待分析曲线的角度特征值的Z?score得分；将每条所述待分析曲线对应的所述Z?score得分的绝对值进行负相关映射，作为每条所述待分析曲线的相似特征修正权重；[0023] 利用所述相似特征修正权重修正对应的所述相似特征值；根据修正后的所述相似特征值的统计特征，获取每个所述待分析矸石分块图像对应的纹理特征权重；其中负相关映射为倒数形式。[0024] 进一步地，所述纹理特征权重的获取方法包括：[0025] 利用纹理特征权重的计算公式获取纹理特征权重；所述纹理特征权重的计算公式包括：[0026]；其中， 表示待分析矸石分块图像的序号； 表示第 个待分析矸石分块图像的纹理特征权重； 表示标准归一化函数；表示待分析曲线的序号； 表示第 个待分析矸石分块图像中，待分析曲线的数量； 表示第 个待分析矸石分块图像中，第 条待分析曲线的角度特征值； 表示第 个待分析矸石分块图像中，第 条待分析曲线的角度特征值； 表示第 个待分析矸石分块图像中，第 条待分析曲线的相似特征值； 表示Z?score函数， 表示第个待分析矸石分块图像中，第 条待分析曲线的角度特征值进行归一化后的Z?score得分； 表示第 个待分析矸石分块图像中，第 条待分析曲线的相似特征修正权重； 表示第 个待分析矸石 分块图像中，第 条待分 析曲线的修正 后的相似特征值 ；表示修正后的所述相似特征值的和值； 为取绝对值符号。[0027] 进一步地，所述纹理结构参数的获取方法包括：[0028] 利用轮廓特征参数的差异参数的计算公式，获取所述待分析矸石分块图像与相邻的矸石分块图像之间的轮廓特征参数的差异参数；将所述待分析矸石分块图像对应的轮廓特征参数的差异参数的方差进行负相关映射并归一化，获取所述待分析矸石分块图像的纹理结构参数；[0029] 所述轮廓特征参数的差异参数的计算公式包括：；其中， 表示待分析矸石分块图像的序号；表示与待分析矸石分块图像相邻的矸石分块图像的序号； 表示第 个待分析矸石分块图像的纹理特征权重， 表示第 个待分析矸石分块图像的轮廓特征参数，表示第 个待分析矸石分块图像的，第 个相邻的矸石分块图像的轮廓特征参数， 表示第 个待分析矸石分块图像与第 个相邻的矸石分块图像之间轮廓特征参数的差异参数； 为取绝对值符号。[0030] 进一步地，所述根据所述纹理结构参数，修正角点主方向权重，获得所述待分析矸石分块图像的优化角点检测结果的方法包括：[0031] 在每个所述待分析矸石分块图像中，将所有所述待分析曲线的所述角度特征值的均值对应的方向作为主方向；将所述纹理结构参数加上常数1作为主方向修正权重；根据主方向修正权重利用SIFT算子获得对应的所述待分析矸石分块图像的优化角点检测结果。[0032] 进一步地，所述利用预训练的神经网络分析所述优化角点检测结果，对矸石井下填充系统进行智慧管理的方法包括：[0033] 将所述优化角点检测结果输入到预训练的神经网络中，输出所述矸石图像中矸石破碎效果的质量级别参数，根据神经网络输出结果对矸石井下填充系统进行智慧管理。[0034] 进一步地，所述目标像素点的获取方法包括：[0035] 利用大津阈值算法获取每个所述矸石分块图像的二值图像；将所述二值图像中的前景像素点作为目标像素点。[0036] 本发明具有如下有益效果：[0037] 本发明实施例首先获取矸石图像，为后续分析过程提供分析基。煌蔽烁颖阌诜治鐾枷竦木植刻卣，对矸石图像进行分割；进一步获取目标像素点，便于通过目标像素点分析分块图像中的轮廓特征；进一步根据每个矸石分块图像内目标像素点的分布特征，获取每个矸石分块图像的轮廓特征参数，并筛选出待分析矸石分块图像，相较于对全局进行分析，减少了后续分析过程的计算量，加快系统响应速度，同时利用轮廓特征参数表征分块图像内矸石的纹理光滑特征，为后续修正角点主方向权重做准备；进一步在每个待分析矸石分块图像中，分析目标像素点构成的曲线之间的相似特征，从纹理相似性角度获取纹理特征权重，为后续修正角点主方向权重做准备；进一步利用自然矸石会横跨多个矸石分块图像，引起多个分块图像的轮廓特征参数相似的特征，将每个待分析矸石分块图像与相邻的矸石分块图像之间的轮廓特征参数进行对比，结合纹理特征权重，获得每个待分析矸石分块图像的纹理结构参数，为后续修正角点主方向权重做准备；进一步修正角点主方向权重，获得待分析矸石分块图像的优化角点检测结果，提取到更具代表性的矸石纹理特征，更有利于识别出矸石是否被完全破碎，提升系统的可靠性和准确性；最后利用预训练的神经网络分析优化角点检测结果，对矸石井下填充系统进行智慧管理。本发明实施例通过分析矸石的纹理结构特征，修正角点主方向权重，获得优化角点检测结果，更好地描述矸石的表面纹理和结构，提升神经网络的性能，最终提升矸石井下智慧充填管控系统的效率和可靠性。附图说明[0038] 为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。[0039] 图1为本发明一个实施例所提供的一种矸石井下智慧充填管控系统的系统框图。具体实施方式[0040] 为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种矸石井下智慧充填管控系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。[0041] 除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。[0042] 下面结合附图具体的说明本发明所提供的一种矸石井下智慧充填管控系统的具体方案。[0043] 请参阅图1，其示出了本发明一个实施例提供的一种矸石井下智慧充填管控系统的系统框图，该系统包括：图像预处理模块101、图像筛选模块102、图像分析模块103和智慧充填管控模块104。[0044] 本发明基于SIFT角点检测技术，通过对矸石图像进行分块并分析分块图像中目标像素点的分布特征，筛选出待分析矸石分块图像，减少后续需要分析的图像区域，提升系统处理效率；进一步通过分析待分析矸石分块图像内的纹理特征，消除矸石自身纹理复杂性导致的角点主方向检测误差，修正角点主方向权重，获得优化角点检测结果，进而能够快速并准确地检测出矸石所在区域，对矸石井下填充系统进行智慧管理。[0045] 图像预处理模块101：获取破碎后的矸石图像；对矸石图像进行分割，获得矸石分块图像。[0046] 本发明实施例的目的是对破碎后的矸石进行检测，识别未被完整破碎的矸石，防止传输过程中引起堵塞，所以在本发明实施例中，首先获取破碎后的矸石图像，为后续分析过程提供分析基。煌蔽烁颖阌诜治鐾枷竦木植刻卣，对矸石图像进行分割。[0047] 优选地，在本发明一个实施例中，每个分块的大小为 ，对于图像边缘部分，进行复制边缘点的操作，将矸石图像分割获得多个矸石分块图像；在本发明其他实施例中，实施者可以设置其他分块尺寸，也可以根据分块尺寸，在图像采集阶段，设定合适的参数，使得矸石图像恰能被完全分块。[0048] 图像筛选模块102：对每个矸石分块图像进行阈值分割，获得目标像素点；根据每个矸石分块图像内目标像素点的分布特征，获取每个矸石分块图像的轮廓特征参数，并筛选出待分析矸石分块图像。[0049] 在本发明实施例中，考虑到自然矸石轮廓边缘较为平滑，所以可以根据分块图像中的轮廓特征，初步筛选矸石分块图像；考虑到对图像进行阈值分割，可以将图像中感兴趣的区域从背景中分离出来，更有利于分析图像的结构或边缘，所以先对每个矸石分块图像进行阈值分割，获得目标像素点，便于通过目标像素点分析分块图像中的轮廓特征。[0050] 优选地，在本发明一个实施例中，利用大津阈值算法获取每个矸石分块图像的二值图像；将二值图像中的前景像素点作为目标像素点。[0051] 需要说明的是，大津阈值算法已是本领域技术人员所熟知的技术手段，在此不再进行赘述，在本发明其他实施例中，实施者也可以采用基于梯度或基于深度学习等其他的阈值分割方法。[0052] 在本发明实施例中，考虑到初步确定可能是未完全破碎的矸石所在的区域，相较于对全局进行分析，减少了后续分析过程的计算量，加快系统响应速度，所以根据每个矸石分块图像内目标像素点的分布特征，获取每个矸石分块图像的轮廓特征参数，并筛选出待分析矸石分块图像。[0053] 优选地，在本发明一个实施例中，考虑到目标像素点与其最近的目标像素点之间的距离越。勘晗袼氐愕牧卣髟角，矸石分块图像内的轮廓特征越明显；考虑到目标像素点之间的连线的角度越统一，说明凹点或者凸点越少，说明矸石分块图像内的轮廓的光滑性越强，越有可能包含未完全破碎的矸石；[0054] 基于此，在每个矸石分块图像中，在每个矸石分块图像中，将任意两个目标像素点之间的横坐标差值绝对值加上纵坐标差值绝对值减去常数1，作为对应的两个目标像素点之间的像素距离；[0055] 将每个目标像素点与最近的目标像素点之间对应的像素距离加上预设除零参数后进行负相关映射，将映射结果作为每个目标像素点的连续特征参数；将每个矸石分块图像中所有目标像素点对应的连续特征参数的均值作为第一轮廓特征子参数。[0056] 在每个矸石分块图像中，获取每个目标像素点与最近的目标像素点之间连线，并获取连线与水平向右的水平线之间的夹角值；[0057] 在每个矸石分块图像中，选择左上角的边缘顶点为参考点，根据目标像素点到参考点之间的欧氏距离从小到大进行排序；将序号相邻的两个目标像素点对应的夹角值的差值绝对值加上预设除零参数后，进行负相关映射，将映射结果作为夹角相似特征参数；将每个矸石分块图像中所有夹角相似特征参数的均值作为第二轮廓特征子参数。[0058] 将每个矸石分块图像对应的第一轮廓特征子参数和第二轮廓特征子参数的和值进行归一化后，作为每个矸石分块图像的轮廓特征参数。[0059] 轮廓特征参数的计算公式包括：[0060] ；[0061] 其中，表示矸石分块图像的序号； 表示第 个矸石分块图像的轮廓特征参数； 表示标准归一化函数；表示目标像素点的序号； 表示第 个矸石分块图像内，目标像素点的数量； 表示第 个目标像素点与最近的目标像素点之间的像素距离；表示预设除零参数； 表示第 个矸石分块图像对应的第一轮廓特征子参数； 表示第 个目标像素点与最近的目标像素点之间连线对应的夹角值；表示第 个目标像素点与最近的目标像素点之间连线对应的夹角值；表示第 个矸石分块图像对应的第二轮廓特征子参数；为取绝对值符号。[0062] 轮廓特征参数的计算公式中， 越。得髂勘晗袼氐阌胱罱哪勘晗袼氐阒涞南袼鼐嗬朐叫。 就越大， 就越大，说明目标像素点的连续性越强，轮廓特征越强，轮廓特征参数就越大，矸石分块图像中越可能包含未完全破碎的矸石； 越。得骷薪侵档牟钜煸叫。煌勘晗袼氐愣杂Φ牧叩慕嵌仍较嗨，轮廓越平滑，越有可能是未粉碎的自然矸石，轮廓特征参数就越大。[0063] 需要说明的是，在本发明一个实施例中， ；水平直线为0°的水平线；当存在多个目标像素点到参考点的欧氏距离相同时，比较这些目标像素点到最后一个已被排序的目标像素点的欧氏距离，从小到大进行继续排序；在本发明其他实施例中，也可以选择其他位置的边缘顶点作为参考点；也可选用其他基础数学运算或者函数映射实现相关映射，其均为本领域技术人员熟知的技术手段，在此不做赘述。[0064] 优选地，在本发明一个实施例中，当矸石分块图像的轮廓特征参数大于预设筛选阈值时，将对应的矸石分块图像标记为待分析矸石分块图像，从而实现了从矸石分块图像筛选出待分析矸石分块图像。通过分析矸石轮廓性，确定了感兴趣区域，便于后续针对这些待分析矸石分块图像进行进一步分析，缩小分析对象的范围，减少计算量。在本发明一个实施例中预设筛选阈值的取值为0.9，在其他实施例中由实施者根据实际情况调整该取值。[0065] 图像分析模块103：在每个待分析矸石分块图像中，分析目标像素点构成的曲线之间的相似特征，获取纹理特征权重；根据每个待分析矸石分块图像与相邻的矸石分块图像之间的轮廓特征参数的差异，结合纹理特征权重，获得每个待分析矸石分块图像的纹理结构参数；根据纹理结构参数，修正角点主方向权重，获得待分析矸石分块图像的优化角点检测结果。[0066] 在本发明实施例中，考虑到矸石由于纹理复杂，导致SIFT算法主方向难以确定。但未完全破碎的自然矸石其纹理存在一定趋势，即纹理的分布存在主方向，那么在进行角点检测时，就可以根据纹理特征修正主方向权重，从而获得优化角点检测结果，提取到更具代表性的矸石纹理特征，更有利于识别出矸石是否被完全破碎，提升系统的可靠性和准确性。[0067] 在本发明实施例中，考虑到目标像素点构成的曲线代表了待分析矸石分块图像的纹理曲线，曲线之间的相似性越强，说明待分析矸石分块图像的纹理特征越明显，越符合矸石的纹理特征，所以需要在每个待分析矸石分块图像中，分析目标像素点构成的曲线之间的相似特征，获取纹理特征权重，为后续修正角点主方向权重做准备。[0068] 优选地，在本发明一个实施例中，考虑到目标像素点构成的曲线的平均角度值差异越。得髑咧涞南嗨菩栽礁，所以在每个待分析矸石分块图像中，将目标像素点构成的曲线作为待分析曲线；获取每条待分析曲线上相邻的目标像素点之间连线与水平向右的水平线之间的夹角值，将每条所述待分析曲线上对应的所有夹角值的均值作为自身的角度特征值；根据每条待分析曲线最左上角处的目标像素点的横坐标，从小到大对待分析曲线进行排序；[0069] 还考虑到Z?score得分能反映出一个数据与整体数据平均值之间的偏离程度，Z?score得分的绝对值越大，说明待分析曲线与其他待分析曲线的差异程度越大，说明对应的待分析曲线越不属于主方向，越不符合自然矸石的纹理特征，权重就越。愿菝扛龃治鲰肥挚橥枷裰兴械慕嵌忍卣髦，获取每条待分析曲线的角度特征值的Z?score得分；将每条待分析曲线对应的Z?score得分的绝对值进行负相关映射，作为每条待分析曲线的相似特征修正权重；利用相似特征修正权重修正对应的相似特征值；[0070] 同时考虑到待分析矸石分块图像中，所有待分析曲线的修正后的相似特征值越大，说明分块图像中整体的纹理特征越明显，纹理特征权重就越大，所以以所有修正后的相似特征值的和值作为修正后的相似特征值的统计特征，获取所有修正后的相似特征值的和值并进行归一化后，作为待分析矸石分块图像对应的纹理特征权重；[0071] 纹理特征权重的计算公式包括：[0072] 利用纹理特征权重的计算公式获取纹理特征权重；[0073] ；[0074] 其中， 表示待分析矸石分块图像的序号； 表示第 个待分析矸石分块图像的纹理特征权重； 表示标准归一化函数；表示待分析曲线的序号； 表示第 个待分析矸石分块图像中，待分析曲线的数量； 表示第 个待分析矸石分块图像中，第 条待分析曲线的角度特征值； 表示第 个待分析矸石分块图像中，第条待分析曲线的角度特征值； 表示第 个待分析矸石分块图像中，第 条待分析曲线的相似特征值； 表示Z?score函数，表示第 个待分析矸石分块图像中，第 条待分析曲线的角度特征值进行归一化后的Z?score得分； 表示第 个待分析矸石分块图像中，第 条待分析曲线的相似特征修正权重；表示第 个待分析矸石分块图像中，第 条待分析曲线的修正后的相似特征值；表示修正后的相似特征值的和值； 为取绝对值符号。[0075] 需要说明的是，在本发明其他实施例中，也可以根据待分析曲线上所有目标像素点的平均横坐标从小到大进行排序；也可选用其他基础数学运算或者函数映射实现相关映射，其均为本领域技术人员熟知的技术手段，在此不做赘述。[0076] 需要说明的是，为保证待分析曲线能够代表矸石的纹理曲线，而自然矸石的纹理通常是连续的，所以待分析曲线需要是连续的，即待分析曲线中相邻的目标像素点之间的像素距离为0。[0077] 在本发明实施例中，当存在未完全破碎的自然矸石时，自然矸石会横跨多个矸石分块图像，所以可以结合分析待分析矸石分块图像与相邻的矸石分块图像进行分析，又因为轮廓特征参数表征了矸石分块图像中矸石纹理的平滑特征，待分析矸石分块图像与相邻的矸石分块图像之间的轮廓特征参数的差异越。得鞔治鲰肥挚橥枷裼胂嗔诘捻肥挚橥枷竦钠交卣髟较嗨，越有可能是未完全破碎的自然矸石横跨多个矸石分块图像的情况；又考虑到纹理特征权重表征了待分析矸石分块图像内矸石纹理特征的符合程度，所以结合纹理特征权重，获得每个待分析矸石分块图像的纹理结构参数，为后续修正角点主方向权重做准备。[0078] 优选地，在本发明一个实施例中，考虑到待分析矸石分块图像与相邻的矸石分块图像之间的轮廓特征参数的差异越小时，对应的差异参数分布更加集中，又考虑到数据的方差越。得鞔治鲰肥挚橥枷裼胂嗔诘捻肥挚橥枷竦穆掷卣鞑问牟钜觳问睦肷⒊潭仍叫。酝ü讲罨袢∥评斫峁共问，又因为方差越。钜觳问ǘ叫。治鲰肥挚橥枷裼胂嗔诘捻肥挚橥枷裰涞穆掷卣鞑问较嗨，所以方差与纹理结构参数负相关；同时考虑到纹理特征权重反应了待分析矸石分块图像内矸石纹理特征的符合程度，待分析矸石分块图像的纹理特征权重越大，说明分块图像越符合自然矸石的纹理特征，所以纹理特征权重与轮廓特征参数正相关，利用纹理特征权重修正待分析矸石分块图像的轮廓特征参数，进一步提升轮廓特征参数的准确性，使得对比待分析矸石分块图像与相邻的矸石分块图像的轮廓特征参数时，更加准确；[0079] 基于此，利用纹理结构参数的计算公式获取纹理结构参数；纹理结构参数的计算公式包括：[0080] ；[0081] 其中， 表示待分析矸石分块图像的序号； 表示第 个待分析矸石分块图像的纹理结构参数； 表示标准归一化函数；表示与待分析矸石分块图像相邻的矸石分块图像的序号； 表示与待分析矸石分块图像相邻的矸石分块图像的数量；表示第 个待分析矸石分块图像与第 个相邻的矸石分块图像之间轮廓特征参数的差异参数， ， 表示第 个待分析矸石分块图像的纹理特征权重， 表示第 个待分析矸石分块图像的轮廓特征参数， 表示第 个待分析矸石分块图像的，第 个相邻的矸石分块图像的轮廓特征参数； 表示第 个待分析矸石分块图像与其相邻的 个矸石分块图像的差异参数的均值； 为取绝对值符号。[0082] 需要说明的是，在本发明其他实施例中，也可选用其他基础数学运算或者函数映射实现相关映射，其均为本领域技术人员熟知的技术手段，在此不做赘述。[0083] 需要说明的是，在本发明一个实施例中，以每个待分析矸石分块图像为中心，以的尺寸构建邻域区域，将待分析矸石分块图像与邻域区域内八个矸石分块图像进行对比， ，在本发明其他实施例中，实施者可以设定其他形状或尺寸的邻域区域进行对比。[0084] 在本发明实施例中，通过分析待分析矸石分块图像中的纹理特征之后，就可以根据纹理结构参数，修正角点主方向权重，获得待分析矸石分块图像的优化角点检测结果，便于后续利用优化角点检测结果对矸石井下填充系统进行智慧管理。[0085] 优选地，在本发明一个实施例中，为保障矸石井下填充系统的稳定性，对所有的待分析矸石分块图像进行修正主方向权重，后续利用所有待分析矸石分块图像的优化角点检测结果进行智慧管理，基于此，在每个待分析矸石分块图像中，将所有待分析曲线的角度特征值的均值对应的方向作为主方向；将纹理结构参数加上常数1作为主方向修正权重；根据主方向修正权重利用SIFT算子获得对应的待分析矸石分块图像的优化角点检测结果。[0086] 需要说明的是，原始SIFT算子的主方向通常是通过对局部图像区域的梯度方向进行统计来获取的，加权方式通常会使用高斯加权；在本发明实施例中，在每个待分析矸石分块图像中，将所有待分析曲线的角度特征值的均值对应的方向作为主方向，从而更加准确地反映了图像中的局部结构；将纹理结构参数加上常数1作为主方向修正权重，对主方向进行加权，使得对图像的局部结构更加敏感；根据主方向修正权重利用SIFT算子获得对应的待分析矸石分块图像的优化角点检测结果，使得角点检测结果更加贴合图像的实际纹理结构，提高了检测结果的准确性和稳定性，更有利于后续智慧管理操作。[0087] 在本发明另一个实施例中，考虑到纹理结构参数越大，说明待分析矸石分块图像中矸石的纹理特征越明显，纹理结构性越强，越有可能包含未完全破碎的自然矸石，所以设置纹理结构性参数阈值 ，筛选出纹理结构性参数大于等于 的待分析矸石分块图像作为目标分块图像，只修正目标分块图像的主方向权重，并且在后续进行智慧管理时，仅利用目标分块图像的优化角点检测结果，进一步缩小分析范围，减少分析所需的计算需求。[0088] 需要说明的是，SIFT角点检测算法或SIFT算子已是本领域技术人员所熟知的技术手段，在此不再进行赘述。[0089] 智慧充填管控模块104：利用预训练的神经网络分析优化角点检测结果，对矸石井下填充系统进行智慧管理。[0090] 优化角点检测结果提供了更具代表性的矸石纹理特征，提取的特征更具代表性和区分度，在使用神经网络进行分析该特征描述子时，可以加快收敛速度，提高神经网络的性能，进而能够快速并准确地检测出自然矸石，及时对填充系统进行管理，避免填充系统发生堵塞，所以最终利用预训练的神经网络分析优化角点检测结果，对矸石井下填充系统进行智慧管理。[0091] 优选地，在本发明一个实施例中，将优化角点检测结果输入到预训练的神经网络中，输出所述矸石图像中矸石破碎效果的质量级别参数，根据神经网络输出结果对矸石井下填充系统进行智慧管理，具体包括：[0092] 质量级别1，代表粉碎程度最好：[0093] 浆体制备阶段：使用较低的水矸比制备浆体；矸石浆体将具有较高的固体含量，从而提高充填后的稳定性和承载能力，同时较精细的粒度有助于浆体更好地流动和填充空隙；[0094] 浆体输送：由于粒度较细，浆体的流动性较好，可以使用标准泵送系统进行输送，不需要过高的压力；[0095] 填充：采用全面充填策略，以确保充填空间中的空隙完全填满，从而最大化地面稳定性和防止地表沉降。[0096] 质量级别2，代表粉碎程度中等：[0097] 浆体制备：对于粉碎程度中等的矸石，需适当增加水矸比，以保证浆体的流动性和易泵送性；[0098] 输送：可能需要稍微提高泵送压力以适应较粗的粒度和较高的水矸比，以保证浆体在输送过程中不会发生堵塞；[0099] 充填：采用分层充填策略，逐层填充并允许每层适当固化，这有助于改善充填体的整体稳定性，同时减轻因充填压力导致的可能的地面沉降。[0100] 质量级别3，代表粉碎程度最差：[0101] 浆体制备：由于矸石粉碎程度较差，需使用较高的水矸比来制备浆体，以确保有足够的流动性。但这也意味着浆体的固体含量将进一步降低，可能需要添加适当的助剂来增强浆体的稳定性和凝固性；[0102] 输送：由于浆体流动性较差，需要使用高压泵送系统，并可能需要及时清理输送管道以防止堵塞；[0103] 充填：采用逐步回填策略，先填充大块空间，然后使用更稀的浆体填充剩余空间。这种策略有助于减少因重物落下造成的冲击压力，同时确保更广泛地分布充填物料。[0104] 需要说明的是，在本发明一个实施例中，助剂为普通水泥灰浆，普通水泥用量，粉煤灰用量 ，水用量 ，助剂占比为0.05，实际配比可以根据实际场景进行调整；当质量级别1、2、3时，泵送压力分别为6MPa、7Mpa、8Mpa，水矸比分别为1.5、2.0、2.5，最小泵送速度不小于80 ，当泵送速度持续为0 ，泵送压力持续高于8Mpa时，认为填充管堵塞，启动堵管事故处理预案：当持续时间达到30分钟时，立即执行灰浆推矸石浆，直至把矸石浆全部推出填充管，若灰浆填充时也发生堵塞达到30分钟，立即执行水推灰浆，直到把灰浆全部推出填充管；分层填充的固化时间设定为3小时；在本发明其他实施例中，实施者可以根据具体实施场景进行调整。[0105] 需要说明的是，在本发明一个实施例中，神经网络采用卷积神经网络，损失函数采用交叉熵函数；网络的输入为优化角点检测结果，即特征描述子，输出为图像中矸石破碎效果的质量级别参数。[0106] 综上所述，为了解决SIFT角点检测对复杂纹理的矸石图像检测结果不准确，影响矸石井下填充的技术问题，本发明提供了一种矸石井下智慧充填管控系统。本发明实施例首先获取破碎后的矸石图像并进行分割；进一步对矸石分块图像进行阈值分割，分析目标像素点的分布特征，获取轮廓特征参数，并筛选出待分析矸石分块图像；进一步分析目标像素点构成的曲线之间的相似特征，结合待分析矸石分块图像与相邻的矸石分块图像之间的轮廓特征参数的差异，修正角点主方向权重，获得待分析矸石分块图像的优化角点检测结果；最后利用预训练的神经网络分析优化角点检测结果，对矸石井下填充系统进行智慧管理。本发明实施例通过分析矸石的纹理结构特征，修正角点主方向权重，获得优化角点检测结果，更好地描述矸石的表面纹理和结构，提升神经网络的性能，最终提升矸石井下智慧充填管控系统的效率和可靠性。[0107] 需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。[0108] 本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

专利地区：陕西

专利申请日期：2024-05-10

专利公开日期：2024-07-05

专利公告号：CN118154900B