本發(fā)明涉及烘干砂檢測分析，尤其涉及基于機器視覺的黃金尾礦烘干砂質量檢測方法。

背景技術：

1、黃金尾礦烘干砂的質量檢測在礦產加工領域尤為重要，涉及到后續(xù)冶煉、提純等多個環(huán)節(jié)的產品質量和工藝效率。然而，傳統的黃金尾礦烘干砂質量檢測方法主要依賴人工觀察和機械篩選，不僅檢測精度和一致性差，且在自動化方面存在明顯不足。人工檢測方法由于主觀性強且費時費力，無法保證每個烘干砂顆粒形態(tài)和水分含量的穩(wěn)定性。而機械篩選雖然可以提升效率，但其識別烘干砂顆粒的精度有限，特別是對烘干砂顆粒形態(tài)和水分含量等細微指標難以實現精準控制。

2、黃金尾礦烘干砂顆粒形態(tài)和水分含量是影響其品質的重要指標。烘干砂顆粒形態(tài)上的差異，如顆粒的大小、表面粗糙度、圓度等，會直接影響到后續(xù)加工的均勻性和質量。而水分含量則對烘干效果、后續(xù)儲存和運輸過程中的穩(wěn)定性起到關鍵作用，尤其是在烘干過程中，水分的控制是質量檢測中的難點之一。傳統方法難以實時、精確地檢測烘干砂顆粒的形態(tài)和水分含量，無法適應大規(guī)模連續(xù)生產的質量控制需求。

3、綜上，傳統的黃金尾礦烘干砂質量檢測方法存在對烘干砂顆粒形態(tài)、水分含量等關鍵質量指標檢測精度不足的技術問題。

技術實現思路

1、本發(fā)明提供基于機器視覺的黃金尾礦烘干砂質量檢測方法，以解決對烘干砂顆粒形態(tài)、水分含量等關鍵質量指標的檢測精度不足的技術問題。

2、基于機器視覺的黃金尾礦烘干砂質量檢測方法，包括以下步驟：

3、s1.采集烘干砂顆粒的多角度圖像數據和紅外傳感器數據，通過多分區(qū)多尺度自適應特征重構算法，對烘干砂顆粒的多角度圖像數據進行智能化圖像處理，得到烘干砂顆粒的最終綜合特征；

4、s2.基于紅外傳感器數據，引入基于多維時空特征映射和自適應濾波的水分檢測算法，對烘干砂顆粒進行水分檢測，得到烘干砂顆粒的水分含量；基于烘干砂顆粒的水分含量和烘干砂顆粒的最終綜合特征，得到烘干砂顆粒的完整特征數據；對烘干砂顆粒的完整特征數據進行多模態(tài)融合與分析，生成綜合分析結果；基于綜合分析結果，生成檢測報告。

5、優(yōu)選的，所述s1，具體包括：

6、所述多分區(qū)多尺度自適應特征重構算法的具體實現步驟如下：

7、第一步，引入自適應分區(qū)方法，對烘干砂顆粒的多角度圖像數據進行圖像多分區(qū)處理，得到最終分區(qū)；

8、第二步，對最終分區(qū)后的每個區(qū)域內的烘干砂顆粒的多角度圖像數據進行多尺度特征提取，生成特征張量矩陣；

9、第三步，對最終分區(qū)后的各區(qū)域內生成的特征張量矩陣，進行動態(tài)特征重構和非線性融合，生成烘干砂顆粒的綜合特征；

10、第四步，對烘干砂顆粒的綜合特征進行優(yōu)化，得到烘干砂顆粒的最終綜合特征。

11、優(yōu)選的，所述s1，具體包括：

12、在自適應分區(qū)方法的實現過程中，將烘干砂顆粒的多角度圖像數據轉化為梯度向量，并結合烘干砂顆粒的多角度圖像數據中每個像素點的局部均值亮度值和局部灰度方差，對烘干砂顆粒的多角度圖像數據中每個像素點分配顯著性權重；每個像素點的顯著性權重的具體計算公式為：

13、，

14、其中，表示每個像素點的顯著性權重；和是烘干砂顆粒的多角度圖像數據在和方向的梯度；為當前像素點的局部均值亮度值；為當前像素點的局部灰度方差；是防止分母為零的平滑參數；

15、基于每個像素點的顯著性權重，引入分區(qū)比例參數，對整個烘干砂顆粒的多角度圖像數據進行初步劃分，得到初步分區(qū)，并計算初步分區(qū)后的各區(qū)域的顯著性權重。

16、優(yōu)選的，所述s1，具體包括：

17、對初步分區(qū)后的區(qū)域邊緣進行閉操作，得到最終分區(qū)；基于最終分區(qū)，重新計算并更新區(qū)域的顯著性權重。

18、優(yōu)選的，所述s1，具體包括：

19、基于最終分區(qū)后的每個區(qū)域內的烘干砂顆粒的多角度圖像數據，定義局部對比度、表面粗糙度和平均亮度，生成分區(qū)特征張量；基于分區(qū)特征張量，構建特征張量矩陣；分區(qū)特征張量的生成公式如下：

20、，

21、其中，為最終分區(qū)后的第個區(qū)域在位置處的多尺度特征張量值，表示分區(qū)特征張量；表示最終分區(qū)后的第個區(qū)域的局部對比度；表示最終分區(qū)后的第個區(qū)域的表面粗糙度；為最終分區(qū)后的第個區(qū)域的平均亮度；為最終分區(qū)后的第個區(qū)域的烘干砂顆粒的局部邊緣方向角；為最終分區(qū)后的第個區(qū)域的分區(qū)特征張量的縮放指數。

22、優(yōu)選的，所述s1，具體包括：

23、通過非線性變換對特征張量矩陣進行動態(tài)特征重構處理，生成區(qū)域內的重構特征；對最終分區(qū)后所有區(qū)域內的重構特征進行加權合并，生成烘干砂顆粒的綜合特征。

24、優(yōu)選的，所述s2，具體包括：

25、基于紅外傳感器數據獲取烘干砂顆粒的吸收率數據、反射率數據和透射率數據，生成包含時間和空間維度的紅外特征矩陣；引入空間偏移范圍半徑，生成空間分布矩陣。

26、優(yōu)選的，所述s2，具體包括：

27、通過映射處理將紅外特征矩陣與空間分布矩陣轉換為特征空間矩陣；對特征空間矩陣進行卷積濾波處理，得到卷積濾波后的特征空間矩陣。

28、優(yōu)選的，所述s2，具體包括：

29、基于卷積濾波后的特征空間矩陣和空間分布矩陣，引入烘干砂顆粒的水分含量計算公式，得到烘干砂顆粒的水分含量，具體公式為：

30、，

31、其中，是時刻在位置處烘干砂顆粒的水分含量；、為調節(jié)系數；表示均值計算；是卷積濾波后的特征空間矩陣；、、分別表示時刻烘干砂顆粒在位置處的吸收率數據、反射率數據和透射率數據；是空間分布矩陣在處的元素值。

32、優(yōu)選的，所述s2，具體包括：

33、基于烘干砂顆粒的水分含量，結合最終分區(qū)，計算每個區(qū)域內的烘干砂顆粒的水分含量，并將每個區(qū)域內的烘干砂顆粒的水分含量添加到對應區(qū)域中的烘干砂顆粒的最終綜合特征中，得到烘干砂顆粒的完整特征數據；對烘干砂顆粒的完整特征數據進行多模態(tài)融合，生成烘干砂顆粒的綜合質量評分；基于烘干砂顆粒的綜合質量評分和烘干砂顆粒的完整特征數據，對烘干砂顆粒進行質量檢測和分類，得到綜合分析結果；根據綜合分析結果，生成包含顆粒合格率、不合格顆粒占比的檢測報告；當不合格顆粒占比超出預設的閾值時，則觸發(fā)警報提醒，并進行生產調整。

34、本發(fā)明的技術方案的有益效果是：

35、1、引入多分區(qū)多尺度自適應特征重構算法，將烘干砂顆粒的大小、表面特征、形態(tài)等關鍵特征精準提取，從而有效減少單一視角帶來的檢測偏差。

36、2、采用紅外傳感器結合基于多維時空特征映射和自適應濾波的水分檢測算法，能夠獲取烘干砂顆粒水分含量的精確數據。通過對吸收率、反射率和透射率等多維特征的時空分析，可以捕捉烘干砂顆粒在干燥過程中的熱響應變化，提高了烘干砂顆粒水分含量測定的精度。

技術特征：

1.基于機器視覺的黃金尾礦烘干砂質量檢測方法，其特征在于，包括以下步驟：

2.根據權利要求1所述的基于機器視覺的黃金尾礦烘干砂質量檢測方法，其特征在于，所述s1，具體包括：

3.根據權利要求2所述的基于機器視覺的黃金尾礦烘干砂質量檢測方法，其特征在于，所述s1，具體包括：

4.根據權利要求3所述的基于機器視覺的黃金尾礦烘干砂質量檢測方法，其特征在于，所述s1，具體包括：

5.根據權利要求4所述的基于機器視覺的黃金尾礦烘干砂質量檢測方法，其特征在于，所述s1，具體包括：

6.根據權利要求5所述的基于機器視覺的黃金尾礦烘干砂質量檢測方法，其特征在于，所述s1，具體包括：

7.根據權利要求6所述的基于機器視覺的黃金尾礦烘干砂質量檢測方法，其特征在于，所述s2，具體包括：

8.根據權利要求7所述的基于機器視覺的黃金尾礦烘干砂質量檢測方法，其特征在于，所述s2，具體包括：

9.根據權利要求8所述的基于機器視覺的黃金尾礦烘干砂質量檢測方法，其特征在于，所述s2，具體包括：

10.根據權利要求9所述的基于機器視覺的黃金尾礦烘干砂質量檢測方法，其特征在于，所述s2，具體包括：

技術總結
本發(fā)明涉及烘干砂檢測分析技術領域，尤其涉及基于機器視覺的黃金尾礦烘干砂質量檢測方法。內容包括：采集烘干砂顆粒的多角度圖像數據和紅外傳感器數據，對烘干砂顆粒的多角度圖像數據進行智能化圖像處理，得到烘干砂顆粒的最終綜合特征；基于紅外傳感器數據，對烘干砂顆粒進行水分檢測，得到烘干砂顆粒的水分含量；基于烘干砂顆粒的水分含量和烘干砂顆粒的最終綜合特征，得到烘干砂顆粒的完整特征數據；對烘干砂顆粒的完整特征數據進行多模態(tài)融合與分析，生成綜合分析結果；基于綜合分析結果，生成檢測報告。解決了對烘干砂顆粒形態(tài)、水分含量等關鍵質量指標的檢測精度不足的技術問題。

技術研發(fā)人員：徐曙明,錢英暉,付永德,宋書超,楊軍航,張雪飛,趙偉,李鵬,孫寶軍
受保護的技術使用者：招遠市雙盛石藝科技有限公司
技術研發(fā)日：
技術公布日：2025/1/2