王貴根，張博洋

(1.江西銅業(yè)集團公司 城門山銅礦， 江西 九江市 332100；2.北銳人工智能科技有限公司，湖南 長沙 410000)

礦山生產(chǎn)包含采礦和選礦兩大生產(chǎn)過程，經(jīng)過爆破、鏟裝、運輸、破碎、浮選等多個生產(chǎn)工序，具有工藝流程長、內(nèi)部機理不明確、影響因素多等特點,傳統(tǒng)的測量手段無法到達實時性要求，難以形成反饋控制機制將生產(chǎn)過程控制在最優(yōu)工況，從而導(dǎo)致生產(chǎn)成本的居高不下和出礦品位的不穩(wěn)定。

近年來，隨著視覺傳感技術(shù)、圖像處理、人工智能等技術(shù)的快速發(fā)展，將計算機視覺技術(shù)應(yīng)用在礦山生產(chǎn)過程中已成為一個新的趨勢，其非接觸式傳感、多層次信息融合、高速建模計算等特點滿足了礦山生產(chǎn)范圍大、不間斷、需及時反饋等要求。目前，從發(fā)表的文獻來看，計算機視覺技術(shù)在礦山生產(chǎn)中的應(yīng)用主要有3個方面：三維可視化建模、礦塊粒度檢測和浮選泡沫檢測。

1 礦區(qū)三維可視化建模

在露天采場中，礦坑是整個生產(chǎn)的核心，在數(shù)字礦山建設(shè)引入大量自動化、流程化、實時化軟件和系統(tǒng)之后，獲取高精度的三維礦坑模型對于配礦、排產(chǎn)、卡調(diào)等多個系統(tǒng)具有十分重要的意義；隨著礦坑的掘進和排土作業(yè)，礦區(qū)內(nèi)會形成多處有巨大高差的邊坡，邊坡的穩(wěn)定與否關(guān)系到生產(chǎn)的安全，對邊坡的感知和檢測是礦山安全生產(chǎn)的重要工作內(nèi)容。上述 2種需求都需要高精度的三維建模方法。

傳統(tǒng)的三維建模方法主要有3種：GPS單點式測量、DINSAR技術(shù)測量和激光三維掃描測量。GPS單點測量的優(yōu)點是精度高，且易于連續(xù)測量，缺點是分散測量各個單點，難以形成整體三維模型，而且會受到信號強度的制約；DINSAR測量的優(yōu)點是可獲得整體成像，速度快、精度高，缺點是衛(wèi)星過境周期長、成本高，難于在設(shè)定的時間點獲得需要的三維模型；激光三維掃描測量的優(yōu)點是獲取三維數(shù)據(jù)速度快、精度高，缺點是成本高昂，體積笨重，且后續(xù)處理過程比較復(fù)雜，數(shù)據(jù)處理自動化程度低。上述3種方法面對礦山生產(chǎn)中高精度、高頻度、低成本、快速處理的要求時，均存在不同程度的不匹配問題，難以實際應(yīng)用。

隨著硬件設(shè)備性能的不斷提升以及計算攝影理論和算法的不斷進步，尤其是特征點提取和影響匹配理論、運動恢復(fù)結(jié)構(gòu)(SfM)算法和多視立體視覺算法(MVS)等技術(shù)的不斷完善，基于影像的三維重建技術(shù)逐漸被應(yīng)用到實踐中。該技術(shù)具備精度高、速度快、成本較低、操作相對簡便等優(yōu)點，滿足了礦區(qū)三維重建的需求，重點在礦坑數(shù)字三維模型構(gòu)建和礦區(qū)邊坡監(jiān)測兩個領(lǐng)域進行了應(yīng)用。

1.1 礦坑數(shù)字三維模型構(gòu)建

礦坑數(shù)字三維模型構(gòu)建一般采用無人機搭載航空攝影儀器，通過預(yù)先規(guī)劃好的航跡，在預(yù)定點位攝影，在算法選擇上略有差異，但實現(xiàn)路徑基本相同：一般來說采用特征點提取——致密點陣生成——點云數(shù)據(jù)融合——三維地質(zhì)模型和正射影像圖獲得的步驟。具體軟件選擇上一般有兩種思路：一是采用現(xiàn)有的商業(yè)軟件，二是利用通用視覺庫編寫。經(jīng)礦區(qū)實測，各方法均可達到比較高的精度，一般控制在0.1 m，部分算法可控制在0.05 m以內(nèi)。王植等提出基于運動與結(jié)構(gòu)重建(SfM，Structure from Motion)以及光束平差法(BA，Bundle Adjustment)的影像序列中露天礦全自動三維建模方法[1]，其中SfM用于三維特征點的提取，BA用于點云數(shù)據(jù)的自動融合。該方法可使用無序照片數(shù)據(jù)集，在無地面控制點信息的情況下建模。圖像獲取采用尼康D1相機，共獲取176張照片，首先利用SfM在無需事先標(biāo)定攝站位置、朝向等空間信息的情況下，解算相機內(nèi)外方位元素；之后利用基于圖像區(qū)塊分析的多視立體算法計算致密點云信息；將點云信息進行光束法平差調(diào)整，提高三維重建的精度；最后得到完整的三維數(shù)字礦山模型。該文章未對精度進行分析，同時需要一個單獨的步驟完成點云區(qū)塊的坐標(biāo)系轉(zhuǎn)換以及點云合并。

張玉俠等給出了無人機三維傾斜攝影測量技術(shù)獲得高分辨率、高精度的正射影像圖與三維立體模型的具體應(yīng)用案例[2]。首先采用大疆精靈無人機按照事先設(shè)定好的航線，搭載1個垂直、4個傾斜的5臺傳感器獲取圖像；之后采用Arcgis、inpho、smart3d等軟件得到數(shù)字正射影像和三維立體模型，分辨率分別為0.1 m和0.2 m；所獲得的模型可進行開采面積、土方量測量，直觀顯示開采情況。

王崢羽等采用無人機傾斜攝影進行實景三維模型礦山測量，并在某廢棄礦山開展試驗，對精度進行了詳細(xì)的分析[3]。采用蜻蜓無人機裝配蜻蜓航空攝影儀，通過區(qū)域網(wǎng)方式布設(shè) 14個相控點，10個參與平差計算，4個參與空三檢查，按照航向重疊度80%，側(cè)向重疊度60%拍攝傾斜攝影影像1015張；使用ContextCapture進行實景三維模型構(gòu)建，清華山維EPS軟件進行地形要素采集；經(jīng)過20個特征點測得平面精度29.2 cm，40個高程點測得高程精度42.8 cm。

李長青等在低空攝影的基礎(chǔ)上，以O(shè)penCV計算機視覺庫為基礎(chǔ)，運用VC++二次開發(fā)，借助SBA平差庫對所采集的少量控制點進行光束法平差，再用PMVS算法生成密集點云，建立露天礦三維地質(zhì)模型DSM和正射影像圖DOM[4]；通過露天礦實際測試，得到該方法精度為平面誤差 0.113 m，高程誤差0.121 m。

1.2 礦區(qū)邊坡檢測

邊坡檢測在實現(xiàn)過程中與礦坑數(shù)字三維模型構(gòu)建略有不同，既可以采用無人機航拍的方式獲得傾斜攝影影像，也可針對特定邊坡采用地面位置以不同角度獲得，在操作簡便度上獲得提升，采用的具體算法路徑與前述基本一致，由于邊坡檢測相比礦坑范圍有所減小，在實測精度上也獲得了顯著提升，均獲得了0.01 m左右的最大誤差。

王果等提出利用無人機傾斜攝影對露天礦邊坡進行三維重建[5]，在無人機航拍圖像并進行預(yù)處理后，利用 SIFT算法提取特征；采用光束法聯(lián)合空三測量，得到外方位元素和消除畸變后影像；對多視影像進行密集匹配，進而獲得高密度三維點云并生成DSM；經(jīng)在三門峽某鋁礦實測，該邊坡檢測方法最大誤差X方向為7.43 cm，Y方向為6.74 cm，Z方向為9.24 cm。

隋濤等采用無人機傾斜攝影方式對排土場邊坡進行檢測[6]，首先采用SIFT算法對重疊影像進行特征點識別和匹配；其次在選定坐標(biāo)系內(nèi)進行反復(fù)迭代，計算出測區(qū)內(nèi)所有相機的外方位元素，并計算出稀疏點云的空間坐標(biāo)；然后采用光束法平差算法(如Bundler算法)優(yōu)化相機參數(shù)，獲得最優(yōu)相機位置、姿態(tài)和三維點云坐標(biāo)；最后在稀疏點云的基礎(chǔ)上，采用CMVs/PMVs算法進行加密，生成密集的點云數(shù)據(jù)，通過對密集點云進行后處理，即可得到DOM和DSM。數(shù)據(jù)處理過程中使用Pix4D mapper軟件和Agisoft PhotoScaIl軟件，在100 m相對航高下兩款軟件的分辨率最優(yōu)，誤差最小，采用Pix4D mapper和Agisoft PhotoScaIl軟件構(gòu)建的DOM的分辨率分別為 0.049 m、0.048 m，且中誤差均小于0.175 m。當(dāng)相對航高為100 m時，高程誤差全部小于 15 cm，Pix4D mapper軟件的建模精度稍優(yōu)于Agisoft Photoscan軟件。

劉軍等采用單反相機在地面位置獲取排土場影像，從而構(gòu)建排土場三維影像，共拍攝 11張照片，采用SfM-MVS算法獲得邊坡體高分辨率點云模型,通過三維點云網(wǎng)格化處理和紋理映射制作了更加逼真的邊坡數(shù)字表面模型，但未對模型精度進行分析[7]。

2 礦塊粒度檢測

在選礦廠生產(chǎn)過程中，磨礦是一項重要的環(huán)節(jié)，其粉磨工藝的好壞直接影響到后續(xù)精礦的質(zhì)量和品位，目前對粉磨工藝最重要的評價指標(biāo)為礦石的粒度分布。傳統(tǒng)的礦石粒度檢測方法是離線篩分，即碎后人工取樣進行篩分檢測，該方法費時、費力、能耗大，并且無法獲得排料粒級的及時反饋結(jié)果，從而實時調(diào)整磨礦的工序參數(shù)，進而保證磨礦工序的質(zhì)量。

采用圖像識別技術(shù)實現(xiàn)礦塊的粒度檢測，有效地克服了傳統(tǒng)檢測方法的缺陷，隨著相關(guān)硬件成本的下降和圖像識別算法的進步，該方法體現(xiàn)出成本低、效果好、速度快等優(yōu)點，國內(nèi)外學(xué)者對此進行了大量的研究，取得了一系列的成果?？傮w來看，基于圖像分析的礦石粒度檢測主要有4個步驟：照相——圖像濾波——圖像分割——參數(shù)統(tǒng)計，其中圖像濾波和圖像分割是研究的難點，也是決定檢測效果好壞的關(guān)鍵因素，受到研究者廣泛的關(guān)注。

針對主流的圖像濾波和圖像分割方法，馬連銘等進行了較為全面的比較[8]，通過對現(xiàn)有的礦石粒度檢測方法的梳理,并以實驗的方式對不同的濾波方法和分割方法進行對比，采用正確率(TPR)和誤差率(EPR)作為客觀評價標(biāo)準(zhǔn)。在濾波方面，對中值濾波、雙邊濾波、基于形態(tài)學(xué)重構(gòu)濾波、全變差濾波、非局部均值濾波5種算法進行處理比較，并從主觀、客觀和效率3個角度對上述各算法進行了分析；在分割方面，對基于人工手動分割、基于極限腐蝕進行標(biāo)記的分水嶺分割、基于距離極大值進行標(biāo)記的分水嶺分割、隨機游走分割、超像素歸一化分割、超像素層次合并分割6種算法進行處理比較，并從正確率和效率角度對上述算法進行了分析，針對不同情況給出適宜的圖像濾波和分割方法的使用建議。

此外，商夢石等也對圖像處理技術(shù)在礦石粒度檢測中的各個環(huán)節(jié)采用的方法進行了較為全面的介紹[9]，在圖像濾波中提及了線型濾波、中值濾波、小波去噪、分?jǐn)?shù)階積分去噪等多種圖像去噪方法；在圖像分割中介紹了基于閾值、基于邊緣檢測、基于跟蹤、基于區(qū)域、基于數(shù)學(xué)形態(tài)學(xué)等多種圖像分割方法；對二值化圖像處理、粘連顆粒處理、粒度統(tǒng)計等環(huán)節(jié)中應(yīng)用的方法也有所介紹。

在實踐應(yīng)用中，由于現(xiàn)場環(huán)境較為復(fù)雜，存在粉塵、光照等諸多干擾，不同礦鐘類和產(chǎn)區(qū)的礦塊本身顏色、形態(tài)有顯著差異，加之以堆疊、粘連的形式集中，對粒度分析的精度和準(zhǔn)確性造成較大影響。因此，在實踐中，除了要根據(jù)礦塊本身的性質(zhì)調(diào)整合適的識別算法和參數(shù)外，還需要加裝光源、擋板、除塵裝置等一系列的輔助設(shè)備。

蔡改貧等設(shè)計了一套基于圖像處理的礦石粒度檢測系統(tǒng)[10]，采用 CCD及配套光源、擋板作為圖像獲取裝置，使用中值濾波、梯度化、分水嶺分割算法、圖像標(biāo)定和統(tǒng)計等一系列處理算法和流程，獲得礦石不同粒度的顆粒個數(shù)值。最終通過實驗同篩分法比較計算該系統(tǒng)誤差率在 5%以下，且當(dāng)顆粒粒度大于5 mm時，誤差率顯著降低。

針對鎢礦石，羅小燕等設(shè)計了一套礦石粒度檢測系統(tǒng)[11]，通過攝像頭及配套裝置獲取礦石圖像后，經(jīng)過灰度化、中值濾波、形態(tài)重構(gòu)的預(yù)處理，對處理后的圖像進行兩次分水嶺分割，搭配多尺度形態(tài)學(xué)梯度化、計算極大值、閾值分割、圖像距離變換、強制最小技術(shù)等輔助操作，最后提取顆粒的幾何特征，采用MATLAB與LABVIEW混合編程的方式輸出。經(jīng)對實際結(jié)果的誤差分析，總體誤差控制在5%以內(nèi)，對于直徑不小于10 mm顆粒，粒度檢測誤差低于1%。

3 浮選泡沫檢測

浮選是決定精礦品位和生產(chǎn)效率的重要選礦工序，因此如何通過調(diào)節(jié)生產(chǎn)參數(shù)達到提高質(zhì)量和降低成本的問題成為重點研究領(lǐng)域，由于浮選過程復(fù)雜，影響因素多，現(xiàn)有的數(shù)學(xué)模型無法準(zhǔn)確模擬實際生產(chǎn)過程，導(dǎo)致傳統(tǒng)實時在線分析設(shè)備成本高昂，浮選的自動控制技術(shù)發(fā)展緩慢。

在實踐生產(chǎn)中，經(jīng)驗得出浮選泡沫層具有重要的表征作用，在一定程度上反應(yīng)浮選產(chǎn)品的質(zhì)量指標(biāo)，操作員往往根據(jù)浮選泡沫的大小、均勻程度、數(shù)量多少作為藥劑添加、設(shè)備控制的重要參考，因此利用數(shù)字圖像技術(shù)，通過視覺傳感器獲取浮選泡沫的特征參數(shù)，建立浮選技術(shù)指標(biāo)與泡沫特征量之間的關(guān)系，進而獲得浮選生產(chǎn)的自動化控制模型成為了浮選控制的研究重點。

部分研究針對泡沫外在形態(tài)與內(nèi)部機理的關(guān)系，馬利鳳等對浮選氣泡形態(tài)及其與內(nèi)部顆粒作用關(guān)系等研究進展進行了介紹[12]，首先介紹了氣泡尺寸的影響因素研究，氣泡運動和行為特征研究以及直徑小于100 nm的納米氣泡在浮選中的應(yīng)用研究現(xiàn)狀；其次介紹了氣泡與顆粒相互作用模型的研究進展，氣泡與顆粒實際作用研究現(xiàn)狀；最后對研究情況做了整體總結(jié)。

何桂春等對浮選指標(biāo)與浮選數(shù)字圖像之間的關(guān)系進行了研究[13]，首先對獲取泡沫圖像利用浮選不同階段分類，之后對圖像進行灰度化、增強、物理特征提取，得到泡沫圖像的灰度直方圖，最后使用 RBF神經(jīng)網(wǎng)絡(luò)獲得浮選指標(biāo)與泡沫紋理特征參數(shù)的關(guān)系模型。

在浮選泡沫檢測的實際應(yīng)用中，由于煤泥、銅、鉛鋅等礦浮選泡沫的特征形態(tài)及顏色均有所不同，因此要根據(jù)實際情況針對不同礦種、礦區(qū)和浮選工藝開展針對性的研究。目前，針對煤泥浮選工藝的泡沫檢測研究最為廣泛，其次是針對銅、鋁、鉛等有色金屬和部分稀有金屬的研究。

陳青等利用圖像獲取泡沫表面結(jié)構(gòu)統(tǒng)計分布特征[14]，采用Weibull函數(shù)建立泡沫圖像空間分布的統(tǒng)計分布模型，通過將泡沫劃分為4種形態(tài)，建立樣本集，對模型進行學(xué)習(xí)訓(xùn)練。在中國鋁業(yè)公司中州分公司的鋁土礦浮選的試驗過程中，獲得了良好的分類效果。

曹文艷等針對煤泥浮選圖像中的氣泡個數(shù)、面積和周長等形態(tài)特征進行提取[15]，通過在浮選中加入不同比例的捕收劑和起泡劑獲取4種不同類型的泡沫圖像，再和未標(biāo)記的樣本圖片使用基于 GMM的半監(jiān)督聚類方法對泡沫圖像樣本進行擬合，并將此方法在山西汾西礦業(yè)（集團）有限責(zé)任公司柳灣選煤廠進行了試驗，捕收劑、起泡劑消耗量分別降低了8.22%，7.67%。

針對鉛鋅礦的浮選，王衛(wèi)星等提出使用分?jǐn)?shù)階微分、水平集及分水嶺算法分割泡沫圖像[16]，能夠有效解決過分割問題，尤其是針對鉛鋅礦浮選泡沫氣泡相互粘連、顏色偏暗且大小不一的特點，該方法與傳統(tǒng)分割方法相比有明顯的優(yōu)勢。

此外，唐朝暉等對銻礦[17]和趙洪偉等對鋁土礦[18]的浮選泡沫檢測也進行了相關(guān)的研究和試驗。

4 未來與展望

計算機視覺處理技術(shù)用于礦山生產(chǎn)過程，可使人們對礦坑、礦石以及浮選泡沫的觀測不受空問、時間和主觀性的局限。利用計算機視覺技術(shù)進行生產(chǎn)過程的檢測具有許多獨特的優(yōu)點：如非接觸性和遠距離檢測、直觀性、智能性、抗干擾特性，可以在很大范圍內(nèi)控制檢測精度等，實現(xiàn)對檢測對象的在線檢測，從而能夠?qū)崿F(xiàn)提高效率、節(jié)能降耗的需求，提高礦山生產(chǎn)企業(yè)的生產(chǎn)效益。隨著計算機視覺技術(shù)的快速發(fā)展，其必將更加廣泛的應(yīng)用于礦石采礦、選礦和冶煉工程中，能夠?qū)崿F(xiàn)更加高效的檢測以及反饋控制的功能，更大程度上提高生產(chǎn)效率和節(jié)能降耗。