一种钻孔过程实时岩石种类判断方法

技术领域

本发明涉及大型露天矿钻岩技术领域，具体涉及一种钻孔过程实时岩石种类判断的方法。

背景技术

在矿山爆破现场，传统测量炮孔内岩性的方法一般采用孔内摄像机拍摄，或是通过矿粉的取样化验判别，存在着技术手段复杂、成本高等问题，且识别技术局限于炮孔成孔后，难以实现矿石岩性的实时识别。钻进过程的回转电流、回转转速、进给压力等实时钻进参数与矿岩岩性具有一定的匹配关系，并已经得到了一定范围内的关注与应用，但目前的钻进参数的获取需要对传统牙轮钻机进行智能化改造，依赖于改造控制系统、加装传感器等方式，维护成本较高，增加了大量成本。

发明内容

本发明提供了一种钻孔过程实时岩石种类判断方法，包括频闪摄像头和数据传输终端，其特征在于，包括以下步骤：

步骤1：制备岩石试件，进行单轴抗压强度试验，建立矿山岩石强度及岩石类型数据库；

步骤2：在牙轮钻机仪表盘正前方安装基于4G或wifi的频闪摄像头，对作业时的牙轮钻机仪表盘进行定时抓拍并生成图像；

步骤3：首先将获取到的图像传输到数据传输终端；

步骤4：在数据传输终端中将仪表盘图像生成灰度图；

步骤5：采用Ostu方法计算图像二值化阈值，记T为前景与背景的分割阈值，前景点数占图像比例为w

步骤6：根据步骤5中计算的阈值将仪表盘图像数据二值化；

步骤7：设定平行于0刻度方向为极坐标轴的正方向，选择指针起始点位置作为极点，建立极坐标系；

步骤8：设定每一个极角所对应的刻度，极角选择的最小单位为仪表最小量程变化时的角度，建立极角与刻度值的对应关系；

步骤9：利用现有Sobel算子的边缘检测法识别步骤5中的二值化图像的指针位置，该算子包含两组3*3的矩阵，分别为横向及纵向，将之与图像作平面卷积，即可分别得出横向及纵向的亮度差分近似值；

步骤10：根据步骤7中建立的极坐标系，采用步骤8中的对应关系将步骤9中识别的指针位置换算为刻度值；

步骤11：通过图像获取刻度值，并输出钻进实时回转转速曲线、回转电流曲线及进给压力曲线；

步骤12：建立矿岩匹配关系数据集，数据集内记录内容包括，岩石类型、单轴抗压强度、回转转速、回转电流及进给压力；

步骤13：根据步骤12所建立的数据集，以回转转速曲线、回转电流曲线、进给压力曲线为输入层，岩石类型、单轴抗压强度为输出层，搭建神经网络训练模型，进行训练，得到训练好的神经网络模型；

步骤14：在后续钻进中，重复步骤2～11，将实时采集的回转转速曲线、回转电流曲线及进给压力曲线输入至训练好的神经网络模型中，既实现钻孔过程实时岩石种类判断。

优选的，所述的牙轮钻机仪表盘包括回转转速表、回转电流表及进给压力表。

优选的，所述的步骤7中建立极坐标系是以仪表盘中心为极点，x轴正向为极轴方向，建立极坐标系，选取适当的极径ρ画圆，并按照仪表盘得出极角θ和对应刻度的关系以及指针与圆交点的位置；对仪表盘图像进行二值化处理，建立极坐标系。

本发明的有益效果是：

本发明利用牙轮钻机搭载频闪摄像头对作业时的仪表盘进行定时拍摄，将拍摄的图像传输至数据终端进行灰度及二值化处理，通过建立极坐标系，对数据进行进一步分析处理，将处理好的数据建立矿岩匹配关系，训练神经网络训练模型，实现了对炮孔孔内岩性的实时判断，便于牙轮钻机操作的连续性及便捷性，从而提高作业效率。

本发明方法可以有效提高工作效率，大幅降低人工工作强度，迅速提升数字化，智能化程度。本发明最终可以达到解决矿山爆区钻孔过程实时、准确判断炮孔的岩性。

附图说明

图1为本发明钻孔过程实时岩石种类判断方法流程图。

图2为本发明频闪摄像头安装示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

实施例1

舅图1和图2所示，在某铁矿采厂，牙轮钻在钻进一炮孔时，在仪表盘1正前方安装频闪摄像头2以10Hz进行定时抓拍，钻孔时间为30分钟，根据现场摄像头回传1000张图片进行处理。

本发明提供了一种钻孔过程实时岩石种类判断方法，包括以下步骤：

步骤1：选取本矿山100块岩石并制备试件，对所有岩石试件进行单轴抗压强度试验，根据试验结果建立矿山岩石强度及岩石类型数据库；

表1岩石类别与强度匹配表

步骤2：分别在牙轮钻机回转转速表、回转电流表及进给压力表正前方安装基于4G或wifi的频闪摄像头2，对作业时的牙轮钻机仪表盘进行定时抓拍并生成图像；

步骤3：首先将获取到的一系列图像无线传输到数据终端3；

步骤4：在终端中将所有图像生成灰度图；

步骤5：采用Ostu方法计算图像二值化阈值，记T为前景与背景的分割阈值，前景点数占图像比例为w

u＝w

g＝w

联立两式可得：

步骤6：根据步骤5中计算出的阈值将仪表盘图像数据二值化，以便区分仪表盘及指针；

步骤7：以仪表盘中心为极点，0刻度方向为极坐标轴的正方向，建立极坐标系；

步骤8：设定每一个极角所对应的刻度，极角选择的最小单位为仪表最小量程变化时的角度，建立极角与刻度值的对应关系；

步骤9：利用现有Sobel算子的边缘检测法识别步骤5中的二值化图像的指针位置，该算子包含两组3*3的矩阵，分别为横向及纵向，将之与图像作平面卷积，即可分别得出横向及纵向的亮度差分近似值；

步骤10：根据步骤7中建立的极坐标系，采用步骤8中的对应关系将步骤9中识别的指针位置换算为刻度值；

步骤11：通过图像获取刻度值，并输出钻进实时回转转速曲线、回转电流曲线及进给压力曲线；

步骤12：建立矿岩匹配关系数据集，数据集内记录内容包括，岩石类型、单轴抗压强度、回转转速、回转电流及进给压力；

表2匹配关系记录表

/>

步骤13：根据步骤12所建立的数据集，以回转转速曲线、回转电流曲线、进给压力曲线为输入层，岩石类型、单轴抗压强度为输出层，搭建神经网络训练模型，进行100次以上训练，得到训练好的神经网络模型；

步骤14：在后续钻进中，将实时采集的回转转速曲线、回转电流曲线及进给压力曲线输入至训练好的神经网络模型中，既实现钻孔过程实时岩石种类判断。

实施例2

在某铁矿采厂，牙轮钻在钻进一炮孔时，在仪表盘正前方安装频闪摄像头以10Hz进行定时抓拍，钻孔时间为60分钟，根据现场摄像头回传2000张图片进行处理。

本发明提供了一种钻孔过程实时岩石种类判断方法，包括以下步骤：

步骤1：选取本矿山200块岩石并制备试件，对所有岩石试件进行单轴抗压强度试验，根据试验结果建立矿山岩石强度及岩石类型数据库；

表1岩石类别与强度匹配表

步骤2：分别在牙轮钻机回转转速表、回转电流表及进给压力表正前方安装基于4G或wifi的频闪摄像头，对作业时的牙轮钻机仪表盘进行定时抓拍并生成图像；

步骤3：首先将获取到的一系列图像无线传输到数据终端；

步骤4：在终端中将所有图像生成灰度图；

步骤5：采用Ostu方法计算图像二值化阈值，记T为前景与背景的分割阈值，前景点数占图像比例为w

u＝w

g＝w

联立两式可得：

步骤6：根据步骤5中计算出的阈值将仪表盘图像数据二值化，以便区分仪表盘及指针；

步骤7：以仪表盘中心为极点，0刻度方向为极坐标轴的正方向，建立极坐标系；

步骤8：设定每一个极角所对应的刻度，极角选择的最小单位为仪表最小量程变化时的角度，建立极角与刻度值的对应关系；

步骤9：利用现有Sobel算子的边缘检测法识别步骤5中的二值化图像的指针位置，该算子包含两组3*3的矩阵，分别为横向及纵向，将之与图像作平面卷积，即可分别得出横向及纵向的亮度差分近似值；

步骤10：根据步骤7中建立的极坐标系，采用步骤8中的对应关系将步骤9中识别的指针位置换算为刻度值；

步骤11：通过图像获取刻度值，并输出钻进实时回转转速曲线、回转电流曲线及进给压力曲线；

步骤12：建立矿岩匹配关系数据集，数据集内记录内容包括，岩石类型、单轴抗压强度、回转转速、回转电流及进给压力；

表2匹配关系记录表

步骤13：根据步骤12所建立的数据集，以回转转速曲线、回转电流曲线、进给压力曲线为输入层，岩石类型、单轴抗压强度为输出层，搭建神经网络训练模型，进行200次以上训练，得到训练好的神经网络模型；

步骤14：在后续钻进中，将实时采集的回转转速曲线、回转电流曲线及进给压力曲线输入至训练好的神经网络模型中，既实现钻孔过程实时岩石种类判断。

本发明通过在牙轮钻作业间安装频闪摄像头监测回转转速表、回转电流表及进给压力表的指针变化，将得到的仪器图像传输到终端，对其进行灰度与二值化处理，根据仪表盘刻度、指针设定极坐标系，建立刻度与极角θ的匹配关系，将监测到的数据记录在矿岩匹配关系数据集中，训练神经网络模型，最终实现通过仪表图像对炮孔内岩性的实时判断。