[0001] 本实用新型涉及一种矿山膏体充填料浆参数图像识别装置，属于矿业工程技术领域。

[0002] 建设绿色矿山是未来矿山的发展的必然趋势，而充填采矿法是实现绿色开采的重要载体。首先充填采矿法可以显著提高矿山资源的回采率，其次可以为矿山开采提供安全保障，最后，充填采矿法是利用矿山废石和尾矿进行充填，因此可以减少尾砂废石在地表堆积，对自然环境起到了很好的保护效果。

[0003] 膏体流变性能是金属矿膏体充填工艺流程的工程基础，是膏体充填技术重要指标，料浆的流变性能很大程度上决定了其输送效果的好坏和井下充填效果。而在膏体的流变参数中膏体的屈服应力是评价膏体流变性能的关键参数，目前得到膏体屈服应力的方式是通过浆体流变仪检测出来的，但是这种方式存在测量时间久、需要多组测量等问题。虽然目前也提出了一些其他预测方法，但是仍然存在着一些不足之处，比如通过坍落度与屈服应力之间的关系对膏体屈服应力进行预测，存在难以推广并且前期需要投入大量的时间和成本进行实验的问题；基于机器学习的预测方式未能考虑到各个变量之间的关系，导致预测准确性降低。实用新型内容

[0004] 针对现有膏体充填中对料浆屈服应力数据获取形式单一且繁琐的问题，本实用新型提出了一种矿山膏体充填料浆参数图像识别装置，即无光干扰的箱体，图像采集装置依靠灯带进行补光，并实时采集膏体充填料浆的图像数据，经计算机的膏体料浆分析测试系统，膏体料浆分析测试系统为现有的膏体流变参数及管道阻力分析软件V1.0，其膏体流变参数及管道阻力分析软件V1.0包括图像预处理系统和图像参数识别系统，图像采集装置实时采集的膏体充填料浆的图像数据依次经图像预处理系统和图像参数识别系统处理计算得出不同浓度状态下膏体料浆屈服应力的预测值。

[0005] 一种矿山膏体充填料浆参数图像识别装置，包括箱体17、搅拌装置、图像采集装置14和计算机16，箱体17内放置储浆桶18，储浆桶18内填充矿山膏体充填料浆，箱体17的顶板内侧面上固定设置有环状灯带1，环状灯带1的圆心位于箱体17的中心纵轴线上，搅拌装置和图像采集装置14均固定设置在箱体17顶板上，搅拌装置和图像采集装置14均位于环状灯带1内，搅拌装置的搅拌桨5竖直向下延伸至储浆桶18的中部，图像采集装置14的镜头6向下穿过箱体17顶板并正对储浆桶18内的矿山膏体充填料浆；搅拌装置和图像采集装置14均通过数据传输线15与计算机16信号连接；

[0006] 所述箱体17为不透光和不反射光的黑箱体，所述计算机16内设置有膏体料浆分析测试系统。

[0007] 所述箱体17顶板上开设有搅拌装置安装孔2，搅拌装置安装孔2内固定设置有环状固定件13，搅拌装置通过环状固定件13固定设置在箱体17顶板上。

[0008] 所述搅拌装置包括搅拌电机9和搅拌桨5，搅拌电机9的输出轴竖直向下穿过箱体17的顶板，搅拌桨5的顶端与搅拌电机9的输出轴固定连接，搅拌桨5的末端固定设置有搅拌桨叶4。

[0009] 所述搅拌电机9为数显搅拌电机，搅拌电机9外壳上设置有液晶显示屏10、搅拌开关键11和转速调节旋钮12。

[0010] 所述图像采集装置14为高清摄像机，箱体17顶板上开设有图像采集装置安装孔3，图像采集装置14通过环形卡扣固定设置在图像采集装置安装孔3，图像采集装置14的镜头6竖直向下穿过图像采集装置安装孔3，图像采集装置14设置有摄像开启按钮8和光圈调节旋钮7。

[0011] 一种矿山膏体充填料浆参数图像识别装置的使用方法，具体步骤如下：

[0012] 1)将不同浓度的待测矿山膏体充填料浆分别填充储浆桶内，再将装有待测矿山膏体充填料浆的储浆桶放置在不透光和不反射光的箱体内，在箱体的顶板上定位安装搅拌装置和图像采集装置；

[0013] 2)开启灯带进行补光，开启图像采集装置检查视域，检查图像光源强度、色温是否为膏体料浆参数测试系统所要求色温(6500K)；

[0014] 3)开启搅拌装置对待测矿山膏体充填料浆进行搅拌，调节搅拌速率至图像采集装置观测到清晰图像；

[0015] 4)待测矿山膏体充填料浆在搅拌装置的搅拌条件下呈现稳定流动状态后，利用图像采集装置实时采集待测矿山膏体充填料浆的图像，可按照每组100f/s帧率录制30s视频数据；

[0016] 5)图像采集装置实时采集待测矿山膏体充填料浆的图像数据经数据传输线传输至计算机的膏体料浆分析测试系统(现有的膏体流变参数及管道阻力分析软件V1.0)，经膏体流变参数及管道阻力分析软件V1.0的图像预处理系统进行预处理得到图像数据集，即基于Python的图像截取，在截取时每组视频数据时长为30s，每组按帧数每30s截取3000张图像，并将3000张图像序列按时间顺序分为600个样本，对输入模型的样本图像数据采用边缘检测(Edge Detection)、全图缩小(Full size shrinking)两种图像处理方式，将图像尺寸由1920×1080像素缩小到224×224像素输入模型，作为图像识别参数系统的图像数据集；

[0017] 6)预处理的图像数据集经膏体流变参数及管道阻力分析软件V1.0的图像参数识别系统进行识别计算得到膏体料浆屈服应力的预测值；具体地，通过3D卷积神经网络(3D CNNs)构成预测模型，该模型通过卷积层和下采样层交替出现堆积而成；图像参数识别系统运行时将图像预处理系统处理后的图像数与系统存储的屈服应力值标签进行匹配构建参数识别数据集，并按照每组8:2的比例分为训练集数据和测试集数据，训练数据集用作于模型的构建和参数调测，模型训练后利用测试数据集检验模型预测效果；通过将图像预处理系统处理后的图像数据与系统存储的屈服应力值标签进行匹配构建参数识别数据集并划分训练集与测试集之后，作为参数输入到所构建的3D卷积神经网络(3D CNNs)屈服应力预测模型进行训练，再通过测试集评估其准确性并进行模型优化，得到不同浓度状态下膏体料浆屈服应力的预测值。

[0018] 膏体料浆分析测试系统(现有的膏体流变参数及管道阻力分析软件V1.0)的图像预处理系统对实时采集待测矿山膏体充填料浆的图像数据进行预处理得到图像数据集，以及预处理的图像数据集经膏体流变参数及管道阻力分析软件V1.0的图像参数识别系统进行识别计算得到膏体料浆屈服应力的预测值；均为现有的膏体流变参数及管道阻力分析软件V1.0的固有特性，其预处理过程和识别计算过程均为现有软件膏体流变参数及管道阻力分析软件V1.0内的计算模型。

[0019] 本实用新型的有益效果是：

[0020] 针对现有膏体充填中对料浆屈服应力数据获取形式单一且繁琐的问题，在对目前其他获取方法优缺点分析的基础上，本实用新型采用无光干扰的箱体，图像采集装置依靠灯带进行补光，并实时采集膏体充填料浆的图像数据，经计算机的膏体料浆分析测试系统对膏体料浆流变参数中的重要指标屈服应力进行预测，在搅拌阶段即可得出料浆流变性能是否可以进行下一步的管输作业，省去了传统过程中搅拌结束后还需使用流变仪进行测定这一步骤，有效提高了矿山膏体充填的效率。

[0026] 下面结合具体实施方式对本实用新型作进一步详细说明，但本实用新型的保护范围并不限于所述内容。

[0027] 实施例1：一种矿山膏体充填料浆参数图像识别装置(见图1‑4)，包括箱体17、搅拌装置、图像采集装置14和计算机16，箱体17内放置储浆桶18，储浆桶18内填充矿山膏体充填料浆，箱体17的顶板内侧面上固定设置有环状灯带1，环状灯带1的圆心位于箱体17的中心纵轴线上，搅拌装置和图像采集装置14均固定设置在箱体17顶板上，搅拌装置和图像采集装置14均位于环状灯带1内，搅拌装置的搅拌桨5竖直向下延伸至储浆桶18的中部，图像采集装置14的镜头6向下穿过箱体17顶板并正对储浆桶18内的矿山膏体充填料浆；搅拌装置和图像采集装置14均通过数据传输线15与计算机16信号连接；所述箱体17为不透光和不反射光的黑箱体，所述计算机16内设置有膏体料浆分析测试系统；

[0028] 膏体料浆分析测试系统为现有的膏体流变参数及管道阻力分析软件V1.0，其膏体流变参数及管道阻力分析软件V1.0包括图像预处理系统和图像参数识别系统，图像采集装置实时采集的膏体充填料浆的图像数据依次经图像预处理系统和图像参数识别系统处理计算得出膏体料浆屈服应力的预测值。

[0029] 实施例2：本实施例矿山膏体充填料浆参数图像识别装置与实施例1矿山膏体充填料浆参数图像识别装置结构基本相同，不同之处在于：箱体17顶板上开设有搅拌装置安装孔2，搅拌装置安装孔2内固定设置有环状固定件13，搅拌装置通过环状固定件13固定设置在箱体17顶板上；

[0030] 所述搅拌装置包括搅拌电机9和搅拌桨5，搅拌电机9的输出轴竖直向下穿过箱体17的顶板，搅拌桨5的顶端与搅拌电机9的输出轴固定连接，搅拌桨5的末端固定设置有搅拌桨叶4；

[0031] 所述搅拌电机9为数显搅拌电机，搅拌电机9外壳上设置有液晶显示屏10、搅拌开关键11和转速调节旋钮12；

[0032] 所述图像采集装置14为高清摄像机，箱体17顶板上开设有图像采集装置安装孔3，图像采集装置14通过环形卡扣固定设置在图像采集装置安装孔3，图像采集装置14的镜头6竖直向下穿过图像采集装置安装孔3，图像采集装置14设置有摄像开启按钮8和光圈调节旋钮7。

[0033] 实施例3：一种矿山膏体充填料浆参数图像识别装置的使用方法，具体步骤如下：

[0034] 1)将不同浓度的待测矿山膏体充填料浆分别填充储浆桶内，再将装有待测矿山膏体充填料浆的储浆桶放置在不透光和不反射光的箱体内，在箱体的顶板上定位安装搅拌装置和图像采集装置；不同浓度的待测矿山膏体充填料浆可采用大红山铜矿全尾砂、PO42.5普通硅酸盐水泥、城市自来水来配制；制备不同配比、不同质量浓度膏体料浆，根据全尾砂级配特征，设置实验膏体料浆的灰砂比为1:4、1:8、1:10和1:20，膏体的料浆质量浓度范围设定为72％～77％，并按1％梯度递增，共计24组实验；

[0035] 2)开启灯带进行补光，开启图像采集装置检查视域，检查图像光源强度、色温是否为膏体料浆参数测试系统所要求色温(6500K)；

[0036] 3)开启搅拌装置对待测矿山膏体充填料浆进行搅拌，调节搅拌速率至图像采集装置观测到清晰图像；

[0037] 4)待测矿山膏体充填料浆在搅拌装置的搅拌条件下呈现稳定流动状态后，利用图像采集装置实时采集待测矿山膏体充填料浆的图像，可按照每组100f/s帧率录制30s视频数据；

[0038] 5)图像采集装置实时采集待测矿山膏体充填料浆的图像数据经数据传输线传输至计算机的膏体料浆分析测试系统(现有的膏体流变参数及管道阻力分析软件V1.0)，经膏体流变参数及管道阻力分析软件V1.0的图像预处理系统进行预处理得到图像数据集，即基于Python的图像截取，在截取时每组视频数据时长为30s，每组按帧数每30s截取3000张图像，并将3000张图像序列按时间顺序分为600个样本，对输入模型的样本图像数据采用边缘检测(Edge Detection)、全图缩小(Full size shrinking)两种图像处理方式，将图像尺寸由1920×1080像素缩小到224×224像素输入模型，作为图像识别参数系统的图像数据集；

[0039] 6)预处理的图像数据集经膏体流变参数及管道阻力分析软件V1.0的图像参数识别系统进行识别计算得到膏体料浆屈服应力的预测值；具体地，通过3D卷积神经网络(3D CNNs)构成预测模型，该模型通过卷积层和下采样层交替出现堆积而成；图像参数识别系统运行时将图像预处理系统处理后的图像数与系统存储的屈服应力值标签进行匹配构建参数识别数据集，并按照每组8:2的比例分为训练集数据和测试集数据，训练数据集用作于模型的构建和参数调测，模型训练后利用测试数据集检验模型预测效果；通过将图像预处理系统处理后的图像数据与系统存储的屈服应力值标签进行匹配构建参数识别数据集并划分训练集与测试集之后，作为参数输入到所构建的3D卷积神经网络(3D CNNs)屈服应力预测模型进行训练，再通过测试集评估其准确性并进行模型优化，得到不同浓度状态下膏体料浆屈服应力的预测值；

[0040] 膏体料浆分析测试系统(现有的膏体流变参数及管道阻力分析软件V1.0)的图像预处理系统对实时采集待测矿山膏体充填料浆的图像数据进行预处理得到图像数据集，以及预处理的图像数据集经膏体流变参数及管道阻力分析软件V1.0的图像参数识别系统进行识别计算得到膏体料浆屈服应力的预测值，均为现有的膏体流变参数及管道阻力分析软件V1.0的固有特性，其预处理过程和识别计算过程均为现有软件膏体流变参数及管道阻力分析软件V1.0内的计算模型。

[0041] 以上对本实用新型的具体实施方式作了详细说明，但是本实用新型并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本实用新型宗旨的前提下做出各种变化。