1.一种三维激光点云多尺度-维度特征的爆堆块度计算方法,其特征在于,包括以下步骤:
S1.三维激光点云多尺度-维度特征的提取:根据预处理后的爆堆三维激光点云数据,通过多尺度-维度特征提取算法进行点云多尺度-维度特征提取,从而获得提取的多尺度-维度特征的结果;
S2.多尺度-维度特征的改进欧式分割方法:根据提取的多尺度-维度特征的结果,采用多特征融合的方式将多尺度-维度特征结合法向量特征作为欧式分割的分割判据;
S3.爆堆块度的计算结果:根据局部改进的参数自适应方法,通过点云最大距离算法对爆堆矿石的块度进行计算,并判断矿石的识别情况,并对局部矿石识别出错的情况进行优化,最终输出识别准确度高的爆堆矿石点云以及爆堆矿石的块度计算结果;
S4.爆堆的块度分布情况:通过爆堆矿石的块度计算结果,根据矿山选矿流程中不同规格破碎机械的矿石出料与进料口径对矿石进行分级统计,得出整个爆堆的块度分布情况;
S1中的多尺度-维度特征提取算法的整体实现流程为:
首先,利用PCA分析不同尺度下训练样本的点云维度特征,其次采用支持向量机构建分类器,根据训练样本的多尺度-维度特征找到最佳分类尺度组合,生成最优分类超平面,最后实现爆堆点云数据的维度特征信息的提取;
S2中法向量特征提取是对点云中某点的局部拟合平面的一种法线估计,法向量特征能够反应点云局部平面的方向;
S3中局部改进的参数自适应方法的流程为:首先,在进行局部改进之前计算矿石分割结果的矿石尺寸;然后人工量测爆堆区域中最大矿石的尺寸,通过比较每块矿石的尺寸以及爆堆区域中最大矿石的尺寸的大小情况,判断出存在粘连现象的矿石,进而对其进行矿石识别结果的局部优化;最后,针对需要优化识别结果的矿石点云,需要再次采用多尺度-维度特征的改进欧式分割方法,重新确定法向量夹角阈值并进行局部的二次分割。
2.根据权利要求1所述的一种三维激光点云多尺度-维度特征的爆堆块度计算方法,其特征在于,S1中提取的多尺度-维度特征的结果用于后续点云分割算法的改进。
3.根据权利要求1所述的一种三维激光点云多尺度-维度特征的爆堆块度计算方法,其特征在于,S1中点云的多尺度-维度特征是对每个点的邻域定义点云维度的多尺度度量。
4.根据权利要求1所述的一种三维激光点云多尺度-维度特征的爆堆块度计算方法,其特征在于,S1中的多尺度-维度特征提取算法对需要分割的点云数据选定训练样本,依靠训练样本找到分类器的最佳尺度组合。
5.根据权利要求1所述的一种三维激光点云多尺度-维度特征的爆堆块度计算方法,其特征在于,S2中根据提取的多尺度-维度特征的结果,爆堆区域矿石根据不同的矿区铲装设备以及粗碎机规格分为细碎矿石以及大块矿石。
6.根据权利要求1所述的一种三维激光点云多尺度-维度特征的爆堆块度计算方法,其特征在于,S4中爆堆块度分布情况通常是将爆堆内的矿石按不同规格进行分级统计,分别求出各块级质量,再求各块级质量占总质量的百分比,从而得出矿石的分级规格。