CN120236007A - 矿石块度分布分析方法、装置、设备以及介质 - Google Patents

Abstract

本发明涉及矿石块度分布分析的技术领域。具体涉及一种矿石块度分布分析方法、装置、设备以及介质，其方法包括获取矿石场内的图像信息和传感设备采集的深度信息；结合深度信息和预处理后的图像信息，通过三维重建算法生成矿石的三维空间坐标信息；将矿石的三维空间坐标信息输入智能块度预测模型中，生成矿石的块度分布信息；利用块度尺寸的标准对矿石的块度分布信息进行校正，剔除矿石的块度分布信息中的异常值，得到优化后的块度分布信息；根据优化后的块度分布信息，计算矿石的大块率分布信息，同时通过可视化图表展示优化后的块度分布信息和矿石的大块率分布信息。本发明具有精准地获取矿石的块度分布信息的效果。

Description

矿石块度分布分析方法、装置、设备以及介质

技术领域

本发明涉及矿石块度分布分析的技术领域，尤其是涉及一种矿石块度分布分析方法、装置、设备以及介质。

背景技术

目前，矿石块度的识别与分布分析是矿山开采，爆破效果评估及后续加工环节中的重要任务。矿石的块度分布直接影响破碎、筛分和运输效率，而准确的块度分布信息不仅能够指导爆破工艺优化，还能提高加工设备的效率，降低能耗。因此，如何快速，精准地获取矿石的块度分布信息，已成为矿山领域的重点研究方向。

发明内容

为了精准地获取矿石的块度分布信息，本申请提供一种矿石块度分布分析方法、装置、设备以及介质。

本申请的上述发明目的一是通过以下技术方案得以实现的：

一种矿石块度分布分析方法，所述矿石块度分布分析方法包括：

获取矿石场内的图像信息和传感设备采集的深度信息；

通过高斯滤波去除所述图像信息的噪声，得到噪声清除后的图像信息，对所述噪声清除后的图像信息进行二值化处理，得到二值化图像信息，进一步对所述二值化图像信息进行形态学腐蚀和膨胀操作，得到预处理后的图像信息；

结合所述深度信息和预处理后的图像信息，通过三维重建算法生成矿石的三维空间坐标信息；将所述矿石的三维空间坐标信息输入智能块度预测模型中，生成矿石的块度分布信息；

利用块度尺寸的标准对所述矿石的块度分布信息进行校正，剔除所述矿石的块度分布信息中的异常值，得到优化后的块度分布信息；

根据所述优化后的块度分布信息，计算矿石的大块率分布信息，同时通过可视化图表展示所述优化后的块度分布信息和所述矿石的大块率分布信息。

通过采用上述技术方案，能够通过对矿石场内图像信息和深度信息的结合处理，精确生成矿石的三维空间坐标信息，从而有效地反映矿石堆场的几何形态。通过高斯滤波、二值化和形态学操作，消除图像噪声并增强矿石边界特征，使预处理后的图像信息具有更高的清晰度和准确性，保证后续三维重建的质量。结合三维重建算法和深度信息，能够有效校正因相机畸变和投影误差引起的坐标偏差，实现高精度的三维点云信息生成，为矿石几何特性分析奠定基础。此外，通过智能块度预测模型对矿石三维空间坐标信息的分析处理，能够自动生成矿石的块度分布信息，快速识别矿石块的几何特征，并准确统计矿石块的尺寸分布比例，有效减少传统方法中人工测量的不准确性和耗时问题。利用块度尺寸的标准对异常值的校正和剔除，确保块度分布信息的准确性和一致性，从而进一步优化信息分析结果。通过基于优化后的块度分布信息计算矿石的大块率分布信息，能够清晰反映目标粒径范围矿石的体积比例，为爆破参数调整和运输工艺优化提供有力的信息支撑。最终，通过可视化图表展示块度分布信息和大块率分布信息，显著提升信息传递的直观性和易用性，使得技术人员能够快速评估矿石堆场的块度分布特性。

本申请在一较佳示例中可以进一步配置为：所述结合所述深度信息和预处理后的图像信息，通过三维重建算法生成矿石的三维空间坐标信息，包括：

从所述预处理后的图像信息中提取边缘像素坐标信息和边界轮廓信息，根据所述边缘像素坐标信息和所述边界轮廓信息，生成初始的二维像素坐标；

利用所述三维重建算法中的内参矩阵对所述初始的二维像素坐标进行校正，生成校正后的二维像素坐标；

利用所述三维重建算法中的外参矩阵将所述校正后的二维像素坐标与所述深度信息相结合，生成初步的三维空间坐标信息；

对所述初步的三维空间坐标信息进行异常值检测，剔除噪声点和离群点，完成后生成所述矿石的三维空间坐标信息。

通过采用上述技术方案，能够从预处理后的图像信息中准确提取边缘像素坐标信息和边界轮廓信息，有效保留矿石区域的几何特征，并生成初始的二维像素坐标，为后续的三维重建提供可靠的输入信息。通过内参矩阵对二维像素坐标进行校正，消除镜头畸变和光学失真导致的像素偏移，确保校正后的二维像素坐标能够更加真实地反映矿石在图像中的位置，从而提高三维重建的精度。结合外参矩阵对校正后的二维像素坐标与深度信息进行映射，能够高效生成初步的三维空间坐标信息，确保每个像素点的空间位置准确映射到全局坐标系中，有效地反映矿石堆的几何结构。通过对初步三维空间坐标信息的异常值检测，剔除噪声点和离群点，能够显著提高三维点云信息的质量，避免因噪声或异常点对后续信息分析和处理的影响，从而生成精确、连续的矿石三维空间坐标信息。

本申请在一较佳示例中可以进一步配置为：所述利用所述三维重建算法中的内参矩阵对所述初始的二维像素坐标进行校正，生成校正后的二维像素坐标，包括：

基于所述内参矩阵中的参数对所述二维像素坐标进行光学畸变校正，通过以下公式消除镜头畸变影响，生成校正后的二维像素坐标：

其中，所述u为所述二维像素坐标在水平方向的值，所述v为所述二维像素坐标在垂直方向的值，所述x′为所述校正后的二维像素坐标在水平方向的值，所述y′为所述校正后的二维像素坐标在垂直方向的值，所述f_x为所述内参矩阵的水平方向焦距参数，所述f_y为所述内参矩阵的垂直方向焦距参数，所述c_x为相机主点的横向坐标，所述c_y为相机主点的纵向坐标。

通过采用上述技术方案，能够基于内参矩阵中的参数对二维像素坐标进行精确的光学畸变校正，通过公式校正消除了因镜头畸变造成的像素偏移和几何变形问题，从而有效恢复图像中像素点的真实空间位置。通过水平方向焦距参数和垂直方向焦距参数的校正，调整了图像比例失真问题，使校正后的二维像素坐标在水平方向和垂直方向上更加精确。同时，利用相机主点的横向坐标和纵向坐标对像素点的偏移进行补偿，有效对齐了像素点在图像中心点的映射位置，从而确保像素分布的对称性和准确性。

本申请在一较佳示例中可以进一步配置为：所述利用所述三维重建算法中的外参矩阵将所述校正后的二维像素坐标与所述深度信息相结合，生成初步的三维空间坐标信息，包括：

基于所述外参矩阵中的旋转矩阵和平移向量，将所述校正后的二维像素坐标与所述深度信息相结合，通过以下公式计算所述初步的三维空间坐标信息标：

其中，所述X为三维空间坐标在水平方向的值，所述Y为三维空间坐标在垂直方向的值，所述Z为所述深度信息，所述R为所述外参矩阵中的所述旋转矩阵，所述T为所述外参矩阵中的所述平移向量，x′和y′分别为所述校正后的二维像素坐标的水平方向值和垂直方向值。

通过采用上述技术方案，能够基于外参矩阵中的旋转矩阵和平移向量，将校正后的二维像素坐标与深度信息高效结合，通过公式精确计算出初步的三维空间坐标信息。旋转矩阵能够准确描述相机坐标系与全局坐标系之间的旋转关系，从而对二维像素坐标进行方向上的转换和对齐，平移向量能够补偿相机坐标系相对于全局坐标系的位移，使得坐标点从相机视角映射到实际空间位置。深度信息的结合保证了每个像素点的空间位置具备实际的三维深度值，能够完整反映矿石堆场的几何结构特征。

本申请在一较佳示例中可以进一步配置为：所述将所述矿石的三维空间坐标信息输入智能块度预测模型中，生成矿石的块度分布信息，包括：

对所述矿石的三维空间坐标信息进行特征提取，提取矿石特征信息；

根据所述矿石特征信息，利用预设的矿石分类标准对矿石进行分类，确定每个矿石的尺寸范围，并生成矿石分类结果；

对所述矿石分类结果中的矿石尺寸范围进行统计分析，按照不同尺寸范围计算所述矿石的数量比例，生成所述矿石的块度分布信息。

通过采用上述技术方案，能够对矿石的三维空间坐标信息进行精准的特征提取，有效获取矿石的几何特征信息，包括体积、表面积、外接球直径和长宽高比等特征，为后续分类和分析提供全面而精确的基础信息。通过结合预设的矿石分类标准，可以将矿石按照尺寸范围进行高效分类，自动生成分类结果，避免了传统人工分类过程中存在的误差和效率低下问题，确保矿石分类的准确性和一致性。

本申请在一较佳示例中可以进一步配置为：所述利用块度尺寸的标准对所述矿石的块度分布信息进行校正，剔除所述矿石的块度分布信息中的异常值，得到优化后的块度分布信息，包括：

根据所述预设的块度尺寸标准，对所述矿石的块度分布信息中的矿石尺寸逐一进行比对，在比对过程中，识别超出所述块度尺寸标准范围的所述异常值；

将所述异常值从所述矿石的块度分布信息中剔除，得到剔除异常值后的矿石尺寸信息，根据所述剔除异常值后的矿石尺寸信息，重新计算所述矿石的块度分布信息，得到重新计算后的矿石块度分布信息；

对所述重新计算后的矿石块度分布信息进行统计，按照校正后的矿石尺寸范围重新划分不同块度范围的矿石比例，生成优化后的矿石块度分布信息。

通过采用上述技术方案，能够根据预设的块度尺寸标准对矿石块度分布信息中的矿石尺寸进行逐一比对，有效识别并剔除超出块度尺寸标准范围的异常值，从而避免异常信息对块度分布信息准确性造成的干扰。通过剔除异常值后，重新计算矿石的块度分布信息，可以确保信息的完整性和真实性，使计算结果更加符合实际情况。此外，对重新计算后的矿石块度分布信息进行统计，并按照校正后的矿石尺寸范围重新划分不同块度范围的比例，能够全面反映矿石块度的真实分布情况，生成的优化后块度分布信息具有更高的精度和一致性。

本申请在一较佳示例中可以进一步配置为：所述根据所述优化后的块度分布信息，计算矿石的大块率分布信息，包括：

从所述优化后的块度分布信息中获取矿石各粒径范围的体积占比信息；

获取目标粒径阈值，将所述矿石各粒径范围的体积占比信息与所述目标粒径阈值进行比对，生成大于所述目标粒径阈值的矿石粒径体积占比信息；

将所述矿石粒径体积占比信息进行归一化整理，计算大于所述目标粒径阈值的矿石体积占比在总矿石体积中的比例，得到所述矿石的大块率分布信息。

通过采用上述技术方案，能够从优化后的块度分布信息中高效提取矿石各粒径范围的体积占比信息，为后续分析提供精确的信息基础。通过设定目标粒径阈值，将提取的粒径体积占比信息与目标粒径阈值进行逐一比对，能够准确识别和筛选出大于目标粒径范围的矿石体积信息，从而生成大于目标粒径阈值的矿石粒径体积占比信息，实现对目标粒径范围矿石的精准分类。此外，通过对矿石粒径体积占比信息进行归一化整理，能够有效消除不同信息规模带来的影响，使得体积占比结果更加标准化和可比，进一步计算大于目标粒径阈值的矿石体积占比在总矿石体积中的比例，生成矿石的大块率分布信息。大块率分布信息能够直观反映目标粒径以上矿石在整体矿石堆中的占比，为矿山爆破效果评价、运输设备选择以及后续加工工艺优化提供重要的信息支撑。

本申请的上述发明目的二是通过以下技术方案得以实现的：

一种矿石块度分布分析装置，所述矿石块度分布分析装置包括：

矿石图像与深度信息获取模块，用于获取矿石场内的图像信息和传感设备采集的深度信息；图像预处理模块，用于通过高斯滤波去除所述图像信息的噪声，得到噪声清除后的图像信息，对所述噪声清除后的图像信息进行二值化处理，得到二值化图像信息，进一步对所述二值化图像信息进行形态学腐蚀和膨胀操作，得到预处理后的图像信息；

三维空间坐标生成模块，用于结合所述深度信息和预处理后的图像信息，通过三维重建算法生成矿石的三维空间坐标信息；

块度分布生成模块，用于将所述矿石的三维空间坐标信息输入智能块度预测模型中，生成矿石的块度分布信息；

块度分布校正模块，用于利用块度尺寸的标准对所述矿石的块度分布信息进行校正，剔除所述矿石的块度分布信息中的异常值，得到优化后的块度分布信息；

大块率计算与可视化模块，用于根据所述优化后的块度分布信息，计算矿石的大块率分布信息，同时通过可视化图表展示所述优化后的块度分布信息和所述矿石的大块率分布信息。

通过采用上述技术方案，能够通过对矿石场内图像信息和深度信息的结合处理，精确生成矿石的三维空间坐标信息，从而有效地反映矿石堆场的几何形态。通过高斯滤波、二值化和形态学操作，消除图像噪声并增强矿石边界特征，使预处理后的图像信息具有更高的清晰度和准确性，保证后续三维重建的质量。结合三维重建算法和深度信息，能够有效校正因相机畸变和投影误差引起的坐标偏差，实现高精度的三维点云信息生成，为矿石几何特性分析奠定基础。此外，通过智能块度预测模型对矿石三维空间坐标信息的分析处理，能够自动生成矿石的块度分布信息，快速识别矿石块的几何特征，并准确统计矿石块的尺寸分布比例，有效减少传统方法中人工测量的不准确性和耗时问题。利用块度尺寸的标准对异常值的校正和剔除，确保块度分布信息的准确性和一致性，从而进一步优化信息分析结果。通过基于优化后的块度分布信息计算矿石的大块率分布信息，能够清晰反映目标粒径范围矿石的体积比例，为爆破参数调整和运输工艺优化提供有力的信息支撑。最终，通过可视化图表展示块度分布信息和大块率分布信息，显著提升信息传递的直观性和易用性，使得技术人员能够快速评估矿石堆场的块度分布特性

本申请的上述目的三是通过以下技术方案得以实现的：

一种设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述矿石块度分布分析方法的步骤。

本申请的上述目的四是通过以下技术方案得以实现的：

一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述矿石块度分布分析方法的步骤。

综上所述，本申请包括以下至少一种有益技术效果：

1、能够通过对矿石场内图像信息和深度信息的结合处理，精确生成矿石的三维空间坐标信息，从而有效地反映矿石堆场的几何形态。通过高斯滤波、二值化和形态学操作，消除图像噪声并增强矿石边界特征，使预处理后的图像信息具有更高的清晰度和准确性，保证后续三维重建的质量。结合三维重建算法和深度信息，能够有效校正因相机畸变和投影误差引起的坐标偏差，实现高精度的三维点云信息生成，为矿石几何特性分析奠定基础。此外，通过智能块度预测模型对矿石三维空间坐标信息的分析处理，能够自动生成矿石的块度分布信息，快速识别矿石块的几何特征，并准确统计矿石块的尺寸分布比例，有效减少传统方法中人工测量的不准确性和耗时问题。利用块度尺寸的标准对异常值的校正和剔除，确保块度分布信息的准确性和一致性，从而进一步优化信息分析结果。通过基于优化后的块度分布信息计算矿石的大块率分布信息，能够清晰反映目标粒径范围矿石的体积比例，为爆破参数调整和运输工艺优化提供有力的信息支撑。最终，通过可视化图表展示块度分布信息和大块率分布信息，显著提升信息传递的直观性和易用性，使得技术人员能够快速评估矿石堆场的块度分布特性；

2、能够对矿石的三维空间坐标信息进行精准的特征提取，有效获取矿石的几何特征信息，包括体积、表面积、外接球直径和长宽高比等特征，为后续分类和分析提供全面而精确的基础信息。通过结合预设的矿石分类标准，可以将矿石按照尺寸范围进行高效分类，自动生成分类结果，避免了传统人工分类过程中存在的误差和效率低下问题，确保矿石分类的准确性和一致性；

3、能够根据预设的块度尺寸标准对矿石块度分布信息中的矿石尺寸进行逐一比对，有效识别并剔除超出块度尺寸标准范围的异常值，从而避免异常信息对块度分布信息准确性造成的干扰。通过剔除异常值后，重新计算矿石的块度分布信息，可以确保信息的完整性和真实性，使计算结果更加符合实际情况。此外，对重新计算后的矿石块度分布信息进行统计，并按照校正后的矿石尺寸范围重新划分不同块度范围的比例，能够全面反映矿石块度的真实分布情况，生成的优化后块度分布信息具有更高的精度和一致性。

附图说明

图1是本申请一实施例中矿石块度分布分析方法的一流程图；

图2是本申请一实施例中矿石块度分布分析方法中步骤S30中的实现流程图；

图3是本申请一实施例中矿石块度分布分析方法中步骤S302中的实现流程图；

图4是本申请一实施例中矿石块度分布分析方法中步骤S303中的实现流程图；

图5是本申请一实施例中矿石块度分布分析方法中步骤S40中的实现流程图；

图6是本申请一实施例中矿石块度分布分析方法中步骤S50中的实现流程图；

图7是本申请一实施例中矿石块度分布分析方法中步骤S60中的实现流程图；

图8是本申请一实施例中矿石块度分布分析装置的一原理框图；

图9是本申请一实施例中的设备示意图。

具体实施方式

以下结合附图对本申请作进一步详细说明。

在一实施例中，如图1所示，本申请公开了一种矿石块度分布分析方法，具体包括如下步骤：

S10：获取矿石场内的图像信息和传感设备采集的深度信息。

具体地，获取矿石场内的图像信息时，使用高分辨率摄像设备对矿石堆场进行多角度、多位置的拍摄，调整摄像设备的拍摄高度和焦距以覆盖整个矿石堆场，保证画面清晰且矿石表面细节可见，深度信息的获取通过安装激光雷达或结构光深度传感器实现，通过激光雷达测量矿石堆表面每一点到传感器之间的距离，并通过时间飞行法或三角测量法对深度信息进行记录，同时将深度传感器的信息与摄像设备的图像信息进行像素点的逐一对齐，通过相机标定后的内参矩阵将深度信息与图像信息进行坐标映射，从而同时获得矿石场的图像信息和深度信息。

S20：通过高斯滤波去除图像信息的噪声，得到噪声清除后的图像信息，对噪声清除后的图像信息进行二值化处理，得到二值化图像信息，进一步对二值化图像信息进行形态学腐蚀和膨胀操作，得到预处理后的图像信息。

具体地，通过高斯滤波去除图像信息的噪声时，首先选取合适的二维高斯滤波器核，其大小依据图像分辨率和噪声强度进行设定，高斯滤波器核通过构建二维高斯函数实现，高斯函数的公式为：其中，x和y分别为当前像素点与滤波器中心像素点的水平和垂直距离，σ为高斯分布的标准差，用于控制滤波器的平滑程度，滤波器对图像进行卷积操作时，将图像中每个像素的值与其邻域像素按照高斯函数分布的权重进行加权平均，计算后的值替代中心像素点的值，从而有效去除随机噪声的干扰，同时保留图像中的边缘细节，得到噪声清除后的图像信息。对噪声清除后的图像信息进行二值化处理时，首先将灰度图像的像素值映射到固定范围内(如0到255)，然后设定一个二值化阈值，该阈值可以通过固定阈值或Otsu算法动态计算确定，对于像素值大于阈值的部分赋值为1(前景像素)，对于像素值小于或等于阈值的部分赋值为0(背景像素)，从而生成二值化图像信息，二值化的结果保留了矿石区域的主要轮廓信息，同时去除了不相关的背景信息。进一步对二值化图像信息进行形态学腐蚀和膨胀操作时，腐蚀操作通过选取一个结构元素(如3×3或5×5的正方形结构)，将结构元素的中心像素与其邻域像素进行逻辑与运算，只有当结构元素覆盖范围内的所有像素均为前景像素时，中心像素才保留为前景像素，否则置为背景像素，从而实现对二值化图像中孤立噪点的移除和边界的收缩，膨胀操作通过相同的结构元素进行逻辑或运算，当结构元素覆盖范围内的任意一个像素为前景像素时，中心像素即为前景像素，从而填补矿石区域的断裂或空隙，增强矿石边界的连贯性，经过腐蚀和膨胀处理后，生成更加完整、连贯的矿石区域，完成对图像信息的预处理。

S30：结合深度信息和预处理后的图像信息，通过三维重建算法生成矿石的三维空间坐标信息。

具体地，结合深度信息和预处理后的图像信息时，首先从预处理后的图像中提取矿石表面的边缘像素坐标信息和边界轮廓信息，边缘像素坐标信息的提取可以通过对图像像素梯度的计算完成，通过设置阈值检测边缘像素点并提取连通的边界轮廓信息，确定矿石块的基本二维形状，将这些边缘像素点的二维坐标作为初始的图像特征信息，与深度信息中的每个像素点的深度值进行逐一对应匹配。通过三维重建算法，利用摄像设备的内参矩阵对提取的二维像素坐标进行校正，内参矩阵包含摄像设备的光学特性参数，通过对二维像素坐标的校正消除因光学畸变引起的像素偏移，得到校正后的像素坐标，校正后的像素坐标与深度信息结合后，初步生成相机坐标系下的三维坐标信息。进一步，通过三维重建算法中的外参矩阵完成坐标转换，外参矩阵包含旋转矩阵和平移向量，旋转矩阵用于描述相机坐标系与全局坐标系之间的旋转关系，平移向量用于描述相机坐标系到全局坐标系的位移关系，通过外参矩阵将相机坐标系下的三维坐标信息转换到全局坐标系中，最终生成全局坐标系下的三维空间坐标信息。

S40：将矿石的三维空间坐标信息输入智能块度预测模型中，生成矿石的块度分布信息。

具体地，通过将三维空间坐标信息作为输入信息，首先提取每个矿石块的空间几何特征，包括体积、表面积和外接球直径等参数，体积通过分析三维点云信息中所有点的空间分布关系确定，表面积通过点云中各点的连接面计算获得，而外接球直径则通过在三维坐标信息中拟合矿石块的最小外接球体的直径值完成，提取出的几何特征信息可以用来描述矿石块的形态和尺寸。随后，根据预设的矿石粒径区间标准，结合三维空间几何特征对矿石进行分类，通过对每个矿石块的几何参数与标准粒径范围进行比对，将矿石块划分到相应的粒径区间中，分类后统计各粒径区间内矿石块的数量，体积比例以及占总矿石堆的体积百分比，将这些分类结果作为矿石块度分布信息的基础信息。在完成分类和统计后，对分类后的信息进行进一步处理，通过对每个粒径区间的矿石数量和体积比例进行累计计算，生成完整的块度分布信息表，块度分布信息表中记录了矿石块的粒径分布及每个粒径范围的比例信息，最终输出矿石的块度分布信息。

S50：利用块度尺寸的标准对矿石的块度分布信息进行校正，剔除矿石的块度分布信息中的异常值，得到优化后的块度分布信息。

具体地，根据块度尺寸标准，对矿石的块度分布信息中的粒径范围逐一进行比较，通过检测超出块度尺寸范围的矿石信息来识别异常值，对识别出的异常值进行处理，包括重新计算其粒径尺寸或者直接将其从信息集中剔除，在剔除异常值后，重新统计各粒径范围的矿石体积占比，更新后的统计信息记录为优化后的块度分布信息，优化后的信息覆盖所有符合块度尺寸标准的矿石粒径范围，并通过校正后的信息减少因异常点引入的误差。

S60：根据优化后的块度分布信息，计算矿石的大块率分布信息，同时通过可视化图表展示优化后的块度分布信息和矿石的大块率分布信息。

具体地，根据优化后的块度分布信息，首先设定一个目标粒径阈值，该阈值可以根据矿石加工设备的输入要求或者运输标准确定，目标粒径阈值用于区分大块矿石和小块矿石，通过对优化后的块度分布信息中每个粒径范围的体积信息进行逐一筛选，选取粒径大于该目标阈值的矿石信息，提取大于目标粒径阈值的矿石体积占比信息，并将其与矿石总体积进行比对，计算出大块矿石占总矿石堆体积的比例，记录该比例为矿石的大块率。在计算完成大块率分布信息后，将优化后的块度分布信息和大块率分布信息整理为可视化信息，通过构建直方图、饼图或分布曲线图等方式展示结果，直方图用于展示不同粒径范围的矿石比例分布，饼图用于展示不同粒径矿石所占总体积的比例，分布曲线则用于展示矿石块度的变化趋势和大块率的波动情况，将这些图表以清晰，直观的方式展示，便于用户快速了解矿石的块度分布特性以及大块率统计结果。

在一实施例中，如图2所示，在步骤S30中，即结合深度信息和预处理后的图像信息，通过三维重建算法生成矿石的三维空间坐标信息，包括：

S301：从预处理后的图像信息中提取边缘像素坐标信息和边界轮廓信息，根据边缘像素坐标信息和边界轮廓信息，生成初始的二维像素坐标。

具体地，从预处理后的图像信息中提取边缘像素坐标信息时，可以采用边缘检测算法完成，使用Canny边缘检测算法时，首先对图像进行灰度化处理，再通过计算像素的梯度强度和方向，标记图像中灰度变化剧烈的像素为边缘像素，接着应用非极大值抑制去除虚假边缘点，仅保留梯度方向上具有局部最大值的像素作为有效边缘像素点，最终通过双阈值检测和边缘跟踪连接形成完整的边缘信息，根据提取的边缘像素点生成矿石块的边界轮廓信息，轮廓信息可以通过像素点的连通性分析获得，将这些边缘像素点的坐标整理为初始的二维像素坐标。

S302：利用三维重建算法中的内参矩阵对初始的二维像素坐标进行校正，生成校正后的二维像素坐标。

具体地，利用内参矩阵对初始的二维像素坐标进行校正时，首先根据相机内参矩阵中的焦距参数和光学中心点的坐标，对初始二维像素坐标进行畸变矫正，通过分析图像中的光学失真情况，调整每个像素点在水平方向和垂直方向上的位置，将偏移的像素点重新映射到矫正后的坐标位置，内参校正不仅可以消除因镜头畸变导致的图像扭曲，还可以调整初始二维像素坐标的比例和分布，使矫正后的二维像素坐标更符合相机模型的光学特性，并为后续的深度信息结合和三维重建提供精确的输入。

S303：利用三维重建算法中的外参矩阵将校正后的二维像素坐标与深度信息相结合，生成初步的三维空间坐标信息。

具体地，利用三维重建算法中的外参矩阵将校正后的二维像素坐标与深度信息相结合时，首先通过将校正后的二维像素坐标与深度信息逐一匹配，每个像素点的深度值表示其距离相机光学中心的实际距离，通过深度信息的结合，将每个像素点从二维图像平面映射到三维空间中，初步生成相机坐标系下的三维坐标信息，随后，通过外参矩阵完成坐标系的转换，外参矩阵包含旋转矩阵和平移向量，旋转矩阵用于将相机坐标系中的三维坐标点旋转到全局坐标系的方向，平移向量用于将旋转后的三维坐标点平移到全局坐标系的基准位置，同时，为了确保信息的连续性，对可能出现的不连续深度点通过加权平均法对深度值进行平滑处理，完成信息修正后，将所有点坐标统一存储为全局坐标系下的点云信息，生成初步的三维空间坐标信息。

S304：对初步的三维空间坐标信息进行异常值检测，剔除噪声点和离群点，完成后生成矿石的三维空间坐标信息。

具体地，对初步的三维空间坐标信息进行异常值检测时，首先通过对点云信息中的每个点进行邻域分析，统计每个点与其邻域点的距离均值和分布特性，根据设定的距离阈值识别异常点，当某个点与其邻域的平均距离显著高于阈值时，该点被标记为噪声点或离群点，随后通过聚类分析进一步验证每个点的空间分布，应用密度聚类算法(如DBSCAN)对点云进行聚类，将点云中连接紧密的区域划分为有效点簇，而孤立的点或小型点簇被标记为离群点。对于识别出的噪声点和离群点，采用直接剔除或平滑修正的方式进行处理，剔除时将噪声点直接从点云信息中移除，避免其对三维坐标的整体分布造成干扰，修正时根据噪声点的邻域分布对其位置进行重新估算，通过加权平均邻域点的位置计算新的坐标值，进一步确保点云信息的连续性和精确性，在完成异常值处理后，对所有剩余点进行重新整理，将有效的三维点云信息按全局坐标系排序和存储，最终生成矿石三维空间坐标信息。

在一实施例中，如图3所示，在步骤S302中，即利用三维重建算法中的内参矩阵对初始的二维像素坐标进行校正，生成校正后的二维像素坐标，包括：

S3021：基于内参矩阵中的参数对二维像素坐标进行光学畸变校正，通过以下公式消除镜头畸变影响，生成校正后的二维像素坐标：

其中，u为二维像素坐标在水平方向的值，v为二维像素坐标在垂直方向的值，x′为校正后的二维像素坐标在水平方向的值，y′为校正后的二维像素坐标在垂直方向的值，f_x为内参矩阵的水平方向焦距参数，f_y为内参矩阵的垂直方向焦距参数，c_x为相机主点的横向坐标，c_y为相机主点的纵向坐标。

具体地，光学畸变校正时，首先从相机的内参矩阵中提取水平方向焦距参数、垂直方向焦距参数以及光学中心点的横向和纵向坐标，随后根据相机的透视投影模型，对二维像素坐标进行几何映射计算，通过调整像素点的坐标位置，将因镜头畸变导致的扭曲效果进行校正，特别是对图像边缘区域的像素点，其偏移量通常较大，通过校正公式逐点修正每个像素点的位置，将其真实的像素位置映射回到无畸变的像素坐标系中。在进行校正的过程中，考虑到镜头的径向畸变和切向畸变特性，依据校正公式对每个像素的径向偏移和切向偏移分别计算出校正量，再对初始的二维像素坐标进行位置调整，使得每个像素点的位置符合理想投影模型的要求，校正后生成的二维像素坐标保留了图像的实际几何特性，同时消除了因光学畸变导致的几何变形，最终完成校正后的二维像素坐标的生成。

例如：光学畸变校正时，首先从内参矩阵中提取摄像设备的参数，包括水平方向焦距参数f_x＝800像素、垂直方向焦距参数f_y＝800像素、光学中心点的横向坐标c_x＝640、纵向坐标c_y＝360，然后将初始的二维像素坐标代入校正公式逐点校正，假设初始的二维像素坐标值为u＝700，v＝400。根据校正公式计算，首先计算校正后的水平方向像素坐标，接着计算校正后的垂直方向像素坐标，经过计算，校正后的二维像素坐标为x′＝0.075，y′＝0.05。

在一实施例中，如图4所示，在步骤S303中，即利用三维重建算法中的外参矩阵将校正后的二维像素坐标与深度信息相结合，生成初步的三维空间坐标信息，包括：

S3031：基于外参矩阵中的旋转矩阵和平移向量，将校正后的二维像素坐标与深度信息相结合，通过以下公式计算初步的三维空间坐标信息标：

其中，X为三维空间坐标在水平方向的值，Y为三维空间坐标在垂直方向的值，Z为深度信息，R为外参矩阵中的旋转矩阵，T为外参矩阵中的平移向量，x′和y′分别为校正后的二维像素坐标的水平方向值和垂直方向值。

具体地，利用外参矩阵中的旋转矩阵和平移向量将校正后的二维像素坐标与深度信息相结合时，首先通过深度信息确定像素点的深度值，将深度值作为该像素点在相机坐标系中的Z轴值，并利用校正后的二维像素坐标计算其在相机坐标系中的X轴值和Y轴值，随后通过将相机坐标系中的三维坐标信息与外参矩阵中的旋转矩阵和平移向量进行矩阵运算，完成从相机坐标系到全局坐标系的转换。旋转矩阵用于描述相机坐标系与全局坐标系之间的旋转关系，将像素点的三维坐标值按照旋转矩阵的计算规则进行旋转变换，将原始的三维坐标值映射到全局坐标系的方向上，平移向量用于描述相机坐标系的原点相对于全局坐标系的偏移位置，通过对旋转后的三维坐标值添加平移向量的位移量，将像素点的坐标位置从相机坐标系的参考框架转换到全局坐标系的参考框架，经过旋转和平移操作，生成初步的三维空间坐标信息。

例如，利用外参矩阵中的旋转矩阵和平移向量将校正后的二维像素坐标与深度信息相结合时，假设某个校正后的二维像素坐标的值为x′＝0.1，y′＝0.2，深度信息对应的深度值为Z＝2.5米，外参矩阵中的旋转矩阵R为：平移向量T为：通过深度值将校正后的二维像素坐标转换为相机坐标系中的三维坐标值，计算得到：接着，通过旋转矩阵和平移向量将相机坐标系的三维坐标转换到全局坐标系，计算如下：三维空间坐标在全局坐标系中的值为X＝0.75、Y＝1.0，Z＝3.5。

在一实施例中，如图5所示，在步骤S40中，即将矿石的三维空间坐标信息输入智能块度预测模型中，生成矿石的块度分布信息，包括：

S401：对矿石的三维空间坐标信息进行特征提取，提取矿石特征信息。

具体地，对矿石的三维空间坐标信息进行特征提取时，首先通过分析三维点云信息中点的空间分布情况，提取每个矿石块的几何特征，包括矿石块的体积、表面积、外接球直径和形状特征，体积的提取通过构建点云的凸包算法实现，将矿石的三维点云包裹在最小凸包中并计算其包含的体积值，表面积通过提取点云中每个矿石块的表面网格结构并求和完成，外接球直径通过对点云中所有点的位置拟合最小包围球后计算球的直径值，形状特征则通过分析点云的长宽高比和表面光滑度进行提取，将这些几何特征整理为矿石特征信息。

S402：根据矿石特征信息，利用预设的矿石分类标准对矿石进行分类，确定每个矿石的尺寸范围，并生成矿石分类结果。

具体地，根据矿石特征信息对矿石进行分类时，首先将每个矿石块的特征信息与预设的矿石分类标准进行逐一比对，分类标准包含粒径的区间范围，例如将矿石分为小块(粒径小于50mm)、中块(粒径在50mm到200mm之间)和大块(粒径大于200mm)，通过将矿石块的外接球直径或点云长宽高比等特征值与分类标准匹配，确定每个矿石块所属的尺寸范围，随后将矿石块按所属类别进行归类，生成分类结果，分类结果包括每个尺寸范围内矿石块的数量以及对应的几何特征，分类过程采用高效的搜索算法完成，确保矿石块的分类准确且快速。

进一步地，搜索算法是指二分搜索算法，二分搜索算法用于将分类标准的区间范围按照大小顺序排序后，对矿石块的特征值采用二分法进行查找，每次将分类区间范围分为两部分，判断特征值所属的区间位置，从而快速定位矿石块所属分类。

S403：对矿石分类结果中的矿石尺寸范围进行统计分析，按照不同尺寸范围计算矿石的数量比例，生成矿石的块度分布信息。

具体地，对矿石分类结果中的矿石尺寸范围进行统计分析时，首先统计每个尺寸范围内矿石块的数量，并计算该尺寸范围内的矿石体积占总矿石体积的比例，统计时通过对每个分类结果中的矿石块逐一求和，累加得到每个分类的矿石数量和总体积，接着根据分类结果中所有矿石块的总数和总体积，计算每个尺寸范围的数量比例和体积比例，将这些比例信息整理成块度分布信息，块度分布信息记录了不同粒径范围内的矿石数量和体积的分布比例。

在一实施例中，如图6所示，在步骤S50中，即利用块度尺寸的标准对矿石的块度分布信息进行校正，剔除矿石的块度分布信息中的异常值，得到优化后的块度分布信息，包括：

S501：根据预设的块度尺寸标准，对矿石的块度分布信息中的矿石尺寸逐一进行比对，在比对过程中，识别超出块度尺寸标准范围的异常值。

具体地，根据预设的块度尺寸标准，对矿石块度分布信息中的矿石尺寸进行逐一比对时，首先按照块度尺寸标准对矿石粒径的上下限范围进行设定，例如标准规定的小块范围为粒径小于50mm，中块范围为50-200mm，大块范围为大于200mm，然后将每个矿石块的粒径特征值(如外接球直径或长宽高比)与预设的分类区间进行比较，检查是否存在粒径特征值超出上述标准范围的矿石信息，当某个矿石块的粒径值高于最大粒径值或低于最小粒径值时，将该矿石块标记为异常值。

S502：将异常值从矿石的块度分布信息中剔除，得到剔除异常值后的矿石尺寸信息，根据剔除异常值后的矿石尺寸信息，重新计算矿石的块度分布信息，得到重新计算后的矿石块度分布信息。

具体地，将异常值从矿石的块度分布信息中剔除时，首先从标记的异常值列表中逐一读取每个异常矿石块的粒径特征值及其对应分类，结合块度分布信息的信息结构定位到异常值所在的分类区间，将其从原分类区间中移除，同时对分类区间内的剩余矿石数量和体积信息进行调整，确保异常值剔除后信息的一致性和完整性，剔除过程针对所有异常值进行重复操作，直到块度分布信息中不再包含任何异常值。在剔除异常值后的矿石尺寸信息基础上，对矿石的块度分布信息重新进行统计和计算，重新计算时，首先统计每个分类区间内矿石块的数量，对剔除异常值后的所有矿石块的体积进行累计，得到每个分类区间的体积信息，随后计算每个分类区间的体积占比，通过将分类区间内的体积信息与剔除异常值后的矿石总体积进行归一化处理，重新计算每个分类区间的体积比例，整理重新计算后的体积比例信息和数量信息，将其作为重新计算后的矿石块度分布信息。例如，假设某分类区间(如50-200mm的中块区间)在剔除异常值前包含10个矿石块，总体积为200立方米，其中1个异常矿石块的体积为50立方米，剔除后，中块区间的矿石块数量调整为9个，总体积调整为150立方米，随后通过对调整后的中块区间体积和总矿石体积(假设剔除异常值后的总矿石体积为1000立方米)进行计算，重新得到中块区间的体积比例为15％。完成剔除和重新计算后，整理结果为完整的重新计算后的矿石块度分布信息

S503：对重新计算后的矿石块度分布信息进行统计，按照校正后的矿石尺寸范围重新划分不同块度范围的矿石比例，生成优化后的矿石块度分布信息。

具体地，对重新计算后的矿石块度分布信息进行统计时，首先根据校正后的矿石尺寸范围对重新计算后的信息进行分组，矿石尺寸范围按照预设的粒径区间划分，例如设置小块：粒径小于50mm，中块：粒径在50-200mm之间和大块：粒径大于200mm，将每个矿石块的粒径信息逐一比对校正后的尺寸范围，将其分配到对应的分类区间内。在完成矿石块的重新分类后，统计每个分类区间内的矿石数量和体积信息，矿石数量通过对分类区间内矿石块逐一计数完成，体积信息通过对每个分类区间内所有矿石块的体积值进行累加计算得到，同时，统计每个分类区间的体积占比，体积占比的计算通过将分类区间的体积值与剔除异常值后的总矿石体积进行比对归一化完成，确保统计结果能够准确反映各分类区间内矿石的比例分布。最后，将统计结果整理为优化后的矿石块度分布信息，优化后的块度分布信息包含每个分类区间的矿石数量、体积值以及体积占比等信息。例如，重新计算后的信息中包含50个矿石块，校正后的总矿石体积为1000立方米，统计后发现小块(粒径小于50mm)的矿石数量为20个，总体积为200立方米，中块(粒径在50-200mm之间)的矿石数量为25个，总体积为500立方米，大块(粒径大于200mm)的矿石数量为5个，总体积为300立方米。按照分类区间体积与总矿石体积的比值计算得到体积占比，其中小块为20％、中块为50％，大块为30％。

在一实施例中，如图7所示，在步骤S60中，即根据优化后的块度分布信息，计算矿石的大块率分布信息，包括：

S601：从优化后的块度分布信息中获取矿石各粒径范围的体积占比信息。

具体地，从优化后的块度分布信息中获取矿石各粒径范围的体积占比信息时，首先从块度分布信息中提取每个粒径范围的体积信息，并结合总矿石体积计算每个粒径范围的体积占比，将计算过程逐一针对每个粒径区间进行，具体包括读取每个区间的粒径范围(如50mm以下、50-200mm，200mm以上)以及对应的体积信息，按照体积占比计算公式将每个区间的体积值除以矿石总体积，生成各粒径范围的体积占比信息。

S602：获取目标粒径阈值，将矿石各粒径范围的体积占比信息与目标粒径阈值进行比对，生成大于目标粒径阈值的矿石粒径体积占比信息。

具体地，获取目标粒径阈值时，先根据工艺要求或用户输入设定目标粒径阈值，例如设定阈值为200mm，随后对矿石各粒径范围的体积占比信息与该阈值进行逐一比对，对于粒径范围完全大于目标粒径阈值的区间，将其体积占比信息直接归类为大于目标粒径的部分；对于跨越目标粒径阈值的粒径区间，计算目标阈值以上部分的体积占比，这一计算通过分析该区间内的粒径分布情况，将区间内大于目标粒径部分的体积信息按比例拆分并加入到大于目标粒径的分类中，最后整合所有满足条件的体积占比信息，生成包含大于目标粒径阈值部分的矿石粒径体积占比信息。

S603：将矿石粒径体积占比信息进行归一化整理，计算大于目标粒径阈值的矿石体积占比在总矿石体积中的比例，得到矿石的大块率分布信息。

具体地，将矿石粒径体积占比信息进行归一化整理时，首先累加所有大于目标粒径阈值的体积占比信息，得到大于目标粒径部分的总体积占比值，随后将这一总体积占比值与矿石的总体积进行归一化处理，计算大块率的具体比例，归一化的过程中，通过标准化公式将体积占比值映射到总矿石体积中，以确保大块率计算的精确性，最后将计算的大块率整理为结构化信息，同时标记每个分类区间的粒径范围及大块率构成信息，生成包含分类细节和大块率整体占比的矿石大块率分布信息，为后续的加工工艺分析和优化提供直接的输入。

例如，假设粒径分布中大于200mm的矿石体积占比为25％，总矿石体积为1000立方米，则通过累加计算出大于200mm的矿石体积为250立方米，归一化后得到大块率为250/1000＝25％，整理输出为大块率分布信息。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

在一实施例中，提供一种矿石块度分布分析装置，该矿石块度分布分析装置与上述实施例中矿石块度分布分析方法一一对应。如图8所示，该矿石块度分布分析装置包括矿石图像与深度信息获取模块、图像预处理模块、三维空间坐标生成模块、块度分布生成模块、块度分布校正模块和大块率计算与可视化模块。各功能模块详细说明如下：

矿石图像与深度信息获取模块，用于获取矿石场内的图像信息和传感设备采集的深度信息；图像预处理模块，用于通过高斯滤波去除图像信息的噪声，得到噪声清除后的图像信息，对噪声清除后的图像信息进行二值化处理，得到二值化图像信息，进一步对二值化图像信息进行形态学腐蚀和膨胀操作，得到预处理后的图像信息；

三维空间坐标生成模块，用于结合深度信息和预处理后的图像信息，通过三维重建算法生成矿石的三维空间坐标信息；

块度分布生成模块，用于将矿石的三维空间坐标信息输入智能块度预测模型中，生成矿石的块度分布信息；

块度分布校正模块，用于利用块度尺寸的标准对矿石的块度分布信息进行校正，剔除矿石的块度分布信息中的异常值，得到优化后的块度分布信息；

大块率计算与可视化模块，用于根据优化后的块度分布信息，计算矿石的大块率分布信息，同时通过可视化图表展示优化后的块度分布信息和矿石的大块率分布信息。

可选的，三维空间坐标生成模块包括：

边缘提取与二维坐标生成子模块，用于从预处理后的图像信息中提取边缘像素坐标信息和边界轮廓信息，根据边缘像素坐标信息和边界轮廓信息，生成初始的二维像素坐标；

内参校正与二维坐标优化子模块，用于利用三维重建算法中的内参矩阵对初始的二维像素坐标进行校正，生成校正后的二维像素坐标；

外参映射与三维空间生成子模块，用于利用三维重建算法中的外参矩阵将校正后的二维像素坐标与深度信息相结合，生成初步的三维空间坐标信息；

三维坐标优化与异常点剔除子模块，用于对初步的三维空间坐标信息进行异常值检测，剔除噪声点和离群点，完成后生成矿石的三维空间坐标信息。

可选的，内参校正与二维坐标优化子模块包括：

二维像素光学畸变校正单元，用于基于内参矩阵中的参数对二维像素坐标进行光学畸变校正，通过以下公式消除镜头畸变影响，生成校正后的二维像素坐标：

其中，u为二维像素坐标在水平方向的值，v为二维像素坐标在垂直方向的值，x′为校正后的二维像素坐标在水平方向的值，y′为校正后的二维像素坐标在垂直方向的值，f_x为内参矩阵的水平方向焦距参数，f_y为内参矩阵的垂直方向焦距参数，c_x为相机主点的横向坐标，c_y为相机主点的纵向坐标。

可选的，外参映射与三维空间生成子模块包括：

三维空间坐标生成单元，用于基于外参矩阵中的旋转矩阵和平移向量，将校正后的二维像素坐标与深度信息相结合，通过以下公式计算初步的三维空间坐标信息标：

其中，X为三维空间坐标在水平方向的值，Y为三维空间坐标在垂直方向的值，Z为深度信息，R为外参矩阵中的旋转矩阵，T为外参矩阵中的平移向量，x′和y′分别为校正后的二维像素坐标的水平方向值和垂直方向值。

可选的，块度分布生成模块包括：

三维特征提取子模块，用于对矿石的三维空间坐标信息进行特征提取，提取矿石特征信息；矿石分类与尺寸范围确定子模块，用于根据矿石特征信息，利用预设的矿石分类标准对矿石进行分类，确定每个矿石的尺寸范围，并生成矿石分类结果；

块度统计与分布分析子模块，用于对矿石分类结果中的矿石尺寸范围进行统计分析，按照不同尺寸范围计算矿石的数量比例，生成矿石的块度分布信息。

可选的，块度分布校正模块包括：

异常值识别与剔除子模块，用于根据预设的块度尺寸标准，对矿石的块度分布信息中的矿石尺寸逐一进行比对，在比对过程中，识别超出块度尺寸标准范围的异常值；

块度分布信息重新计算子模块，用于将异常值从矿石的块度分布信息中剔除，得到剔除异常值后的矿石尺寸信息，根据剔除异常值后的矿石尺寸信息，重新计算矿石的块度分布信息，得到重新计算后的矿石块度分布信息；

块度统计与优化子模块，用于对重新计算后的矿石块度分布信息进行统计，按照校正后的矿石尺寸范围重新划分不同块度范围的矿石比例，生成优化后的矿石块度分布信息。

可选的，大块率计算与可视化模块包括：

粒径范围体积占比提取子模块，用于从优化后的块度分布信息中获取矿石各粒径范围的体积占比信息；

目标粒径比对与体积筛选子模块，用于获取目标粒径阈值，将矿石各粒径范围的体积占比信息与目标粒径阈值进行比对，生成大于目标粒径阈值的矿石粒径体积占比信息；

大块率计算与归一化子模块，用于将矿石粒径体积占比信息进行归一化整理，计算大于目标粒径阈值的矿石体积占比在总矿石体积中的比例，得到矿石的大块率分布信息。

关于矿石块度分布分析装置的具体限定可以参见上文中对于矿石块度分布分析方法的限定，在此不再赘述。上述矿石块度分布分析装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于设备中的处理器中，也可以以软件形式存储于设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种设备，该设备可以是服务器，其内部结构图可以如图9所示。该设备包括通过系统总线连接的处理器、存储器、网络接口和信息库。其中，该设备的处理器用于提供计算和控制能力。该设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和信息库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种矿石块度分布分析方法。

在一个实施例中，提供了一种设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：

获取矿石场内的图像信息和传感设备采集的深度信息；

通过高斯滤波去除图像信息的噪声，得到噪声清除后的图像信息，对噪声清除后的图像信息进行二值化处理，得到二值化图像信息，进一步对二值化图像信息进行形态学腐蚀和膨胀操作，得到预处理后的图像信息；

结合深度信息和预处理后的图像信息，通过三维重建算法生成矿石的三维空间坐标信息；将矿石的三维空间坐标信息输入智能块度预测模型中，生成矿石的块度分布信息；

利用块度尺寸的标准对矿石的块度分布信息进行校正，剔除矿石的块度分布信息中的异常值，得到优化后的块度分布信息；

根据优化后的块度分布信息，计算矿石的大块率分布信息，同时通过可视化图表展示优化后的块度分布信息和矿石的大块率分布信息。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

通过高斯滤波去除图像信息的噪声，得到噪声清除后的图像信息，对噪声清除后的图像信息进行二值化处理，得到二值化图像信息，进一步对二值化图像信息进行形态学腐蚀和膨胀操作，得到预处理后的图像信息；

结合深度信息和预处理后的图像信息，通过三维重建算法生成矿石的三维空间坐标信息；将矿石的三维空间坐标信息输入智能块度预测模型中，生成矿石的块度分布信息；

利用块度尺寸的标准对矿石的块度分布信息进行校正，剔除矿石的块度分布信息中的异常值，得到优化后的块度分布信息；

根据优化后的块度分布信息，计算矿石的大块率分布信息，同时通过可视化图表展示优化后的块度分布信息和矿石的大块率分布信息。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种矿石块度分布分析方法，其特征在于，所述矿石块度分布分析方法包括：

获取矿石场内的图像信息和传感设备采集的深度信息；

通过高斯滤波去除所述图像信息的噪声，得到噪声清除后的图像信息，对所述噪声清除后的图像信息进行二值化处理，得到二值化图像信息，进一步对所述二值化图像信息进行形态学腐蚀和膨胀操作，得到预处理后的图像信息；

结合所述深度信息和预处理后的图像信息，通过三维重建算法生成矿石的三维空间坐标信息；将所述矿石的三维空间坐标信息输入智能块度预测模型中，生成矿石的块度分布信息；

利用块度尺寸的标准对所述矿石的块度分布信息进行校正，剔除所述矿石的块度分布信息中的异常值，得到优化后的块度分布信息；

根据所述优化后的块度分布信息，计算矿石的大块率分布信息，同时通过可视化图表展示所述优化后的块度分布信息和所述矿石的大块率分布信息。

2.根据权利要求1所述的矿石块度分布分析方法，其特征在于，所述结合所述深度信息和预处理后的图像信息，通过三维重建算法生成矿石的三维空间坐标信息，包括：

从所述预处理后的图像信息中提取边缘像素坐标信息和边界轮廓信息，根据所述边缘像素坐标信息和所述边界轮廓信息，生成初始的二维像素坐标；

利用所述三维重建算法中的内参矩阵对所述初始的二维像素坐标进行校正，生成校正后的二维像素坐标；

利用所述三维重建算法中的外参矩阵将所述校正后的二维像素坐标与所述深度信息相结合，生成初步的三维空间坐标信息；

对所述初步的三维空间坐标信息进行异常值检测，剔除噪声点和离群点，完成后生成所述矿石的三维空间坐标信息。

3.根据权利要求2所述的矿石块度分布分析方法，其特征在于，所述利用所述三维重建算法中的内参矩阵对所述初始的二维像素坐标进行校正，生成校正后的二维像素坐标，包括：

基于所述内参矩阵中的参数对所述二维像素坐标进行光学畸变校正，通过以下公式消除镜头畸变影响，生成校正后的二维像素坐标：

其中，所述u为所述二维像素坐标在水平方向的值，所述v为所述二维像素坐标在垂直方向的值，所述x′为所述校正后的二维像素坐标在水平方向的值，所述y′为所述校正后的二维像素坐标在垂直方向的值，所述f_x为所述内参矩阵的水平方向焦距参数，所述f_y为所述内参矩阵的垂直方向焦距参数，所述c_x为相机主点的横向坐标，所述c_y为相机主点的纵向坐标。

4.根据权利要求2所述的矿石块度分布分析方法，其特征在于，所述利用所述三维重建算法中的外参矩阵将所述校正后的二维像素坐标与所述深度信息相结合，生成初步的三维空间坐标信息，包括：

基于所述外参矩阵中的旋转矩阵和平移向量，将所述校正后的二维像素坐标与所述深度信息相结合，通过以下公式计算所述初步的三维空间坐标信息标：

其中，所述X为三维空间坐标在水平方向的值，所述Y为三维空间坐标在垂直方向的值，所述Z为所述深度信息，所述R为所述外参矩阵中的所述旋转矩阵，所述T为所述外参矩阵中的所述平移向量，x′和y′分别为所述校正后的二维像素坐标的水平方向值和垂直方向值。

5.根据权利要求1所述的矿石块度分布分析方法，其特征在于，所述将所述矿石的三维空间坐标信息输入智能块度预测模型中，生成矿石的块度分布信息，包括：

对所述矿石的三维空间坐标信息进行特征提取，提取矿石特征信息；

根据所述矿石特征信息，利用预设的矿石分类标准对矿石进行分类，确定每个矿石的尺寸范围，并生成矿石分类结果；

对所述矿石分类结果中的矿石尺寸范围进行统计分析，按照不同尺寸范围计算所述矿石的数量比例，生成所述矿石的块度分布信息。

6.根据权利要求1所述的矿石块度分布分析方法，其特征在于，所述利用块度尺寸的标准对所述矿石的块度分布信息进行校正，剔除所述矿石的块度分布信息中的异常值，得到优化后的块度分布信息，包括：

根据所述预设的块度尺寸标准，对所述矿石的块度分布信息中的矿石尺寸逐一进行比对，在比对过程中，识别超出所述块度尺寸标准范围的所述异常值；

将所述异常值从所述矿石的块度分布信息中剔除，得到剔除异常值后的矿石尺寸信息，根据所述剔除异常值后的矿石尺寸信息，重新计算所述矿石的块度分布信息，得到重新计算后的矿石块度分布信息；

对所述重新计算后的矿石块度分布信息进行统计，按照校正后的矿石尺寸范围重新划分不同块度范围的矿石比例，生成优化后的矿石块度分布信息。

7.根据权利要求1所述的矿石块度分布分析方法，其特征在于，所述根据所述优化后的块度分布信息，计算矿石的大块率分布信息，包括：

从所述优化后的块度分布信息中获取矿石各粒径范围的体积占比信息；

获取目标粒径阈值，将所述矿石各粒径范围的体积占比信息与所述目标粒径阈值进行比对，生成大于所述目标粒径阈值的矿石粒径体积占比信息；

将所述矿石粒径体积占比信息进行归一化整理，计算大于所述目标粒径阈值的矿石体积占比在总矿石体积中的比例，得到所述矿石的大块率分布信息。

8.一种矿石块度分布分析装置，其特征在于，所述矿石块度分布分析装置包括：

矿石图像与深度信息获取模块，用于获取矿石场内的图像信息和传感设备采集的深度信息；图像预处理模块，用于通过高斯滤波去除所述图像信息的噪声，得到噪声清除后的图像信息，对所述噪声清除后的图像信息进行二值化处理，得到二值化图像信息，进一步对所述二值化图像信息进行形态学腐蚀和膨胀操作，得到预处理后的图像信息；

三维空间坐标生成模块，用于结合所述深度信息和预处理后的图像信息，通过三维重建算法生成矿石的三维空间坐标信息；

块度分布生成模块，用于将所述矿石的三维空间坐标信息输入智能块度预测模型中，生成矿石的块度分布信息；

块度分布校正模块，用于利用块度尺寸的标准对所述矿石的块度分布信息进行校正，剔除所述矿石的块度分布信息中的异常值，得到优化后的块度分布信息；

大块率计算与可视化模块，用于根据所述优化后的块度分布信息，计算矿石的大块率分布信息，同时通过可视化图表展示所述优化后的块度分布信息和所述矿石的大块率分布信息。

9.一种设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述矿石块度分布分析方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述矿石块度分布分析方法的步骤。