Wyniki wyszukiwania - BazTech

1

Prediction of mineral product price based on mean reversion model

Huang Shuwei, Ma Zhaoyang, Jin Feng, Zhang Yuansheng

Gospodarka Surowcami Mineralnymi

|

2022

|

T. 38, z. 2

61--75

EN

The mean-reversion model is introduced into the study of mineral product price prediction. The gold price data from January 2018 to December 2021 are selected, and a mean-reverting stochastic process simulation of the gold price was carried out using Monte Carlo simulation (MCS) method. By comparing the statistical results and trend curves of the mean-reversion (MR) model, geometric Brownian motion (GBM) model, time series model and actual price, it is proved that the mean-reversion process is valid in describing the price fluctuation of mineral product. At the same time, by comparing with the traditional prediction methods, the mean-reversion model can quantitatively assess the uncertainty of the predicted price through a set of equal probability stochastic simulation results, so as to provide data support and decision-making basis for the risk analysis of future economy.

PL

W badaniach predykcji cen produktów mineralnych wprowadzono model średniej rewersji. Wybrano dane dotyczące cen złota od stycznia 2018 do grudnia 2021 r., a symulację ceny złota w procesie odwracania średniej przeprowadzono metodą symulacji Monte Carlo (MCS). Porównując wyniki statystyczne i krzywe trendu modelu średniej rewersji (MR), modelu geometrycznego ruchu Browna (GBM), modelu szeregów czasowych i rzeczywistej ceny, udowodniono, że proces średniej rewersji jest prawidłowy w opisie fluktuacji cen na produkt mineralny. Jednocześnie, porównując z tradycyjnymi metodami predykcji, model średniej rewersji może ilościowo oszacować niepewność przewidywanej ceny za pomocą zestawu wyników symulacji stochastycznej równego prawdopodobieństwa, w celu zapewnienia wsparcia danych i podstawy decyzyjnej do analizy ryzyka przyszłej gospodarki.

2

Ore extraction and analysis from RGB image and 3D Point Cloud

Jin Feng, Zhan Kai, Chen Shengjie, Huang Shuwei, Zhang Yuansheng

Gospodarka Surowcami Mineralnymi

|

2022

|

T. 38, z. 1

89--106

EN

Based on the theory of computer vision, a new method for extracting ore from underground mines is proposed. This is based on a combination of RGB images collected by a color industrial camera and a point cloud generated by a 3D ToF camera. Firstly, the mean-shift algorithm combined with the embedded confidence edge detection algorithm is used to segment the RGB ore image into different regions. Secondly, the effective ore regions are classified into large pieces of ore and ore piles consisting of a number of small pieces of ore. The method applied in the classification process is to embed the confidence into the edge detection algorithm which calculates edge distribution around ore regions. Finally, the RGB camera and the 3D ToF camera are calibrated and the camera matrix transformation of the two cameras is obtained. Point cloud fragments are then extracted according to the cross-calibration result. The geometric properties of the ore point cloud are then analysed in the subsequent procedure.

PL

W oparciu o teorię widzenia komputerowego zaproponowano nową metodę wydobycia rudy z podziemnych kopalń. Jest to połączenie obrazów RGB zebranych przez kolorową kamerę przemysłową oraz chmury punktów wygenerowanej przez kamerę 3D ToF. Po pierwsze, algorytm zmiany średniej w połączeniu z wbudowanym algorytmem wykrywania krawędzi ufności służy do segmentacji obrazu rudy RGB na różne regiony. Po drugie, efektywne regiony rud są podzielone na złoża rudy o dużych rozmiarach i zwałowiska składające się z małej ilości rudy. Metodą stosowaną w procesie klasyfikacji jest określenie ufności w algorytmie wykrywania krawędzi, który oblicza rozkład krawędzi wokół regionów rudnych. Wreszcie, kamera RGB i kamera 3D ToF są skalibrowane i uzyskuje się transformację matrycy obu kamer. Następnie, fragmenty chmury punktów są wyodrębniane zgodnie z wynikiem kalibracji krzyżowej. W kolejnej procedurze przeanalizowano właściwości geometryczne chmury punktów rudy.

3

Image segmentation method of mine pass soil and ore based on the fusion of the confidence edge detection algorithm and mean shift algorithm

Jin Feng, Zhan Kai, Chen Shengjie, Huang Shuwei, Zhang Yuansheng

Gospodarka Surowcami Mineralnymi

|

2021

|

T. 37, z. 4

133--152

EN

In the execution of edge detection algorithms and clustering algorithms to segment image containing ore and soil, ore images with very similar textural features cannot be segmented effectively when the two algorithms are used alone. This paper proposes a novel image segmentation method based on the fusion of a confidence edge detection algorithm and a mean shift algorithm, which integrates image color, texture and spatial features. On the basis of the initial segmentation results obtained by the mean shift segmentation algorithm, the edge information of the image is extracted by using the edge detection algorithm based on the confidence degree, and the edge detection results are applied to the initial segmentation region results to optimize and merge the ore or pile belonging to the same region. The experimental results show that this method can successfully overcome the shortcomings of the respective algorithm and has a better segmentation results for the ore, which effectively solves the problem of over segmentation.

PL

W procesie algorytmu wykrywania krawędzi ufności i algorytmu grupowania do segmentacji obrazu zawierającego rudę i glebę, obraz rudy o bardzo podobnych cechach tekstury nie może być skutecznie segmentowany, gdy oba algorytmy są używane osobno. W pracy zaproponowano nowatorską metodę segmentacji obrazu opartą na połączeniu algorytmu wykrywania krawędzi ufności i algorytmu zmiany średniej, który integruje kolor, teksturę i cechy przestrzenne obrazu. Na podstawie wstępnych wyników segmentacji uzyskanych przez algorytm segmentacji zmiany średniej informacja o krawędziach oryginalnego obrazu jest wyodrębniana za pomocą algorytmu wykrywania krawędzi opartego na stopniu ufności, a otrzymane wyniki są stosowane do początkowych wyników segmentacji obszaru w celu optymalizacji i scalenia rudy lub gleby należących do tego samego obszaru. Wyniki eksperymentalne pokazują, że metoda ta może skutecznie przezwyciężyć wady odpowiedniego algorytmu i daje lepsze wyniki segmentacji dla rudy, co dobrze rozwiązuje problem nadmiernej segmentacji.