Применение технологии машинного зрения для определения кинематики мелющих тел в помольной камере вибрационной мельницы
Ю.В. Дмитрак, А.А. Кравцов
Институт проблем комплексного освоения недр им. академика Н.В. Мельникова Российской академии наук, г. Москва, Российская Федерация
Горная Промышленность №5/ 2026 стр. 229-234
Резюме: В статье изложен принципиально новый подход к определению кинематических параметров отдельных мелющих тел в помольной камере вибрационной мельницы, базирующийся на применении алгоритмов машинного зрения. Для определения кинематических параметров была обучена модель YOLO версии 23. Эта модель позволяет осуществлять слежение за объектом в видеопотоке: идентифицировать объект в одном кадре и определить его перемещения между кадрами. Для определения объектов в кадре была сформирована сверточная нейронная сеть, настроенная на детекцию объектов. В качестве объектов (мелющих тел) были использованы шары. Обучение проводилось на размеченном вручную наборе кадров видео работы вибрационной мельницы с четырьмя шарами-маркерами в загрузке. Всего было размечено 108 кадров, 90 из которых составили обучающий набор, 18 – валидационный набор. Разметка проводилась в программном обеспечении Label Studio. С помощью модели осуществлен автоматический сбор данных о траектории шаров, представлена визуализация траекторий. Получена зависимость средней кинетической энергии объектов от коэффициента заполнения помольной камеры вибромельницы. Установлено, что оптимальный коэффициент заполнения не зависит от наличия сердечника и находится в пределах 0,8–0,9. Результаты проведенных экспериментов позволяют определить направления дальнейших исследований авторов по изучению энергоёмкости процесса измельчения.
Ключевые слова: машинное зрение, схема контроля, кинематические параметры, искусственный интеллект, сверточная нейронная сеть, визуализация траектории объекта, кинетическая энергия, интенсивность соударений
Благодарности: Исследование выполнено при поддержке гранта Российского научного фонда №25-67-00009, https://rscf.ru/project/25-67-00009/
Для цитирования: Дмитрак Ю.В., Кравцов А.А. Применение технологии машинного зрения для определения кинематики мелющих тел в помольной камере вибрационной мельницы. Горная Промышленность. 2026;(5):229–234. https://doi.org/10.30686/1609-9192-2026-5-229-234
Информация о статье
Поступила в редакцию: 30.05.2026
Поступила после рецензирования: 06.07.2026
Принята к публикации: 09.07.2026
Информация об авторах
Дмитрак Юрий Витальевич – доктор технических наук, профессор, главный научный сотрудник, заведующий отделом моделирования и управления горнотехническими системами, Институт проблем комплексного освоения недр им. академика Н.В. Мельникова Российской академии наук, г. Москва, Российская Федерация; https://orcid.org/0000-0003-1278-4845; e-mail: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.
Кравцов Алексей Александрович – младший научный сотрудник отдела моделирования и управления горнотехническими системами, Институт проблем комплексного освоения недр им. академика Н.В. Мельникова Российской академии наук, г. Москва, Российская Федерация; e-mail: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.
Список литературы
1. Tomach P. The influence of the grinding media diameter on grinding efficiency in a vibratory ball mill. Materials . 2024;17(12):2924. https://doi.org/10.3390/ma17122924
2. Sidor J. A mechanical layered model of a vibratory mill. Mechanics and Control . 2010;29(3):138–148. Available at: https://journals.bg.agh.edu.pl/MECHANICS-CTRL/2010-03/mech07.pdf (accessed: 03.04.2026).
3. Сергеев В.В., Музаев И.Д., Дмитрак Ю.В., Герасименко Т.Е. Математическое моделирование колебательных процессов в вибромельнице нового типа. Горный информационно-аналитический бюллетень. 2021;(8):114–128. https://doi.org/10.25018/0236_1493_2021_8_0_114
4. Матмуродов Ф.М., Расулов Н.Ф., Нематова С.Х. Динамическое моделирование функционирования четырех опорных вибрационных мельниц. Universum: технические науки. 2025;(1-2):47–51. https://doi.org/10.32743/UniTech.2025.130.1.19212
5. Пыкавая О.А., Боровский Д.Н. Влияние мелющей загрузки на эффективность помола в вибрационной мельнице. В кн.: Нефтегазохимия – 2024: материалы 7-го Междуна. науч.-техн. форума по химическим технологиям и нефтегазопереработке, г. Минск, 13–15 ноября 2024 г. Минск: БГТУ; 2024. С. 229–233. Режим доступа: https://elib.belstu.by/handle/123456789/68326 (дата обращения: 29.03.2026).
6. Пыкавая О.А., Боровский Д.Н. Взаимосвязь технологических параметров вибрационной мельницы с геометрическими и механическими характеристиками загрузки помольной камеры. В кн.: Нефтегазохимия – 2023: материалы 6-го Междунар. науч.-техн. форума по химическим технологиям и нефтегазопереработке, г. Минск, 1–3 ноября 2023 г. Минск: БГТУ; 2023. С. 203–207. Режим доступа: https://elib.belstu.by/handle/123456789/60584 (дата обращения: 29.03.2026).
7. Дмитрак Ю.В., Кравцов А.А., Адамова Л.С., Кутуев Р.Р., Цыганов А.Е. Научный анализ математических моделей движения мелющей загрузки в помольных камерах мельниц различных типов. Горный информационно-аналитический бюллетень . 2025;(9-1):55–74. Режим доступа: https://giab-online.ru/files/Data/2025/9-1/9-1_2025_55-74.pdf (дата обращения: 29.03.2026).
8. Рысиков М.С., Богданов Н.Э. Исследование характера движения вибрационной мельницы в системе EDEM при помощи метода дискретного элемента. В кн.: Молодежь и научно-технический прогресс: сб. докл. 12-й междунар. науч.-практ. конф. студентов, аспирантов и молодых ученых, г. Губкин, 18 апреля 2019 г. Губкин; Старый Оскол: ООО «Ассистент плюс»; 2019. Т. 1. С. 115––119.
9. Калуцкий Д.О. Анализ конструкции вибрационных мельниц тонкого помола. В кн.: Образование. Наука. Производство: материалы 10-й Междунар. молодежного форума с междунар. участием, г. Белгород, 1–15 октября 2018 г . Белгород: БГТУ им. В.Г. Шухова; 2018. С. 1227–1232.
10. Redmon J., Divvala S., Girshick R., Farhadi A. You only look once: Unified, real-time object detection. In: 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas, June 27–30, 2016. IEEE; 2016, pp. 779–788. https://doi.org/10.1109/CVPR.2016.91
11. Lin X., Peng J., Gan Z., Zhu J., Liu J. YOLO-master: MOE-accelerated with specialized transformers for enhanced real-time detection. In: Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition 2026, Colorado, June 3–7, 2026, pp. 18440–18449. Available at: https://arxiv.org/html/2512.23273 (accessed: 29.03.2026).
12. Jiang P., Ergu D., Liu F., Cai Y., Ma B. A review of yolo algorithm developments. Procedia Computer Science. 2022;199:1066– 1073. https://doi.org/10.1016/j.procs.2022.01.135
13. Terven J., Córdova-Esparza D.-M., Romero-González J.-A. A comprehensive review of YOLO architectures in computer vision: From YOLOv1 to YOLOv8 and YOLO-NAS. Machine Learning and Knowledge Extraction . 2023;5(4):1680-1716. https://doi.org/10.3390/make5040083
14. Грачева Н.Ю. Разработка лабораторного стенда на базе вибрационной мельницы для экспериментального определения ее рабочих параметров. Горный информационно-аналитический бюллетень. 2015;(5):202–207.
