一种基于卷积神经网络的伴生类矿石分选系统技术方案

本发明专利技术公开了一种基于卷积神经网络的伴生类矿石分选系统，涉及伴生类矿石分选技术领域，解决了传统分选算法都对物料整体图像进行分析，只能得到整体好坏，忽略了各成分伴生关系，无法获取各成分相对关系，导致无法识别矿石各成分组成的技术问题；本发明专利技术通过图像采集模块获取标准矿石图像；图像分割模块接收标准矿石图像，对标准矿石图像进行分割获取N个小区域图像；将小区域图像进行编号和标准矿石图像并发送至图像分析模块；图像分析模块根据小区域图像和矿石分析模型获取类别标签；根据类别标签和标准矿石图像获取矿石分布和占比；研究矿石含量伴生关系，对单一矿石物料进行内部分割和分类，分析矿石主要成分比例关系，提高分选精度。分选精度。分选精度。

【技术实现步骤摘要】
一种基于卷积神经网络的伴生类矿石分选系统


[0001]本专利技术属于矿石领域，涉及伴生类矿石分选技术，具体是一种基于卷积神经网络的伴生类矿石分选系统。

技术介绍

[0002]伴生类矿石往往含有多种金属或非金属成分，如硫、铁、锌、铅、金等等，各种成分之间存在一定伴生关系。传统分选算法都对物料整体图像进行分析，只能得到整体好坏，忽略了各成分伴生关系，无法获取各成分相对关系，导致无法识别矿石各成分组成。
[0003]为此，提出一种基于卷积神经网络的伴生类矿石分选系统。

技术实现思路

[0004]本专利技术旨在至少解决现有技术中存在的技术问题之一。为此，本专利技术提出一种基于卷积神经网络的伴生类矿石分选系统，该一种基于卷积神经网络的伴生类矿石分选系统解决了传统分选算法都对物料整体图像进行分析，只能得到整体好坏，忽略了各成分伴生关系，无法获取各成分相对关系，导致无法识别矿石各成分组成的问题。
[0005]为实现上述目的，根据本专利技术的第一方面的实施例提出一种基于卷积神经网络的伴生类矿石分选系统，包括图像采集模块、图像分割模块以及图像分析模块；各个模块之间基于数字信号的方式进行信息交互；
[0006]所述图像采集模块用于获取标准矿石图像；
[0007]并将所述标准矿石图像发送至所述图像分割模块；
[0008]所述图像分割模块用于接收所述标准矿石图像，对标准矿石图像进行分割获取N个小区域图像；
[0009]将所述小区域图像进行编号和所述标准矿石图像并发送至所述图像分析模块；
[0010]所述图像分析模块用于接收所述小区域图像和所述标准矿石图像，根据所述小区域图像和矿石分析模型获取类别标签；其中，所述矿石分析模型基于人工智能模型建立；
[0011]根据所述类别标签和标准矿石图像获取矿石分布和占比。
[0012]优选的，所述图像采集模块包括图像采集装置。
[0013]优选的，所述图像采集模块采集标准矿石图像，具体过程包括：
[0014]所述图像采集装置连续采集X张矿石图像；其中，X为大于2的整数，所述图像采集装置所述矿石图像进行对比筛选，获取最清晰的矿石图像，并将对应的矿石图像标记为标准矿石图像；
[0015]将所述标准矿石图像发送至所述图像分割模块。
[0016]优选的，所述图像分割模块接收所述标准矿石图像，对所述标准矿石图像进行分割获取N个小区域图像，将小区域图像进行编号，具体过程包括：
[0017]所述图像分割模块接收所述标准矿石图像；
[0018]对所述标准矿石图像利用阈值分割法进行分割，获取N个小区域图像；
[0019]对所述小区域图像进行编号；
[0020]编号后的所述小区域图像标记为TX
i
；其中，i为小区域图像的编号，i的取值为1,2,3
……
n；
[0021]将所述标准矿石图像和编号后的所述小区域图像发送至所述图像分析模块。
[0022]优选的，所述图像分析模块根据所述小区域图像和矿石分析模型获取类别标签，根据所述类别标签和标准矿石图像获取矿石分布和占比，具体过程包括：
[0023]所述图像分析模块接收所述标准矿石图像和所述小区域图像；
[0024]根据所述小区域图像和矿石分析模型获取类别标签；
[0025]基于类别标签将所述小区域图像在所述标准矿石图像上获取对应的区域，并进行类别标注；
[0026]在所述标准矿石图像上将类别一致的区域图像用相同颜色进行标记；
[0027]计算所有颜色相同的区域图像的面积之和，所述面积之和标记为S
j
；其中，j为颜色标号，j的取值为1,2,3
……
n；
[0028]所述标准矿石图像的面积标记为S
标
；
[0029]根据所有颜色相同的区域图像的面积之和和标准矿石图像的面积获取矿石占比；所述矿石占比标记为P
j
；
[0030]所述矿石占比的计算公式为：
[0031]基于矿石占比在所述标准矿石图像上进行占比标注。
[0032]优选的，所述矿石分析模型基于人工智能模型建立，具体过程包括：
[0033]从图像分析模块获取标准训练图像；
[0034]通过标准训练图像对人工智能模型进行训练，将训练完成的人工智能模型标记为矿石分析模型；
[0035]标准训练图像包括若干组输入图像以及对应的类别标签，且输入图像和小区域图像属性一致；
[0036]人工智能模型包括深度卷积神经网络模型和RBF神经网络模型。
[0037]优选的，所述图像采集模块与所述图像分割模块通信和/或电气连；
[0038]所述图像分割模块与所述图像分析模块通信和/或电气连接。
[0039]与现有技术相比，本专利技术的有益效果是：
[0040]本专利技术通过图像采集模块获取标准矿石图像；并将标准矿石图像发送至图像分割模块；图像分割模块接收标准矿石图像，对标准矿石图像进行分割获取N个小区域图像；将小区域图像进行编号和标准矿石图像并发送至图像分析模块；图像分析模块接收小区域图像和标准矿石图像，根据小区域图像和矿石分析模型获取类别标签；根据类别标签和标准矿石图像获取矿石分布和占比；研究矿石含量伴生关系，对单一矿石物料进行内部分割和分类，分析矿石主要成分比例关系，提高分选精度。
附图说明
[0041]图1为本专利技术的原理图。
具体实施方式
[0042]下面将结合实施例对本专利技术的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。
[0043]如图1所示，一种基于卷积神经网络的伴生类矿石分选系统，包括图像采集模块、图像分割模块以及图像分析模块；各个模块之间基于数字信号的方式进行信息交互；
[0044]所述图像采集模块用于获取标准矿石图像；
[0045]并将所述标准矿石图像发送至所述图像分割模块；
[0046]所述图像分割模块用于接收所述标准矿石图像，对标准矿石图像进行分割获取N个小区域图像；
[0047]将所述小区域图像进行编号和所述标准矿石图像并发送至所述图像分析模块；
[0048]所述图像分析模块用于接收所述小区域图像和所述标准矿石图像，根据所述小区域图像和矿石分析模型获取类别标签；其中，所述矿石分析模型基于人工智能模型建立；
[0049]根据所述类别标签和标准矿石图像获取矿石分布和占比。
[0050]本实施例中，所述图像采集模块包括图像采集装置，所述图像采集装置包括照相机。
[0051]所述图像采集模块采集标准矿石图像，具体过程包括：
[0052]所述图像采集装置连续采集X张矿石图像；其中，X为大于2的整数，所述图像采本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的伴生类矿石分选系统，其特征在于，包括图像采集模块、图像分割模块以及图像分析模块；各个模块之间基于数字信号的方式进行信息交互；所述图像采集模块用于获取标准矿石图像；并将所述标准矿石图像发送至所述图像分割模块；所述图像分割模块用于接收所述标准矿石图像，对标准矿石图像进行分割获取N个小区域图像；将所述小区域图像进行编号和所述标准矿石图像并发送至所述图像分析模块；所述图像分析模块用于接收所述小区域图像和所述标准矿石图像，根据所述小区域图像和矿石分析模型获取类别标签；其中，所述矿石分析模型基于人工智能模型建立；根据所述类别标签和标准矿石图像获取矿石分布和占比。2.根据权利要求1所述的一种基于卷积神经网络的伴生类矿石分选系统，其特征在于，所述图像采集模块包括图像采集装置。3.根据权利要求2所述的一种基于卷积神经网络的伴生类矿石分选系统，其特征在于，所述图像采集模块采集标准矿石图像，具体过程包括：所述图像采集装置连续采集X张矿石图像；其中，X为大于2的整数，所述图像采集装置所述矿石图像进行对比筛选，获取最清晰的矿石图像，并将对应的矿石图像标记为标准矿石图像；将所述标准矿石图像发送至所述图像分割模块。4.根据权利要求3所述的一种基于卷积神经网络的伴生类矿石分选系统，其特征在于，所述图像分割模块接收所述标准矿石图像，对所述标准矿石图像进行分割获取N个小区域图像，将小区域图像进行编号，具体过程包括：所述图像分割模块接收所述标准矿石图像；对所述标准矿石图像利用阈值分割法进行分割，获取N个小区域图像；对所述小区域图像进行编号；编号后的所述小区域图像标记为TX
i
；其中，i为小区域图像的编号，i的取值为1,2,3
……
n；将所述标准矿石图...

【专利技术属性】
技术研发人员：肖飒，
申请(专利权)人：合肥名德光电科技股份有限公司，
类型：发明
国别省市：