一种矿石快速识别方法技术

一种矿石快速识别方法，包括：S1、获取矿石训练图像并基于深度学习训练所述矿石训练图像以获得多个建模系数；S2、基于所述多个建模系数构建处理模型；S3、基于所述处理模型测试待测矿石图像以获得掩膜图像；S4、基于所述待测矿石图像和所述掩膜图像获得矿石图像以识别矿石。实施本发明专利技术的矿石快速识别方法和计算机可读存储介质，通过基于深度学习训练获得的处理模型识别矿石，能够以很高的精度快速准确地自动识别矿石。

【技术实现步骤摘要】
一种矿石快速识别方法
本专利技术涉及矿石识别领域，更具体地说，涉及一种矿石快速识别方法。
技术介绍
钨在冶金和金属材料领域中属高熔点稀有金属或称难熔稀有金属。钨及其合金是现代工业、国防及高新技术应用中的极为重要的功能材料之一，广泛应用于航天、原子能、船舶、汽车工业、电气工业、电子工业、化学工业等诸多领域。在现有技术中，通常采用手选方式对钨矿矿石进行识别采选，因此存在生产效率低、成本高、工人劳动强度大且分选率低的缺陷。
技术实现思路
本专利技术要解决的技术问题在于，针对现有技术的上述缺陷，提供一种矿石快速识别方法，其采用处理器可以进行矿石自动光学识别，因此生产效率高、成本低且分选率高。本专利技术解决其技术问题所采用的技术方案是：构造一种矿石快速识别方法，包括：S1、获取矿石训练图像并基于深度学习训练所述矿石训练图像以获得多个建模系数；S2、基于所述多个建模系数构建处理模型；S3、基于所述处理模型测试待测矿石图像以获得掩膜图像；S4、基于所述待测矿石图像和所述掩膜图像获得矿石图像以识别矿石。在本发所述的矿石快速识别方法中，所述步骤S1进一步包括：S11、获取矿石训练图像并且提取所述矿石训练图像的特征性质和矿石空间坐标；S12、基于所述特征性质构获得所述矿石训练图像的性质显著图且基于所述矿石空间坐标获得所述矿石训练图像的位置显著图；S13、基于所述性质显著图和所述位置显著图计算所述多个建模系数。在本发所述的矿石快速识别方法中，所述步骤S12进一步包括：S121、采用高斯金字塔和中央周边差算法基于多个所述特征性质构建所述矿石训练图像的多个特征性质图；S122、采用交叉尺度组合和归一化算子基于多个所述特征性质图获得所述矿石训练图像的多个所述性质显著图；以及S123、采用二维高斯分布基于所述矿石空间坐标获得所述矿石训练图像的位置显著图。在本发所述的矿石快速识别方法中，所述步骤S13进一步包括：S131、采用尺度不变特征转换算法基于多个所述性质显著图和所述位置显著图计算所述多个建模系数。在本发所述的矿石快速识别方法中，所述特征性质包括：颜色、亮度、透明度和反射率。在本发所述的矿石快速识别方法中，所述步骤S2进一步包括：S21、采用卷积神经网络基于所述多个建模系数构建所述处理模型，其中所述卷积神经网络采用ReLU激活函数。在本发所述的矿石快速识别方法中，所述步骤S3进一步包括:S31、采用CCD面阵相机扫描获取待测矿石图像；S32、采用所述处理模型测试所述待测矿石图像以生成测试显著图；S33、优化处理所述测试显著图以生成所述掩膜图像；其中所述优化处理包括阈值分割、形态学处理和中值滤波处理。在本发所述的矿石快速识别方法中，所述步骤S4进一步包括S41、对所述待测矿石图像进行边角点检测以获得边角点特征点集；S42、将所述边角点特征点集与所述掩膜图像相乘以获得矿石图像；S43、对所述矿石图像进行分割处理以获得矿石图像区域和背景区域；S44、将所述矿石图像区域识别为矿石。在本发所述的矿石快速识别方法中，所述步骤S4进一步包括:S45、将所述矿石图像区域的位置转换成所述矿石的运动位置；S46、驱动喷射装置基于所述运动位置喷射所述矿石。本专利技术解决其技术问题采用的另一技术方案是，构造一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现所述的矿石快速识别方法。实施本专利技术的矿石快速识别方法和计算机可读存储介质，通过基于深度学习训练获得的处理模型识别矿石，可以以很高的精度快速准确地自动识别矿石。进一步地，通过采用CCD面阵相机可以在同一时刻获得更多的矿石特征性质，提高空间分辨率，处理量大。再进一步地，通过基于采用ReLU激活函数的卷积神经网络构建处理模型，能够更加有效地对即使发生位移、变形的待测矿石图像进行识别，进而进一步提高识别的准确性。附图说明下面将结合附图及实施例对本专利技术作进一步说明，附图中：图1是本专利技术的矿石快速识别方法的第一实施例的流程图；图2是本专利技术的矿石快速识别方法的第二实施例的流程图；图3是图2所示的矿石快速识别方法中采用的卷积神经网络的模型结构图；图4A-4E是采用图2所示的矿石快速识别方法识别的第一矿场的矿石的效果示意图；图5A-5D是采用图2所示的矿石快速识别方法识别的第二矿场的矿石的效果示意图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。本专利技术涉及一种矿石快速识别方法。本专利技术的各个方面包括获取矿石训练图像并基于深度学习训练所述矿石训练图像以获得多个建模系数；基于所述多个建模系数构建处理模型；以及基于所述待测矿石图像和所述掩膜图像获得矿石图像以识别矿石。实施本专利技术的矿石快速识别方法和计算机可读存储介质，通过基于深度学习训练获得的处理模型识别矿石，可以以很高的精度快速准确地自动识别矿石。图1是本专利技术的矿石快速识别方法的第一实施例的流程图。如图1所示，本专利技术的矿石快速识别方法包括以下步骤。在步骤S1中，获取矿石训练图像并基于深度学习训练所述矿石训练图像以获得多个建模系数。在本专利技术的一个优选实施例中，可以采用工业相机，例如面阵相机和线阵相机进行拍摄。然后将拍摄的矿石训练图像通过千兆网、cameralink、USB3.0等接口直接传入处理器，例如计算机。然后，计算机利用这些矿石训练图像，基于深度学习训练所述矿石训练图像，从而构造出所需的建模系数。例如可以对属于不同矿山的矿石训练图像进行大量的采样，自组织地建立关于待测石料的颜色、亮度、透明度和反射率等特征参数与该待测石料是否为矿石之间的可选关系，通过学习和训练，构建所需的建模系数。在所述步骤S2中，基于所述多个建模系数构建处理模型。例如，在本专利技术的一个优选实施例中，可以采用卷积神经网络基于所述多个建模系数构建所述处理模型。在本专利技术中，由于对于矿石的识别是将图像识别问题作为一能量函数最小化问题来处理,能量函数决定了网络结构。基于神经网络的图像识别分割的基本思想是通过训练多层感知机来得到线性决策函数,然后用决策函数对像素进行分类来达到分割的目的。神经网络一般要用训练样本对其进行训练。图像识别可以看作一个约束满足问题(CSP),并利用约束满足神经网络来解决。神经认知机对模式信号的识别比认知机强得多，无论信号的变换、转换、失真、大小的改变都可以处理。神经认知机将一个视觉模式分解成许多子模式(特征)，然后进入分层递阶式相连的特征平面进行处理，它试图将视觉系统模型化，使其能够在即使物体有位移或轻微变形的时候，也能完成识别。通常神经认知机包含两类神经元，即承担特征抽取的S-元和抗变形的C-元。S-元中涉及两个重要参数，即感受野与阈值参数，前者确定输入连接的数目，后者则控制对特征子模式的反应程度。因此，在本专利技术的一个优选实施例中，可以采用卷积神经网络LeNet-5。在步骤S3中，基于所述处理模型测试待测矿石图像以获得掩膜图像。在本专利技术的一个优选实施例中，可以采用工业相机，例如面阵相机和线阵相机进行拍摄。然后将拍摄的图像通过千兆网、cameralink、USB3.0等接口直接传入处理器，例如计算机。然后可以将这些图像作为待测矿本文档来自技高网...

【技术保护点】
一种矿石快速识别方法，其特征在于，包括：S1、获取矿石训练图像并基于深度学习训练所述矿石训练图像以获得多个建模系数；S2、基于所述多个建模系数构建处理模型；S3、基于所述处理模型测试待测矿石图像以获得掩膜图像；S4、基于所述待测矿石图像和所述掩膜图像获得矿石图像以识别矿石。

【技术特征摘要】
1.一种矿石快速识别方法，其特征在于，包括：S1、获取矿石训练图像并基于深度学习训练所述矿石训练图像以获得多个建模系数；S2、基于所述多个建模系数构建处理模型；S3、基于所述处理模型测试待测矿石图像以获得掩膜图像；S4、基于所述待测矿石图像和所述掩膜图像获得矿石图像以识别矿石。2.根据权利要求1所述的矿石快速识别方法，其特征在于，所述步骤S1进一步包括：S11、获取矿石训练图像并且提取所述矿石训练图像的特征性质和矿石空间坐标；S12、基于所述特征性质构获得所述矿石训练图像的性质显著图且基于所述矿石空间坐标获得所述矿石训练图像的位置显著图；S13、基于所述性质显著图和所述位置显著图计算所述多个建模系数。3.根据权利要求2所述的矿石快速识别方法，其特征在于，所述步骤S12进一步包括：S121、采用高斯金字塔和中央周边差算法基于多个所述特征性质构建所述矿石训练图像的多个特征性质图；S122、采用交叉尺度组合和归一化算子基于多个所述特征性质图获得所述矿石训练图像的多个所述性质显著图；S123、采用二维高斯分布基于所述矿石空间坐标获得所述矿石训练图像的位置显著图。4.根据权利要求3所述的矿石快速识别方法，其特征在于，所述步骤S13进一步包括：S131、采用尺度不变特征转换算法基于多个所述性质显著图和所述位置显著图计算所述多个建模系数。5.根据权利要求4所述的矿石快速识别方法，其特征...

【专利技术属性】
技术研发人员：王杉，何鹏宇，王梓渝，袁方，
申请(专利权)人：赣州好朋友科技有限公司，
类型：发明
国别省市：江西,36