【技术实现步骤摘要】
本专利技术申请涉及矿石智能分选领域，具体涉及一种基于xrt和高光谱的矿石自动化精细分选方法与系统。
技术介绍
1、单一模态的矿石检测技术，例如仅使用可见光成像的方法或依赖x射线技术来获取矿石内部信息。这些技术的缺点在于，单一模态的数据特征有限，无法全面、准确地描述矿石的内部结构及表面成分。例如，单一的可见光成像容易受到矿石表面反射、光照条件等因素的干扰，导致边界不清晰。而单纯的x射线断层扫描尽管可以呈现矿石的内部密度特征，但难以反映其化学组成和表面成分特征，尤其是在矿石存在多种矿物组分时，单一数据源难以做到精细的分选。此外，这些现有技术方法还存在信息冗余、特征单一、容易受到外部环境因素干扰的问题，使得矿石的识别精度受到限制。
技术实现思路
1、本专利技术提供了一种基于xrt和高光谱的矿石自动化精细分选方法，其目的在于解决现有矿石分选技术中存在的不足，通过采用x射线透射成像与高光谱成像技术的结合，实现对矿石表面与内部信息的全面融合，从而克服传统矿石分选技术中因单一数据源而导致的特征不完整和信
【技术保护点】
1.一种基于XRT和高光谱的矿石自动化精细分选方法，其特征在于，具体包括如下步骤：
2.根据权利要求1所述的一种基于XRT和高光谱的矿石自动化精细分选方法，其特征在于，所述步骤S1中，XRT数据能够揭示矿石的内部密度分布、断裂及空隙等结构信息，而高光谱图像提供了矿石在不同波段的光谱特性，以揭示其表面化学组成及矿物特征，两种模态的综合运用为系统提供了多层次、丰富的数据基础，确保在不同环境下均可获得有效的矿石信息，具体包括以下子步骤：
3.根据权利要求1所述的一种基于XRT和高光谱的矿石自动化精细分选方法，其特征在于，所述步骤S2中X射线透射成像用...
【技术特征摘要】
1.一种基于xrt和高光谱的矿石自动化精细分选方法，其特征在于，具体包括如下步骤：
2.根据权利要求1所述的一种基于xrt和高光谱的矿石自动化精细分选方法，其特征在于，所述步骤s1中，xrt数据能够揭示矿石的内部密度分布、断裂及空隙等结构信息，而高光谱图像提供了矿石在不同波段的光谱特性，以揭示其表面化学组成及矿物特征，两种模态的综合运用为系统提供了多层次、丰富的数据基础，确保在不同环境下均可获得有效的矿石信息，具体包括以下子步骤：
3.根据权利要求1所述的一种基于xrt和高光谱的矿石自动化精细分选方法，其特征在于，所述步骤s2中x射线透射成像用于获取矿石的投影图像，在获取x射线图像之后，图像会经过一系列预处理步骤，以提高数据质量并为后续的深度学习算法提供优化的输入，具体包括以下子步骤：
4.根据权利要求1所述的一种基于xrt和高光谱的矿石自动化精细分选方法，其特征在于，所述步骤s3中，在高光谱数据的处理方面，同样使用独立的卷积神经网络来提取矿石表面的光谱特征，高光谱数据主要描述矿石在不同波段下的光谱响应，通过多达数百个波段的光谱信息来表征矿石的表面化学组成，卷积神经网络通过逐层卷积对这些光谱图像进行处理，低级卷积层用于提取矿石在各个波段上的基本响应特征，随着网络深度的增加，高级卷积层可以逐渐学习到更复杂的光谱特征。
5.根据权利要求1所述的一种基于xrt和高光谱的矿石自动化精细分选方法，其特征在于，所述步骤s4中，在高光谱特征的提取过程中，通过残差块的学习机制，卷积层可以逐步优化和提取高维特征，而跳跃连接的存在使得原始输入特征得以保留，避免在深层卷积中由于逐渐的特征损失而导致的信息衰减，残差块中的多层卷积通过非线性激活函数，引入了非线性变换，使得网络可以从矿石的高光谱图像中学习到更为复杂的光谱模式，这些模式反映了矿石表面成分的变化和内部关联。
6.根据权利要求1所述的一种基于xrt和高光谱的矿石自动化精细分选方法，其特征在于，所述步骤s5中，融合特征经过深度学习网络的处理后，被送入预测模块，每个模态的特征分别通过预测头进行独立预测，得到对矿石类别的初步判断结果，预测阶段的独立处理确保每种模态的特征在决策中得以充分体现，随后，采用自适应加权融合机制对各个模态的预测结果进行最终整合，该机制根据每个模态预测的置信度，动态地调整各模态在最终决策中的影响权重，自适应加权机制的目的是优化预测结果，使模型可以根据不同模态特征的贡献度动态调整其对最终预测的影响，从而确保预测的准确性和可靠性，在完成最终预测后，矿石类别和成分信息被传递给机械臂分拣模块，分拣系统结合视觉传感器和控制系统，对矿石的类别、位置以及形态进行精准识别，并驱动机械臂执行抓取和分拣操作，机械臂基于深度学习模型的预测结果，自动调整其抓取姿态和路径，以适应不同类型和尺寸的矿石，实现高精度的抓取和分拣，机械臂具备多自由度的运动能力，能够适应复杂的矿石形态和布局，确保分拣操作的精确性和连续性。
7.一种基于xrt和高...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。