【CN109949285A】基于卷积神经网络的X光图像下矿石分选方法及系统【专利】

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号(43)申请公布日(21)申请号201910182936.3(22)申请日2019.03.12(71)申请人天津瑟威兰斯科技有限公司地址300000天津市西青区滨海高新区华苑产业区(环外)海泰创新六路2号16号楼-2-301-4(72)发明人王光夫　(74)专利代理机构天津展誉专利代理有限公司12221代理人陈欣(51)Int.Cl.G06T7/00(2017.01)G06K9/62(2006.01)(54)发明名称基于卷积神经网络的X光图像下矿石分选方法及系统(57)摘要本发明涉及一种基于卷积神经网络的X光图像下矿石分选方法及系统，包括以下步骤：人为选定不同种类的矿石作为样本通过X光机；根据矿石原始通透率矩阵数据，对矿石内部图像进行染色；将染色后的图像进行分类标记，通过卷积神经网络进行训练，生成识别模型；将待识别矿石通过X光机并进行染色后，预测出待识别矿石的种类及位置。通过计算机人工智能的方式，使用X光机对于矿石内部进行成像，将X光机成像的染色图进行深度学习卷积神经网络的训练，可以在不进行其他化学检测手段外，模拟人的经验对于矿石分配评估的方式，对矿石含量等级进行识别预判，此方式接近人为分选的准确度，在分选行业公差内，可以实现实时、快速、成批量、低成本的分选。权利要求书1页说明书3页附图1页CN109949285A2019.06.28CN109949285A1.一种基于卷积神经网络的X光图像下矿石分选方法，其特征在于，包括以下步骤：a.人为选定一组不同种类的矿石作为样本通过X光机；b.根据X光机下矿石原始通透率矩阵数据，对矿石内部图像进行染色；c.将染色后的图像进行分类标记，通过卷积神经网络进行训练，生成识别模型；d.将待识别矿石通过X光机并进行染色后，载入识别模型，预测出待识别矿石的种类及位置。2.根据权利要求1所述一种基于卷积神经网络的X光图像下矿石分选方法，其特征在于，在所述对矿石内部图像进行染色时，在矿石通透率范围内选择的颜色范围大于非矿石通透率范围内选择的颜色范围。3.根据权利要求1或2所述一种基于卷积神经网络的X光图像下矿石分选方法，其特征在于，步骤b具体包括：使用分段直方图线性变换，对所述矿石内部图像进行染色。4.根据权利要求2所述一种基于卷积神经网络的X光图像下矿石分选方法，其特征在于，步骤d后还包括：将矿石种类及位置送入下位机，下位机根据业务流程进行分选。5.根据权利要求4所述一种基于卷积神经网络的X光图像下矿石分选方法，其特征在于，在所述将矿石种类及位置送入下位机之前，多次重复步骤d。6.一种基于卷积神经网络的X光图像下矿石分选系统，其特征在于，包括：取样单元，用于人为选定一组不同种类的矿石作为样本通过X光机；染色单元，用于根据X光机下矿石原始通透率矩阵数据，对矿石内部图像进行染色；训练单元，用于将染色后的图像进行分类标记，通过卷积神经网络进行训练，生成识别模型；识别单元，用于将待识别矿石通过X光机并进行染色后，载入识别模型，预测出待识别矿石的种类及位置。7.根据权利要求6所述一种基于卷积神经网络的X光图像下矿石分选系统，其特征在于，所述识别单元后还包括：分选单元，用于将矿石种类及位置送入下位机，下位机根据业务流程进行分选。8.根据权利要求7所述一种基于卷积神经网络的X光图像下矿石分选系统，其特征在于，所述分选单元前还包括：检测单元，用于多次重复所述识别单元。权　利　要　求　书1/1页2CN109949285A2基于卷积神经网络的X光图像下矿石分选方法及系统技术领域[0001]本发明涉及矿石智能识别领域，尤其涉及一种基于卷积神经网络的X光图像下矿石分选方法及系统。背景技术[0002]X光影像作为物体内部检测分析的主要手段，以往用来检测既定物体，比如对是否有刀具、螺丝刀等危险物的检测，或者是通过不同物体材质染色到不同颜色后进行颜色分选。检测既定物体需要对于大量的物体在X光下的图像进行收集，并进行特征的训练，最终能检测一定范围内的特定物体；用颜色进行分选的技术主要是以材质为基础进行检测，不关注物体形状，比如检测所有金属，认为金属就是待定的危险物品，然后再进行人工核对。[0003]在矿石分选领域中，由于矿石与杂质为相互伴生，矿石也没有固定的形状轮廓，且矿石本身与杂质的材质在X光下通透率差不多，所以对于矿石含量分选大多只能通过化学手段进行分析，而在现在矿石产业中需要进行快速大量的等级分选，现有技术无法很好的满足当前需求。发明内容[0004]本发明所要解决的技术问题是克服现有技术中存在的不足，提供一种基于卷积神经网络的X光图像下矿石分选方法及系统。[0005]本发明是通过以下技术方案予以实现：[0006]一种基于卷积神经网络的X光图像下矿石分选方法，其特征在于，包括以下步骤：[0007]a.人为选定一组不同种类的矿石作为样本通过X光机；[0008]b.根据X光机下矿石原始通透率矩阵数据，对矿石内部图像进行染色；[0009]c.将染色后的图像进行分类标记，通过卷积神经网络进行训练，生成识别模型；[0010]d.将待识别矿石通过X光机并进行染色后，载入识别模型，预测出待识别矿石的种类及位置。[0011]根据上述技术方案，优选地，在所述对矿石内部图像进行染色时，在矿石通透率范围内选择的颜色范围大于非矿石通透率范围内选择的颜色范围。[0012]根据上述技术方案，优选地，步骤b具体包括：使用分段直方图线性变换，对所述矿石内部图像进行染色。[0013]根据上述技术方案，优选地，步骤d后还包括：将矿石种类及位置送入下位机，下位机根据业务流程进行分选。[0014]根据上述技术方案，优选地，在所述将矿石种类及位置送入下位机之前，多次重复步骤d。[0015]一种基于卷积神经网络的X光图像下矿石分选系统，其特征在于，包括：取样单元，用于人为选定一组不同种类的矿石作为样本通过X光机；染色单元，用于根据X光机下矿石原始通透率矩阵数据，对矿石内部图像进行染色；训练单元，用于将染色后的图像进行分类说　明　书1/3页3CN109949285A3标记，通过卷积神经网络进行训练，生成识别模型；识别单元，用于将待识别矿石通过X光机并进行染色后，载入识别模型，预测出待识别矿石的种类及位置。[0016]根据上述技术方案，优选地，所述识别单元后还包括：分选单元，用于将矿石种类及位置送入下位机，下位机根据业务流程进行分选。[0017]根据上述技术方案，优选地，所述分选单元前还包括：检测单元，用于多次重复所述识别单元。[0018]本发明的有益效果是：[0019]通过计算机人工智能的方式，使用X光机对于矿石内部进行成像，将X光机成像的染色图进行深度学习卷积神经网络的训练，可以在不进行其他化学检测手段外，模拟人的经验对于矿石分配评估的方式，对矿石含量等级进行识别预判，此方式接近人为分选的准确度，在分选行业公差内，可以实现实时、快速、成批量、低成本的分选。附图说明[0020]图1是本发明的工作过程示意图。具体实施方式[0021]为了使本技术领域的技术人员更好地理解本发明的技术方案，下面结合附图和最佳实施例对本发明作进一步的详细说明。[0022]如图所示，本发明公开了一种基于卷积神经网络的X光图像下矿石分选方法，其特征在于，包括以下步骤：a.人为选定一组不同种类的矿石作为样本通过X光机，在人为选择矿石样本的过程中，既要根据内部不同矿石含量决定其评价等级，也要兼顾虽然矿石含量高，但矿石分布分散且内部杂质多的情况，同时通过现有的分析方法尽可能多的将内部含有不同纯度及种类矿石的原石进行训练，精确识别模型，使识别预测结果更加准确，本例中接入X光机SDK，让矿石进入速度可以进行控制，同时可以获得矿石通过X光机后原始通透率矩阵；b.利用openCV导入矩阵数据，根据X光机下矿石原始通透率矩阵数据，对矿石内部图像进行染色；c.将染色后的图像进行分类标记，通过卷积神经网络进行训练，生成识别模型，本例中可以选择使用tenserflow下的mask-rcnn网络或caffe下的frcnn网络进行训练；d.将待识别矿石通过X光机并进行染色后，载入识别模型，预测出待识别矿石的种类及位置。通过计算机人工智能的方式，使用X光机对于矿石内部进行成像，将X光机成像的染色图进行深度学习卷积神经网络的训练，可以在不进行其他化学检测手段外，模拟人的经验对于矿石分配评估的方式，对矿石含量等级进行识别预判，此方式接近人为分选的准确度，在分选行业公差内，可以实现实时、快速、成批量、低成本的分选。[0023]根据上述实施例，优选地，在所述对矿石内部图像进行染色时，在矿石通透率范围内选择的颜色范围大于非矿石通透率范围内选择的颜色范围，在分配颜色范围的过程中，在接近矿石通透率的范围内分配较大的颜色范围，由于内部矿石的种类及纯度有所差异，分配较大的颜色范围可以保证在矿石通透率的区间内尽可能的把不同的纯度及类别的区域染色出来，更好的突出不同矿石种类和纯度的差异以及分布情况，保证对矿石的分级有更好的评价。[0024]根据上述实施例，优选地，步骤b具体包括：使用分段直方图线性变换，对所述矿石说　明　书2/3页4CN109949285A4内部图像进行染色。[0025]根据上述实施例，优选地，步骤d后还包括：将矿石种类及位置送入下位机，下位机根据业务流程进行分选，将识别好的类别与坐标通过http、R232、R485、tcp/ip等协议传给下位机，通过对矿石等级的评估，从而进行快速的分类操作。[0026]根据上述实施例，优选地，在所述将矿石种类及位置送入下位机之前，多次重复步骤d，将矿石从多个角度摆放通过X光机，多角度进行取样识别分析有助于提高识别准确度，降低误差。[0027]本发明同时还公开了一种基于卷积神经网络的X光图像下矿石分选系统，其特征在于，包括：取样单元，用于人为选定一组不同种类的矿石作为样本通过X光机；染色单元，用于根据X光机下矿石原始通透率矩阵数据，对矿石内部图像进行染色；训练单元，用于将染色后的图像进行分类标记，通过卷积神经网络进行训练，生成识别模型；识别单元，用于将待识别矿石通过X光机并进行染色后，载入识别模型，预测出待识别矿石的种类及位置。[0028]根据上述实施例，优选地，所述识别单元后还包括：分选单元，用于将矿石种类及位置送入下位机，下位机根据业务流程进行分选。[0029]根据上述实施例，优选地，所述分选单元前还包括：检测单元，用于多次重复所述识别单元。[0030]通过计算机人工智能的方式，使用X光机对于矿石内部进行成像，将X光机成像的染色图进行深度学习卷积神经网络的训练，可以在不进行其他化学检测手段外，模拟人的经验对于矿石分配评估的方式，对矿石含量等级进行识别预判，此方式接近人为分选的准确度，在分选行业公差内，可以实现实时、快速、成批量、低成本的分选。[0031]以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。说　明　书3/3页5CN109949285A5图1说　明　书　附　图1/1页6CN109949285A6