CN104850854A - 一种滑石矿品分选处理方法及滑石矿品分选系统 - Google Patents

Abstract

本发明提供一种滑石矿品分选处理方法和滑石矿分选系统，所述滑石矿品分选处理方法包括以下步骤：S100）滑石图像采集；S200）滑石图像处理；S300）滑石品质判断；S400）滑石分离。所述滑石矿品分选处理系统包括控制模块及分别与所述控制模块连接的照明模块、图像采集模块、图像处理与矿石品位识别模块、矿石输送模块、矿石分离装置。本发明提供了一种基于灰度、纹理、颜色多参数整合的滑石矿品分选处理方法和滑石矿分选系统，该方法既能满足色选法的有效性，又能将滑石与混迹于滑石矿中的其他呈白色的矿物分辨出来，提高滑石分选的精确性。

Description

一种滑石矿品分选处理方法及滑石矿品分选系统

技术领域

本发明涉及矿石分选技术领域，具体涉及滑石矿品分选处理方法及滑石矿品分选系统。

背景技术

滑石是一种具层状构造的含水的镁质硅酸盐矿物，化学式为Mg3[Si4O10](OH)2，以氧化物表示为3MgO·4SiO2·H2O。滑石具有较高的电绝缘性、绝热性、高熔点和对油类有强烈的吸附性能,因此在工业上有广泛的用途。纯净的滑石的颜色特征是呈白色或微带淡黄、粉红、淡绿色调，而带较深颜色的滑石是因为含有杂质元素所致。在形状特性方面，纯净的滑石表面细腻光滑一般呈块状、叶片状、纤维状或放射状。现有的筛选滑石矿品的方法主要有人工手选、浮选、磁选、洗选等方法，其中人工手选成本高、效率低；磁选工艺较为复杂；洗选不能用于高品位滑石的分选，且分选率低；色选是基于对矿物的颜色选择，是目前最简单有效的方法。目前的色选机就是采用色选法计算，通过颜色来选择，主要用于锰矿、钾长石、重晶石、石英砂等矿物的分选，而由于滑石的伴生矿中包含有比较多的绿泥石、菱镁矿、透闪石、白云石、菱铁矿、石英、黄铁矿等其他矿物，这些矿物中有些也呈现白色，与高品位的滑石比较接近，因此，单一的色选法很难实现滑石的分辨和筛选。据国家标准BG1534-94，工业滑石按块度长、宽、厚的任何一个最大尺寸，划分为三种规格:大块滑石:最大边的尺寸应大于200mm；中块滑石:最大边的尺寸为20～200mm；小粒滑石:最大粒径小于20mm。传统的色选机主要采用了气阀将杂物喷出，使杂物和需要的物品分离，但这种气阀用于一般处理最大边小于20mm的物体，对于最大边大于20mm的矿物效果不理想。

发明内容

本发明旨在解决现有技术中存在的技术问题之一。

为此，本发明第一方面是提供一种滑石矿品分选处理方法，既能满足色选法的简单有效性，又能将滑石与混迹于滑石矿中的其他呈白色的矿物分辨出来，提高滑石分选的精确性。本发明提供的一种滑石矿品分选处理方法包括如下步骤：

S100)滑石图像采集；

S200)滑石图像处理；

S300)滑石品质判断；

S400)滑石分离。

本方法通过获取滑石矿品图像，并通过对所采集的图像处理获得滑石的颜色、灰度、纹理等多参数图像特征，并对这些图像进行特征分析并判断，然后将滑石分离开来，剔除杂矿，并实现滑石矿品位分类。

进一步的，在所述步骤S200中包含以下步骤：

S210)滑石图像背景去除；

S220)滑石图像的颜色、灰度和纹理提取。

通过滑石背景去除，可避免背景色纳入颜色识别，减少分析对象，提高分析效率；而图像的颜色、灰度和纹理是作为矿品质地和品位分析的三个基本要素，提取出来用于进一步处理分析。

进一步的，在所述步骤S300中包含以下步骤：

S310)将所提取到的滑石图像的颜色、灰度、和纹理与已有的各品位的滑石矿品图像的标准颜色、标准灰度、标准纹理进行参数相似度计算；

S320)根据参数相似度判定滑石矿应属品位段。

通过将将所提取到的滑石图像的颜色、灰度、和纹理与已有的各品味的滑石矿品图像的标准颜色、标准灰度、标准纹理进行参数相似度计算，通过参数值更能客观、标准一致的确定矿石的属性，可以更精准的识别该图像的矿石是否为滑石以及应属于滑石的哪一级品位段。

更进一步的，步骤S210中包含以下步骤：

S211)图像增强；

S212)提取图像边缘；

S213)图像背景边缘清除；

S214)生成边缘模板；

S215)得到目标模板；

S216)得到结果图像。

更进一步的，在所述步骤S220中，

颜色提取采用颜色直方图方案获得；

灰度提取是将彩色的图像所形成的RGB空间转换到YUV空间，通过计算得到的Y矩阵值来形成灰度值，计算公式为Y＝0.229×R+0.587×G+0.114×B；

纹理提取是采用灰度共生矩阵方法来获得纹理特征参数，具体选用灰度共生矩阵中的能量、惯性矩、熵、相关、局部平稳五种特征来表征图像的纹理。

进一步的，灰度共生矩阵是描述在q方向上，相隔d像元距离的一对像元，分别具有灰度值i和j的出现概率，其元素可记为P(i,j|d,q)，当q和d选定时，可简记为P_i,j，这时能量记为E(d,q)、惯性矩记为H(d,q)、熵记为I(d,q)、相关记为C(d,q)、局部平稳记为L(d,q)，并分别满足以下关系式：

$\left(1\right)---E(d,\mathrm{\θ})=\underset{i,j}{\mathrm{\Σ}}{\left\{P(i,j)\right|d,\mathrm{\θ}\}}^2$

$\left(2\right)---H(d,\mathrm{\θ})=-\underset{i,j}{\mathrm{\Σ}}\left\{P(i,j)\right|d,\mathrm{\θ}\}-\log \{P(i,j|d,\mathrm{\θ})\}$

$\left(3\right)---I(d,\mathrm{\θ})=\underset{i.j}{\mathrm{\Σ}}{(i-j)}^{2}P(i,j|d,\mathrm{\θ})$

$\left(4\right)---C(d,\mathrm{\θ})=\frac{\underset{i,j}{\mathrm{\Σ}}(i-u_x)(j-u_y)P(i,j|d,\mathrm{\θ})}{{\mathrm{\σ}}_x{\mathrm{\σ}}_y},$ 其中

$u_x=\underset{i}{\mathrm{\Σ}}i\underset{j}{\mathrm{\Σ}}P(i,j|d,\mathrm{\θ}),u_x=\underset{j}{\mathrm{\Σ}}j\underset{i}{\mathrm{\Σ}}P(i,j|d,\mathrm{\θ}){\mathrm{\σ}}_x=\underset{i}{\mathrm{\Σ}}{(i=u_x)}^2\underset{j}{\mathrm{\Σ}}P(i,j|d,\mathrm{\θ}),$

${\mathrm{\σ}}_y=\underset{j}{\mathrm{\Σ}}{(i-u_y)}^2\underset{i}{\mathrm{\Σ}}P(i,j|d,\mathrm{\θ})$

$\left(5\right)---L(d,\mathrm{\θ})=\underset{i,j}{\mathrm{\Σ}}\frac{1}{1+{(i-j)}^2}P(i,j|d,\mathrm{\θ}).$

进一步的，在步骤S310中,颜色、灰度与已有的各品味的滑石矿品图像的标准颜色、灰度进行参数相似度采用“相关”的方法进行直方图H₁和H₂匹配计算，匹配值按式6计算，纹理与已有的各品味的滑石矿品图像的标准纹理进行参数相似度采用欧几里得距离方法计算，若所采集的图像为a，模板标准图像b，分别对应于其特征向量F_a＝{f_a1,f_a2,f_a3,f_a4}和F_b＝{f_b1,f_b2,f_b3,f_b4}，则欧几里得距离按式7计算，其中

$\left(6\right)---d(H_1,H_2)=\frac{{\mathrm{\Σ}}_i(H_1\left(i\right)-{H_1}^{\′})\left(H_2\left(i\right)\right)}{\sqrt{{\mathrm{\Σ}}_i{(H_1\left(i\right)-{H^{\′}}_1)}^2{\mathrm{\Σ}}_i{(H_2\left(i\right)-{H^{\′}}_2)}^2}},{H^{\′}}_k=\frac{1}{N}\underset{j}{\mathrm{\Σ}}{H}_k\left(j\right);$

$\left(7\right)---D(a,b)=\sqrt{\underset{i}{\overset{4}{\mathrm{\Σ}}}{(f_{\mathrm{ai}}-f_{\mathrm{bi}})}^2}.$

通过图像增强可以提高图像的清晰度，使图像变得更有利于计算和处理，方便边界的生成，通过提取图像边缘，形成图像中所要提取的目标和背景的分界线，可以进一步便于将背景和目标区分开，通过图像背景边缘清除背景图像中灰度变化引起的假性边缘，生成边缘模板的过程使得图像边缘更加清晰明确，得到目标模板的过程将边缘外部的杂质点清除，方便清晰的界定图像，得到结果图像的过程是将目标模板和原始图像进行“与”运算得到背景去除的结果图像，所得到的结果图像便于提取颜色、灰度和纹理。

通过本发明所提供的滑石矿品分选处理方法不但能够简单快速的将滑石从与其他矿物的混合矿石中分离出来，而且可以将滑石按设定的品位分离出来，工艺简单，分选效率高。

本发明另一方面还提供了一种滑石矿分选系统，可以将滑石从带有其他杂矿的滑石矿中分选提炼出来，该滑石矿分选系统包括控制模块及分别与所述控制模块连接的照明模块、图像采集模块、图像处理与矿石品位识别模块、矿石输送模块、滑石分离装置，其中所述照明模块为位于所述矿石输送模块上的滑石矿提供环境照明，图像采集模块采集矿石输送模块上的滑石矿图像并将所采集的滑石矿图像传送至图像处理与矿石品位识别模块，图像处理与矿石品位识别模块将滑石矿图像进行处理、滑石品质判断后形成滑石品位识别信息，再将所述滑石矿品位识别信息发送至所述控制系统，所述控制系统控制所述滑石分离装置对相应品位的滑石矿进行分离。

进一步的，所述图像处理与矿石品位识别模块将滑石矿图像进行处理、滑石品质判断过程包括以下过程：

S210)滑石图像背景去除；

S220)滑石图像的颜色、灰度和纹理提取；

S310)将所提取到的滑石图像的颜色、灰度、和纹理与已有的各品味的滑石矿品图像的标准颜色、标准灰度、标准纹理进行参数相似度计算；

S320)根据参数相似度判定滑石矿应属品位段。

更进一步的，步骤S210中包括以下步骤：

S211)图像增强；

S212)提取图像边缘；

S213)图像背景边缘清除；

S214)生成边缘模板；

S215)得到目标模板；

S216)得到结果图像。

根据本发明的一个实施例，所述图像采集模块为CCD照相机。

根据本发明的一个实施例，所述滑石分离装置为机械手。

根据本发明的一个实施例，所述矿石输送模块为传送履带。

通过本发明中提出的滑石矿分选系统不但可以能够简单快速的将滑石从与其他矿物的混合矿石中分离出来，而且可以将滑石按设定的品位分离出来，同时工艺简单，分选效率高，操作方便。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1为本发明中的滑石矿样品图像去除背景效果图；

图2为本发明中的滑石分选系统构成示意图。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

下面对本发明第一方面实施例的滑石矿品分选处理方法做进一步的描述。

根据本发明的一个具体实施例，提供一种滑石矿品分选处理方法，可以用于分选20～200mm的滑石矿品，根据不同纯度的滑石在不同领域上的应用，本发明提供的方法将根据滑石矿品中滑石含量分为高、中、低三个等级品位从滑石矿混合杂矿中分选出来，其中界定高品位滑石中滑石含量≥80％，中品位滑石含量50％～80％，低品位滑石含量30％～50％。由于这三个不同品位的滑石矿的颜色、灰度、纹理存在差异，也与其他非滑石矿的颜色、灰度及纹理存在差异，基于此些差异，提供了一种滑石矿品分选处理方法包括如下步骤：

S100)滑石图像采集，

S200)滑石图像处理

S300)滑石品质判断

S400)滑石分离

本方法通过获取滑石矿品图像，并通过对所采集的图像处理获得滑石的颜色、灰度、纹理等多参数图像特征，并对这些图像进行特征分析并判断，然后将滑石分离开来，剔除杂矿，并实现滑石矿品位分类。

一种更具体的滑石矿品分选处理方法，是在步骤S200中包含以下步骤：

S210)滑石图像背景去除；

S220)滑石图像的颜色、灰度和纹理提取。

通过滑石图像背景去除，可避免背景色纳入颜色识别，减少分析对象，提高分析效率；而图像的颜色、灰度和纹理是作为矿品质地和品位分析的三个基本要素，提取出来用于进一步处理分析。

其中滑石图像的颜色提取具体是采用颜色直方图方案获得，(颜色直方图是在许多图像检索系统中被广泛应用的颜色特征，具有很好的表现能力，而彩色图像的直方图描述的是不同颜色在整幅图像中所占的比例，而并不关心每种颜色所处的空间位置，因此颜色直方图特别适用于描述那些难以自动分割的图像和不需要考虑物体空间位置的图像。)计算颜色直方图需要将颜色空间划分为若干个小的颜色区间，每个颜色区间成为颜色直方图的一个bin，这个过程称为颜色量化(color uantization)，然后通过计算图像中颜色落在每个小区间内的像素数量可以得到颜色直方图。颜色直方图可以基于不同的颜色空间和坐标系，本实施例采用常用的RGB颜色空间，因为大部分的数字图像都是用这种颜色空间表达的。当图像颜色用RGB空间表示时，彩色图像的直方图可以用R、G、B三个单色的直方图来表示或用一个RGB联合分布的颜色直方图来表示，当用三个单色直方图表示时，各个直方图表示的是图像在这种颜色分量的统计分布，总共有三个不同的概率分布，而彩色图像直接用三个颜色直方图表示时，其统计的是不同颜色出现的频数，以色彩作为横坐标，纵坐标为色彩出现的频数。

其中，图像的灰度提取是通过图像的灰度值体现，灰度值指黑白图像中点的颜色深度，范围一般从0到255，白色为255，黑色为0，它是一个判断滑石矿品质的重要指标，从滑石品位来看，滑石矿图像的灰度值越高，滑石品位越好。而存在于图像数据库中的图像均是彩色的BMP格式的图像，此种格式没有灰度项，因此首先要需要把彩色RGB空间转换到YUV空间，所得到的Y矩阵值就是图像的灰度值，计算可获得各彩色图像的灰度值：

Y＝0.229×R+0.587×G+0.114×B。

其中，图像的纹理提取是通过图像处理技术提取出的纹理特征参数，本实施例中采用纹理特征中的统计分析方法中的二阶统计量方法来获得纹理特征参数，具体为Haralick于1973年提出的灰度共生矩阵方法，灰度共生矩阵是描述在q方向上，相隔d像元距离的一对像元，分别具有灰度值i和j的出现概率，其元素可记为P(i,j|d,q))当q和d选定时，也可简记为P_i,j，由于灰度共生矩阵是一个对称矩阵，其阶数由图像中的灰级个数决定。从灰度共生矩阵中，选用能量、惯性矩、熵、相关、局部平稳这五种特征来表征图像的纹理，其中计算公式依次如下：

(1)、能量： $E(d,\mathrm{\θ})=\underset{i,j}{\mathrm{\Σ}}{\left\{P(i,j)\right|d,\mathrm{\θ}\}}^2$

能量是对图像灰度分布均匀性的度量，当共生矩阵中的元素P(i,j|d,q)较集中的分布在主对角线附近时，从图像的整体来观察纹理较粗，相应的能量值较大；反之能量值较小。

(2)、熵： $H(d,\mathrm{\θ})=-\underset{i,j}{\mathrm{\Σ}}\left\{P(i,j)\right|d,\mathrm{\θ}\}-\log \{P(i,j|d,\mathrm{\θ})\}$

熵是对图像的信息量的度量，纹理信息也属于图像信息，若图像没有任何纹理，则灰度共生矩阵几乎为零矩阵，熵值接近为零，若图像充满细纹理，当灰度共生矩阵中各P(i,j|d,q)数值相差不大且较分散时，熵值较大，反之，若P(i,j|d,q)的数值较集中分布且数值差别较大时，熵值较小。

(3)、惯性矩： $I(d,\mathrm{\θ})=\underset{i.j}{\mathrm{\Σ}}{(i-j)}^{2}P(i,j|d,\mathrm{\θ})$

惯性矩可以理解为图像纹理清晰程度，在图像中，纹理的沟纹越深，其数值就越大，图像的视觉效果越清晰。

(4)、相关： $C(d,\mathrm{\θ})=\frac{\underset{i,j}{\mathrm{\Σ}}(i-u_x)(j-u_y)P(i,j|d,\mathrm{\θ})}{{\mathrm{\σ}}_x{\mathrm{\σ}}_y}$

其中： $u_x=\underset{i}{\mathrm{\Σ}}i\underset{j}{\mathrm{\Σ}}P(i,j|d,\mathrm{\θ}),u_x=\underset{j}{\mathrm{\Σ}}j\underset{i}{\mathrm{\Σ}}P(i,j|d,\mathrm{\θ})$

${\mathrm{\σ}}_x=\underset{i}{\mathrm{\Σ}}{(i=u_x)}^2\underset{j}{\mathrm{\Σ}}P(i,j|d,\mathrm{\θ}),{\mathrm{\σ}}_y=\underset{j}{\mathrm{\Σ}}{(i-u_y)}^2\underset{i}{\mathrm{\Σ}}P(i,j|d,\mathrm{\θ})$

相关是用来描述矩阵中行或列元素之间相似程度的，它是灰度线性关系的度量，若图像具有水平方向的纹理，则图像在水平方向上的灰度共生矩阵的相关值往往大于其它方向灰度共生矩阵的相关值。

(5)、局部平稳： $L(d,\mathrm{\θ})=\underset{i,j}{\mathrm{\Σ}}\frac{1}{1+{(i-j)}^2}P(i,j|d,\mathrm{\θ})$

基于共生矩阵提取图像纹理特征方法目前较为成熟、实用，也是人们公认的一种纹理分析的重要方法。

一种更具体的滑石宽屏分选处理方法是在所述步骤S300中包含以下步骤：

S310)将所提取到的滑石图像的颜色、灰度、和纹理与已有的各品位的滑石矿品图像的标准颜色、标准灰度、标准纹理进行参数相似度计算；

S320)根据参数相似度判定滑石矿应属品位段。

其中滑石矿品图像颜色直方图和预存的模板标准颜色直方图的相似度比较，为了提高匹配速度，本实施例采用“相关”的方法进行两个直方图匹配。两个直方图H₁和H₂，N是直方图中bin的数目。

“相关”的计算公式：

$d(H_1,H_2)=\frac{{\mathrm{\Σ}}_i(H_1\left(i\right)-{H_1}^{\′})\left(H_2\left(i\right)\right)}{\sqrt{{\mathrm{\Σ}}_i{(H_1\left(i\right)-{H^{\′}}_1)}^2{\mathrm{\Σ}}_i{(H_2\left(i\right)-{H^{\′}}_2)}^2}}$

其中，对于相关，数值越大则越匹配。完全匹配的数值为1，完全不匹配时-1，值为0则表示无关联(随机组合)。

得到图像的灰度值后，采用上述创建彩色直方图的方法创建灰度直方图。然后同样采用上述直方图匹配方法，按“相关”的计算公式得出灰度值相似度。

在提取了纹理特征参数之后，要进行相似度的度量，本实施例采用欧几里得距离方法度量两个图像的纹理相似度，由上述计算得到的参数组成一组多维向量，若所采集的图像为a，模板标准图像b，分别对应于其特征向量F_a＝{f_a1,f_a2,f_a3,f_a4}和F_b＝{f_b1,f_b2,f_b3,f_b4}，则欧几里得距离所度量的两个图图像纹理相似度公式为：

$D(a,b)=\sqrt{\underset{i}{\overset{4}{\mathrm{\Σ}}}{(f_{\mathrm{ai}}-f_{\mathrm{bi}})}^2}$

图像参数的欧几里得距离越小，相似度越大。

由于采集到的矿石图像千差万别，有时图像灰度起伏变化剧烈，呈现出很强的纹理特性，有时图像由若干个平稳但颜色有差异的区域构成。颜色和纹理都只是描述了图像的一部分特征，有时检索一幅图像用颜色特征能检索出来而用纹理特征却检索不出来，或者相反的情况是经常发生的。单纯的只用一种特征来表征图像的信息并不能全面的描述图像所包含的内容，在滑石矿的伴生矿中，如石英、白云石、菱镁矿存在着与高品位的滑石相近的颜色。但这些杂矿的纹理特征，如平滑度、粗糙度和规律性的度量都与滑石有明显区别，易出现颜色相近额视觉相差甚远的情况，引入图像的纹理特征，在进行相似性检索时会拉大图像的相似性距离，使图像的检索结果更精确，因此通过颜色相似度、灰度相似度和纹理相似度综合比较就能将滑石从滑石混合杂矿中识别出来，分别限定高品位、中品位和低品位滑石的相似度范围值就能实现品位段识别，然后再根据不同的品位段对滑石进行分离后归集。

本实施例中，在步骤S210中更进一步的还包含以下步骤：

S211)图像增强；

S212)提取图像边缘；

S213)图像背景边缘清除；

S214)生成边缘模板；

S215)得到目标模板；

S216)得到结果图像。

通过图像增强可以提高图像的清晰度，使图像变得更有利于计算和处理，方便边界的生成，通过提取图像边缘，形成图像中所要提取的目标和背景的分界线，可以进一步便于将背景和目标区分开，通过图像背景边缘清除背景图像中灰度变化引起的假性边缘，生成边缘模板的过程使得图像边缘更加清晰明确，得到目标模板的过程将边缘外部的杂质点清除，方便清晰的界定图像，得到结果图像的过程是将目标模板和原始图像进行“与”运算得到背景去除的结果图像，所得到的结果图像便于提取颜色、灰度和纹理。

图像增强的主要目的是提高图像的清晰度，使图像变得更有利于计算机的处理，方便边界的生成。边缘是图像中所要提取的目标和背景的分界线，只有提取出了边缘才能将背景和目标区分开，图像中的边缘通常是灰度值不连续的结果，可以利用求导数的方法进行检测，本实施例采用Canny算子对图像进行卷积运算得到边缘算子，其优点在于，使用两种不同的阈值分别检测强边缘和弱边缘，并且仅当弱边缘和强边缘相连时，才将弱边缘包含在输出图像中。提取了边缘后得到的图像还包含了大量背景图像中灰度变化引起的边缘，需要将其清除后才能更准确的反映矿石的实际图像，具体的清除过程包括首先对原始彩色图像进行空间归一化处理，接着采用阈值分割和形态学运算可生成一个略大于目标图像且边缘并不准确的模板，然后将模板和提取边缘后得到的图像进行“与”运算,则模板内的边缘保留，模板外的边缘被清除。对边缘图像进行分析，在目标边缘端点间填充一些边缘点，将得到的边缘点集用连接成线。再对目标边缘进行填充，生成边缘模板。由于得到的边缘模板在图像边缘外部存在着许多杂点，为了得到更加准确的滑石矿品图像，必须对模板外的点集进行识别，清除杂点，得到边缘准确的目标模板。用目标模板和原始图像进行“与”运算得到背景去除的结果图像,此结果图像便于提取颜色、灰度和纹理。图1为滑石矿样品图像背景去除的实验结果效果图，其中(a)为原始图像，(b)为结果图像。

如图2所示，提供了一种滑石分选系统，包括控制模块100及分别与所述控制模块100连接的照明模块300、图像采集模块400、图像处理与矿石品位识别模块500、矿石输送模块200、滑石分离装置600，其中照明模块300为位于矿石输送模块200上的滑石矿提供环境照明，图像采集模块400采集矿石输送模块200上的滑石矿图像并将所采集的滑石矿图像传送至图像处理与矿石品位识别模块500，图像处理与矿石品位识别模块500将滑石矿图像进行处理、滑石品质判断后形成滑石品位识别信息，再将滑石矿品位识别信息发送至控制系统100，控制系统100控制滑石分离装置600对相应品位的滑石矿进行分离。本系统通过像处理与矿石品位识别模块500将滑石矿快速识别是否为滑石以及滑石的品位级别，并通过滑石分离装置600进行分离出来，完成一个分离动作后再往复循环进行下一个识别分选行为，可以快速分选滑石矿。

更具体的一些实施例，图像处理与矿石品位识别模块500将滑石矿图像进行处理、滑石品质判断过程包括以下过程：

S210)滑石图像背景去除；

S220)滑石图像的颜色、灰度和纹理提取；

S310)将所提取到的滑石图像的颜色、灰度、和纹理与已有的各品味的滑石矿品图像的标准颜色、标准灰度、标准纹理进行参数相似度计算；

S320)根据参数相似度判定滑石矿应属品位段。

其中，步骤S210中进一步包括以下具体步骤：

S211)图像增强；

S212)提取图像边缘；

S213)图像背景边缘清除；

S214)生成边缘模板；

S215)得到目标模板；

S216)得到结果图像。

以上具体步骤的进一步实现过程在前述的滑石矿品分选处理方法中已经介绍，此处不再细述。

本发明的滑石矿品分选处理系统，具体的一个实施例中，图像采集模块400为CCD照相机，滑石分离装置600为机械手，矿石输送模块200为传送履带。

在本说明书的描述中，术语“一个实施例”、“一些实施例”、“具体实施例”“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或实例。而且，描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的创造性精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种滑石矿品分选处理方法，其特征在包括如下步骤：

S100)滑石图像采集；

S200)滑石图像处理；

S300)滑石品质判断；

S400)滑石分离。

2.根据权利要求1所述的滑石矿品分选处理方法，其特征在于在步骤S200中包括以下步骤：

S210)滑石图像背景去除；

S220)滑石图像的颜色、灰度和纹理提取。

3.根据权利要求2所述的滑石矿品分选处理方法，其特征在于在步骤S300中包括以下步骤：

S310)将所提取到的滑石图像的颜色、灰度、和纹理与已有的各品味的滑

石矿品图像的标准颜色、灰度、和纹理进行参数相似度计算；

S320)根据参数相似度判定滑石矿应属品位段。

4.根据权利要求2所述的滑石矿品分选处理方法，其特征在于在

步骤S210中包括以下步骤：

S211)图像增强；

S212)提取图像边缘；

S213)图像背景边缘清除；

S214)生成边缘模板；

S215)得到目标模板；

S216)得到结果图像。

5.根据权利要求2所述的滑石矿品分选处理方法，其特征在于在所述步骤S220中，

颜色提取采用颜色直方图方案获得；

灰度提取是将彩色的图像所形成的RGB空间转换到YUV空间，通过计算得到的Y矩阵值来形成灰度值，计算公式为Y＝0.229×R+0.587×G+0.114×B；

纹理提取是采用灰度共生矩阵方法来获得纹理特征参数，具体选用灰度共生矩阵中的能量、惯性矩、熵、相关、局部平稳五种特征来表征图像的纹理。

6.根据权利要求5所述的滑石矿品分选处理方法，其特征在于在所述灰度共生矩阵是描述在θ方向上，相隔d像元距离的一对像元，分别具有灰度值i和j的出现概率，其元素可记为P(i,j|d,θ)，当θ和d选定时，可简记为P_i,j，这时能量记为E(d,θ)、惯性矩记为H(d,θ)、熵记为I(d,θ)、相关记为C(d,θ)、局部平稳记为L(d,θ)，并分别满足以下关系式：

⑴    $E(d,\mathrm{\θ})=\underset{i,j}{\mathrm{\Σ}}{\left\{P(i,j)\right|d,\mathrm{\θ}\}}^2$

⑵    $H(d,\mathrm{\θ})=-\underset{i,j}{\mathrm{\Σ}}\left\{P(i,j)\right|d,\mathrm{\θ}\}-\log \{P(i,j|d,\mathrm{\θ})\}$

⑶    $I(d,\mathrm{\θ})=\underset{i,j}{\mathrm{\Σ}}{(i-j)}^{2}P(i,j|d,\mathrm{\θ})$

⑷    $C(d,\mathrm{\θ})=\frac{\underset{i,j}{\mathrm{\Σ}}(i-u_x)(j-u_y)P(i,j|d,\mathrm{\θ})}{{\mathrm{\σ}}_x{\mathrm{\σ}}_y},$ 其中

$u_x=\underset{i}{\mathrm{\Σ}}i\underset{j}{\mathrm{\Σ}}P(i,j|d,\mathrm{\θ}),u_x=\underset{j}{\mathrm{\Σ}}j\underset{i}{\mathrm{\Σ}}P(i,j|d,\mathrm{\θ}){\mathrm{\σ}}_x=\underset{i}{\mathrm{\Σ}}{(i=u_x)}^2\underset{j}{\mathrm{\Σ}}P(i,j|d,\mathrm{\θ}),$

${\mathrm{\σ}}_y=\underset{y}{\mathrm{\Σ}}{(i-u_y)}^2\underset{i}{\mathrm{\Σ}}P(i,j|d,\mathrm{\θ})$

⑸    $L(d,\mathrm{\θ})=\underset{i,j}{\mathrm{\Σ}}\frac{1}{1+{(i-j)}^2}P(i,j|d,\mathrm{\θ}).$

7.根据权利要求3所述的滑石矿品分选处理方法，其特征在于在步骤S310中,颜色、灰度与已有的各品味的滑石矿品图像的标准颜色、灰度进行参数相似度采用“相关”的方法进行直方图H₁和H₂匹配计算，匹配值按式6计算，纹理与已有的各品味的滑石矿品图像的标准纹理进行参数相似度采用欧几里得距离方法计算，若所采集的图像为a，模板标准图像b，分别对应于其特征向量F_a＝{f_a1,f_a2,f_a3,f_a4}和F_b＝{f_b1,f_b2,f_b3,f_b4}，则欧几里得距离按式7计算，其中

⑹    $d(H_1,H_2)=\frac{{\mathrm{\Σ}}_i(H_1\left(i\right)-{H_1}^{\′})\left(H_2\left(i\right)\right)}{\sqrt{{\mathrm{\Σ}}_i{(H_1\left(i\right)-{H^{\′}}_1)}^2{\mathrm{\Σ}}_i{(H_2\left(i\right)-{H^{\′}}_2)}^2}},{H^{\′}}_k=\frac{1}{N}\underset{j}{\mathrm{\Σ}}{H}_k\left(j\right);$

⑺    $D(a,b)=\sqrt{\underset{i}{\overset{4}{\mathrm{\Σ}}}{(f_{\mathrm{ai}}-f_{\mathrm{bi}})}^2}.$

8.一种滑石矿品分选处理系统，包括控制模块及分别与所述控制模块连接的照明模块、图像采集模块、图像处理与矿石品位识别模块、矿石输送模块、矿石分离装置，其中所述照明模块为位于所述矿石输送模块上的滑石矿提供环境照明，图像采集模块采集矿石输送模块上的滑石矿图像并将所滑石矿图像传送至图像处理与矿石品位识别模块，图像处理与矿石品位识别模块将滑石矿图像进行处理、滑石品质判断后形成滑石品位识别信息，再将所述滑石矿品位识别信息发送至所述控制系统，所述控制系统控制所述滑石分离装置对相应品位的滑石矿进行分离。

9.根据权利要求8所述的滑石矿品分选处理系统，其特征在于所述图像处与理矿石品位识别模块将滑石矿图像进行处理、滑石品质判断过程包括以下过程：

S210)滑石图像背景去除；

S220)滑石图像的颜色、灰度和纹理提取；

S310)将所提取到的滑石图像的颜色、灰度、和纹理与已有的各品味的滑石矿品图像的标准颜色、标准灰度、标准纹理进行参数相似度计算；

S320)根据参数相似度判定滑石矿应属品位段。