CN108051440A - 一种矿石自动光学识别方法 - Google Patents
一种矿石自动光学识别方法 Download PDFInfo
- Publication number
- CN108051440A CN108051440A CN201711225589.5A CN201711225589A CN108051440A CN 108051440 A CN108051440 A CN 108051440A CN 201711225589 A CN201711225589 A CN 201711225589A CN 108051440 A CN108051440 A CN 108051440A
- Authority
- CN
- China
- Prior art keywords
- ore
- region
- photo
- recognition methods
- automated optical
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Analytical Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
一种矿石自动光学识别方法，包括：S1、分割矿石照片以区分背景区域和矿石区域；S2、获取所述矿石区域的矿石特征并基于所述矿石特征进行矿石识别。在分割矿石照片之前可以对照片矿石进行预处理，然后采用欧式距离变换将预处理后的所述矿石照片分割成背景区域和矿石区域。对于分割获得的矿石区域，可以提取所述矿石区域的多个矿石特征以及位置。然后采用BP神经网络基于所述多个矿石特征进行矿石识别，并输出识别为矿石的所述矿石区域的位置。实施本发明的矿石自动光学识别方法和计算机可读存储介质，其采用处理器可以进行矿石自动光学识别，因此与人工手选相比速度快、生产效率高、成本低且分选率高。
Description
技术领域
本发明涉及矿石识别领域，更具体地说，涉及一种矿石自动光学识别方法。
背景技术
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。
发明内容
本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种矿石自动光学识别方法，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。
本发明解决其技术问题所采用的技术方案是：构造一种矿石自动光学识别方法，包括：
S1、分割矿石照片以区分背景区域和矿石区域；
S2、获取所述矿石区域的矿石特征并基于所述矿石特征进行矿石识别。
在本发明所述的矿石自动光学识别方法中，所述步骤S1进一步包括：
S11、获取矿石照片并且对所述矿石照片进行预处理：
S12、采用欧式距离变换将预处理后的所述矿石照片分割成背景区域和矿石区域。
在本发明所述的矿石自动光学识别方法中，所述步骤S12进一步包括：
S121、根据预定的背景均值设定欧式距离阈值，并基于下列公式将所述矿石照片分割成背景区域和矿石区域以生成二值图像
其中，z为所述矿石照片中的任意一点的向量，b为预定的背景均值向量。
在本发明所述的矿石自动光学识别方法中，所述步骤S11进一步包括：
S111、读取相机获取的所述矿石照片并调整所述矿石照片的大小；
S112、采用顶帽换算法校正所述矿石照片。
在本发明所述的矿石自动光学识别方法中，所述步骤S2进一步包括：
S21、提取所述矿石区域的多个矿石特征以及位置；
S22、采用BP神经网络基于所述多个矿石特征进行矿石识别，并输出识别为矿石的所述矿石区域的位置。
在本发明所述的矿石自动光学识别方法中，所述步骤S21进一步包括：
S211、判断所述矿石区域的数量是否为零，如果是则重新获取新的矿石照片并返回步骤S1，否则执行步骤S212；
S212、进行连通区域分析以对每个矿石区域进行标号并获取每个矿石区域的位置；
S213、获取每个矿石区域的多个矿石特征。
在本发明所述的矿石自动光学识别方法中，所述多个矿石特征包括：灰度最大值、灰度最小值、面积、对比度、红色分量的均值、绿色分量的均值和蓝色分量的均值。
在本发明所述的矿石自动光学识别方法中，所述连通区域分析采用二次扫描法或联合查找法进行。
在本发明所述的矿石自动光学识别方法中，所述矿石为钨矿，在采用BP神经网络进行矿石识别之前，BP神经网络已经对大量钨矿样本和废石样本进行学习以确定权值和学习率。
在本发明所述的矿石自动光学识别方法中，所述步骤S2进一步包括:
S23、将所述矿石区域的位置转换成所述矿石的运动位置；
S24、驱动喷射装置基于所述运动位置喷射所述矿石。
本发明解决其技术问题所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，所述程序被处理器执行时实现如下步骤：
S1、分割矿石照片以区分背景区域和矿石区域；
S2、获取所述矿石区域的矿石特征并基于所述矿石特征进行矿石识别。
在本发明所述的计算机可读存储介质，所述步骤S1进一步包括：
S11、获取矿石照片并且对所述矿石照片进行预处理：
S12、采用欧式距离变换将预处理后的所述矿石照片分割成背景区域和矿石区域。
在本发明所述的计算机可读存储介质，所述步骤S12进一步包括：
S121、根据预定的背景均值设定欧式距离阈值，并基于下列公式将所述矿石照片分割成背景区域和矿石区域以生成二值图像
其中，z为所述矿石照片中的任意一点的向量，b为预定的背景均值向量。
在本发明所述的计算机可读存储介质，所述步骤S11进一步包括：
S111、读取相机获取的所述矿石照片并调整所述矿石照片的大小；
S112、采用顶帽换算法校正所述矿石照片。
在本发明所述的计算机可读存储介质，所述步骤S2进一步包括：
S21、提取所述矿石区域的多个矿石特征以及位置；
S22、采用BP神经网络基于所述多个矿石特征进行矿石识别，并输出识别为矿石的所述矿石区域的位置。
在本发明所述的计算机可读存储介质，所述步骤S21进一步包括：
S211、判断所述矿石区域的数量是否为零，如果是则重新获取新的矿石照片并返回步骤S1，否则执行步骤S212；
S212、进行连通区域分析以对每个矿石区域进行标号并获取每个矿石区域的位置；
S213、获取每个矿石区域的多个矿石特征。
在本发明所述的计算机可读存储介质，所述多个矿石特征包括：灰度最大值、灰度最小值、面积、对比度、红色分量的均值、绿色分量的均值和蓝色分量的均值。
在本发明所述的计算机可读存储介质，所述连通区域分析采用二次扫描法或联合查找法进行。
在本发明所述的计算机可读存储介质，所述矿石为钨矿，在采用BP神经网络进行矿石识别之前，BP神经网络已经对大量钨矿样本和废石样本进行学习以确定权值和学习率。
在本发明所述的计算机可读存储介质，所述步骤S2进一步包括:
S23、将所述矿石区域的位置转换成所述矿石的运动位置；
S24、驱动喷射装置基于所述运动位置喷射所述矿石。
实施本发明的矿石自动光学识别方法和计算机可读存储介质，其采用处理器可以进行矿石自动光学识别，因此与人工手选相比速度快、生产效率高、成本低且分选率高。进一步地，通过对矿石照片的预处理以及BP神经网络的采用，可以进一步提高矿石识别的识别率和稳定性。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明的矿石自动光学识别方法的第一实施例的流程图；
图2是本发明的矿石自动光学识别方法的第二实施例的流程图；
图3是本发明的矿石自动光学识别方法的第三实施例的流程图；
图4a-4c是采用图3所示的矿石自动光学识别方法对矿石照片进行分割识别的效果示意图；
图5是3层BP神经网络的结构示意图；
图6是本发明的矿石自动光学识别方法采用的BP神经网络的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明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发明，并不用于限定本发明。
本发明涉及一种矿石自动光学识别方法。本发明的各个方面包括分割矿石照片以区分背景区域和矿石区域以及获取所述矿石区域的矿石特征并基于所述矿石特征进行矿石识别。在分割矿石照片之前可以对照片矿石进行预处理，然后采用欧式距离变换将预处理后的所述矿石照片分割成背景区域和矿石区域。对于分割获得的矿石区域，可以提取所述矿石区域的多个矿石特征以及位置。然后采用BP神经网络基于所述多个矿石特征进行矿石识别，并输出识别为矿石的所述矿石区域的位置。
图1是本发明的矿石自动光学识别方法的第一实施例的流程图。如图1所示，本发明的矿石自动光学识别方法包括以下步骤。在步骤S1中，分割矿石照片以区分背景区域和矿石区域。在本发明的优选实施例中，可以采用工业相机，例如面阵相机和线阵相机进行拍摄。然后将拍摄的图片通过千兆网、camera link、USB3.0等接口直接传入处理器，例如计算机。在本发明的优选实施例中，可以对该矿石照片进行预处理，然后采用欧式距离变换分割矿石照片以区分背景区域和矿石区域。
在步骤S2中，获取所述矿石区域的矿石特征并基于所述矿石特征进行矿石识别。在本发明的优选实施例中，可以获取每个矿石区域的一个或者多个矿石特征，然后基于所述矿石特征进行矿石识别，例如可以通过将矿石特征与基准特征进行比对，或者采用BP神经网络基于这些矿石特征进行矿石识别。
实施本发明的矿石自动光学识别方法和计算机可读存储介质，其采用处理器可以进行矿石自动光学识别，因此与人工手选相比速度快、生产效率高、成本低且分选率高。
图2是本发明的矿石自动光学识别方法的第二实施例的流程图。如图2所示，本发明的矿石自动光学识别方法包括以下步骤。在步骤S1中，获取矿石照片并且对所述矿石照片进行预处理。在本发明的优选实施例中，可以采用工业相机，例如面阵相机和线阵相机进行拍摄。然后将拍摄的图片通过千兆网、camera link、USB3.0等接口直接传入处理器。对于线阵相机拍摄的照片，通常需要在相机端设定扫描频率，再合成一张大的图片。无论是面阵相机还是线阵相机，考虑到实际矿石下落的范围，速度、相机成像平面等因素，通常会需要对照片的大小进行一定的调整。因此，预处理可以包括读取相机获取的所述矿石照片并调整所述矿石照片的大小，例如从较大的拍摄区域中选取一个合适的范围，例如矩形范围。当拍摄区域较大时，虽然光源可以稳定，但光照很难均匀，这时预处理可以包括采用顶帽换算法校正所述矿石照片，从而矫正光照。顶帽变换算法由该照片(RGB三个分量)减去对其进行开操作的结果。
在步骤S2中，采用欧式距离变换将预处理后的所述矿石照片分割成背景区域和矿石区域。在本发明的一个优选实施例中，可以根据预定的背景均值设定欧式距离阈值，并基于下列公式将所述矿石照片分割成背景区域和矿石区域以生成二值图像
其中，z为所述矿石照片中的任意一点的向量，b为预定的背景均值向量。下标R、G和B表示向量的三个分量值。对于所述矿石照片中满足上述公式的图像点，可以将其划分为背景区域。对于所述矿石照片中不满足上述公式的图像点，可以将其划分为矿石区域。这样，可以获得二值图像。
在步骤S3中，提取所述矿石区域的多个矿石特征以及位置。在本发明的优选实施例中，可以获取每个矿石区域的一个或者多个矿石特征以及其位置。例如可以采用两次扫描法、联合查找法等等进行连通区域分析，从而获得每个矿石区域。所述一个或多个矿石特征可以包括：灰度最大值、灰度最小值、面积、对比度、红色分量的均值、绿色分量的均值和蓝色分量的均值。
在步骤S4中，采用BP神经网络基于所述多个矿石特征进行矿石识别，并输出识别为矿石的所述矿石区域的位置。在采用BP神经网络进行矿石识别之前，BP神经网络已经对矿石样本和废石样本进行学习以确定权值和学习率。在矿石识别完成之后，可以将识别为矿石的所述矿石区域的在矿石照片中的位置(即行和列)发送给处理器。处理器可以将所述矿石区域的在矿石照片中的位置(即行和列)转换成所述矿石的运动位置。这样就可以获得矿石的实际位置。在本发明的一个优选实施例中，可以驱动喷射装置基于所述运动位置喷射所述矿石，从而实现矿石采选。
实施本发明的矿石自动光学识别方法和计算机可读存储介质，其采用处理器可以进行矿石自动光学识别，因此与人工手选相比速度快、生产效率高、成本低且分选率高。进一步地，通过对矿石照片的预处理以及BP神经网络的采用，可以进一步提高矿石识别的识别率和稳定性。
图3是本发明的矿石自动光学识别方法的第三实施例的流程图。图4是采用图3所示的矿石自动光学识别方法对矿石照片进行分割识别的效果示意图。图5是3层BP神经网络的结构示意图。图6是本发明的矿石自动光学识别方法采用的BP神经网络的结构示意图。下面参照图3-6对本发明的矿石自动光学识别方法在钨矿矿石领域的应用说明如下。
如图3所示，本发明的矿石自动光学识别方法包括以下步骤。在步骤S1中，读取相机获取的所述矿石照片并调整所述矿石照片的大小，例如从较大的拍摄区域中选取一个合适的范围，例如矩形范围。
在步骤S2中，采用顶帽换算法校正所述矿石照片，从而矫正光照。顶帽变换算法由该照片(RGB三个分量)减去对其进行开操作的结果。
在步骤S3中，采用欧式距离变换将预处理后的所述矿石照片分割成背景区域和矿石区域。在RGB色彩空间中，预先设定好光源的参数(位置，光照强度等)可以很稳定的估计好背景板的色彩空间位置，从而获得预定的背景均值，其可记做向量b，向量z为所述矿石照片中的任意一点的向量；两者之间的欧式距离由下述公式给出：
其中R，G，B下标表示向量的三个分量值。设定好threshold的值，则满下标R、G和B表示向量的三个分量值。对于所述矿石照片中满足上述公式的图像点，可以将其划分为背景区域。对于所述矿石照片中不满足上述公式的图像点，可以将其划分为矿石区域。这样，在步骤S4中，可以获得二值图像。图4a示出了原始的矿石照片，图4b示出了分割后的二值图像。在实施例中，可以将背景板设置成纯色，例如红色，这样在RGB色彩模型下，通过界定背景色彩占据的空间可以找到矿石照片的背景区域，剩下的区域即为矿石区域。而该矿石区域中可以包括废石，也可以包括矿石。
在步骤S5中，判断所述矿石区域的数量是否为零。当矿石区域的数量为零时，这说明这张矿石照片中没有发现可能包含矿石的矿石区域，这时无需进行后续识别，将返回步骤S1，读取下一张矿石照片进行判定。当矿石区域的数量为1时，这说明这张矿石照片中发现可能包含矿石的矿石区域，这时需进行后续识别，继续执行步骤S6。
在步骤S6中，进行连通区域分析以对每个矿石区域进行标号并获取每个矿石区域的位置。在本发明的一个优选实施例中，执行步骤S6的目的有两个，一个是给每个矿石区域进行标号以便于后面对每个矿石区域的矿石特性单独进行获取，而此时背景区域就不需要参加计算。二是获取每个矿石区域的位置，即计算每个矿石区域的面积以及其相对区域中心的位置。此后，该面积可以作为识别矿石区域的矿石特征。当然，在本发明的其他优选实施例中，可以后续步骤中获取该面积。连通区域分析的方法有很多种，均可以用于本发明。在本发明的优选实施例中，采用两次扫描法，或是联合查找法。
在步骤S7中，提取一个矿石区域的多个矿石特征。在本实施例中，由于是对钨矿矿石进行识别，根据钨矿矿石以及废石的颜色、光泽、纹理等特性，选用了7个特征值：最大灰度值，最小灰度值，面积，对比度，红色分量的均值，绿色分量的均值，蓝色分量的均值。在这几个矿石特征中，前四个均有灰度图算出。RGB彩色图到灰度图的转换关系如下：
0.2989*R+0.5870*G+0.1140*B
对比度采用如下公式计算：
其中max、min分别表示灰度的最大值和最小值。
由于仅计算矿石区域中的矿石特征，而背景区域不会参与计算。这样会得到理想的分选效果。
本领域技术人员知悉，虽然本实施例是选择了7个特征值对钨矿进行识别，但是本领域技术人员可以根据矿石的种类，产地等等实际因素增加或者减少所需的特征值。
在步骤S8中，采用BP神经网络基于所述多个矿石特征进行矿石识别，并判定识别结果是否为1。图5示出了3层BP网络的结构图，输入节点Xi,隐节点Yj，输出节点Ol，输入节点与隐层节点间的网络权值为ωij，隐层节点与输出节点间的网络权值为Vlj。本领域技术人员知悉，在识别工作之前，首先采用该BP神经网络学习含钨矿石和废石的特征以实现任意非线性关系的映射。学习含钨矿石和废石的特征阶段用来确定算法的参数即权值。而工作阶段即可根据输入的特征和训练好的权值之间的运算得到输出。在本实施例中，选取了1000个样本，其中700个废石样本，300个钨矿样本。在综合计算时间、内存消耗、分选效果等诸多因素后，经过大量的测试，确定了隐藏层节点数为11个，学习速率为0.8，迭代次数为5000。当然，在本发明的其他优选实施例中，可以采用其他数量的样本进行学习测试。基于本发明的教导以及已知的BP神经网络相关知识，本领域技术人员能够实现BP神经网络的设计和完善。
图6是本发明的矿石自动光学识别方法采用的BP神经网络的结构示意图。如图6所示，输入节点为7个，对应为上述7个特征：1-灰度最大值，2-灰度最小值，3-面积，4-对比度，5-红色分量的均值，6-绿色分量的均值以及7-蓝色分量的均值。输出节点为1个，值为0或者1。隐藏层节点为11个。当输出结果为0时，表示识别该矿石区域为废石，而输出结果为1时，表示识别该矿石区域为钨矿。
当在步骤S8中，输出结果为1，表示识别该矿石区域为钨矿，这时执行步骤S9，输出所述矿石区域的位置，然后执行步骤S10，判断是否全部矿石区域分析完毕。当在步骤S8中，输出结果为0，表示识别该矿石区域为废石，这时执行步骤S10，判断是否全部矿石区域分析完毕。
优选地，在步骤S9中，由于输出是在矿石区域中钨矿的中心位置(行和列)。该位置将返回给处理器，将该图像中的行和列变换成实际中的钨矿的运动位置，进而驱动喷射装置喷射所述矿石。
在步骤S10中，如果判定全部矿石区域并未分析完毕，那么将返回步骤S6，读取下一张个矿石区域，重复上述处理过程S6-S10，直到本张矿石照片的全部矿石区域分析完毕。在步骤S10中，如果判定全部矿石区域分析完毕，那么这一张矿石照片分析完毕，将返回步骤S1，读取下一张矿石照片，重复上述处理过程S1-S10，直到全部的矿石照片处理完毕。图4c示出了采用本发明的方法识别出的矿石图像，其中识别出的矿石用蓝色的线圈出了它们的边界。
实施本发明的矿石自动光学识别方法，其采用处理器可以进行矿石自动光学识别，因此与人工手选相比速度快、生产效率高、成本低且分选率高。进一步地，通过对矿石照片的预处理以及BP神经网络的采用，可以进一步提高矿石识别的识别率和稳定性。本发明的矿石自动光学识别方法在实际应用中，该方法识别率在90％以上，且其快速、稳定、符合工业要求。
本发明的另一个实施例提供一种可机读存储器和/或存储介质，其内存储的机器代码和/或计算机程序包括至少一个代码段，由机器和/或计算机执行而使得该机器和/或计算机执行本申请中描述的矿石自动光学识别方法的各个步骤。
因此，本发明可以通过硬件、软件或者软、硬件结合来实现。本发明可以在至少一个计算机系统中以集中方式实现，或者由分布在几个互连的计算机系统中的不同部分以分散方式实现。任何可以实现本发明方法的计算机系统或其它设备都是可适用的。常用软硬件的结合可以是安装有计算机程序的通用计算机系统，通过安装和执行程序控制计算机系统，使其按本发明方法运行。
本发明还可以通过计算机程序产品进行实施，程序包含能够实现本发明方法的全部特征，当其安装到计算机系统中时，可以实现本发明的方法。本文件中的计算机程序所指的是：可以采用任何程序语言、代码或符号编写的一组指令的任何表达式，该指令组使系统具有信息处理能力，以直接实现特定功能，或在进行下述一个或两个步骤之后实现特定功能：a)转换成其它语言、编码或符号；b)以不同的格式再现。
虽然本发明是通过具体实施例进行说明的，本领域技术人员应当明白，在不脱离本发明范围的情况下，还可以对本发明进行各种变换及等同替代。另外，针对特定情形或材料，可以对本发明做各种修改，而不脱离本发明的范围。因此，本发明不局限于所公开的具体实施例，而应当包括落入本发明权利要求范围内的全部实施方式。
Claims (10)
1.一种矿石自动光学识别方法，其特征在于，包括：
S1、分割矿石照片以区分背景区域和矿石区域；
S2、获取所述矿石区域的矿石特征并基于所述矿石特征进行矿石识别。
2.根据权利要求1所述的矿石自动光学识别方法，其特征在于，所述步骤S1进一步包括：
S11、获取矿石照片并且对所述矿石照片进行预处理：
S12、采用欧式距离变换将预处理后的所述矿石照片分割成背景区域和矿石区域。
3.根据权利要求2所述的矿石自动光学识别方法，其特征在于，所述步骤S12进一步包括：
S121、根据预定的背景均值设定欧式距离阈值，并基于下列公式将所述矿石照片分割成背景区域和矿石区域以生成二值图像
其中，z为所述矿石照片中的任意一点的向量，b为预定的背景均值向量。
4.根据权利要求2所述的矿石自动光学识别方法，其特征在于，所述步骤S11进一步包括：
S111、读取相机获取的所述矿石照片并调整所述矿石照片的大小；
S112、采用顶帽换算法校正所述矿石照片。
5.根据权利要求1-4中任意一项所述的矿石自动光学识别方法，其特征在于，所述步骤S2进一步包括：
S21、提取所述矿石区域的多个矿石特征以及位置；
S22、采用BP神经网络基于所述多个矿石特征进行矿石识别，并输出识别为矿石的所述矿石区域的位置。
6.根据权利要求5所述的矿石自动光学识别方法，其特征在于，所述步骤S21进一步包括：
S211、判断所述矿石区域的数量是否为零，如果是则重新获取新的矿石照片并返回步骤S1，否则执行步骤S212；
S212、进行连通区域分析以对每个矿石区域进行标号并获取每个矿石区域的位置；
S213、获取每个矿石区域的多个矿石特征。
7.根据权利要求6所述的矿石自动光学识别方法，其特征在于，所述多个矿石特征包括：灰度最大值、灰度最小值、面积、对比度、红色分量的均值、绿色分量的均值和蓝色分量的均值。
8.根据权利要求5所述的矿石自动光学识别方法，其特征在于，所述矿石为钨矿，在采用BP神经网络进行矿石识别之前，BP神经网络已经对大量钨矿样本和废石样本进行学习以确定权值和学习率。
9.根据权利要求5所述的矿石自动光学识别方法，其特征在于，所述步骤S2进一步包括:
S23、将所述矿石区域的位置转换成所述矿石的运动位置；
S24、驱动喷射装置基于所述运动位置喷射所述矿石。
10.一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根据权利要求1-9中任意一项权利要求所述的矿石自动光学识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711225589.5A CN108051440A (zh) | 2017-11-29 | 2017-11-29 | 一种矿石自动光学识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711225589.5A CN108051440A (zh) | 2017-11-29 | 2017-11-29 | 一种矿石自动光学识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108051440A true CN108051440A (zh) | 2018-05-18 |
Family
ID=62121158
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711225589.5A Pending CN108051440A (zh) | 2017-11-29 | 2017-11-29 | 一种矿石自动光学识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108051440A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112785558A (zh) * | 2020-12-31 | 2021-05-11 | 赣州好朋友科技有限公司 | 铅锌矿石的识别方法、终端设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101059450A (zh) * | 2007-05-18 | 2007-10-24 | 重庆大学 | 冶金矿相智能识别方法 |
| CN102971089A (zh) * | 2010-11-19 | 2013-03-13 | 布雷维斯特尼克研究与生产公司 | 借助于x射线发光分离矿物的方法 |
| CN104463199A (zh) * | 2014-11-28 | 2015-03-25 | 福州大学 | 基于多特征及分割再校正的矿岩块度分类方法 |
| CN104755914A (zh) * | 2012-10-26 | 2015-07-01 | Fei公司 | 自动化的矿物分类 |
-
2017
- 2017-11-29 CN CN201711225589.5A patent/CN108051440A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101059450A (zh) * | 2007-05-18 | 2007-10-24 | 重庆大学 | 冶金矿相智能识别方法 |
| CN102971089A (zh) * | 2010-11-19 | 2013-03-13 | 布雷维斯特尼克研究与生产公司 | 借助于x射线发光分离矿物的方法 |
| CN104755914A (zh) * | 2012-10-26 | 2015-07-01 | Fei公司 | 自动化的矿物分类 |
| CN104463199A (zh) * | 2014-11-28 | 2015-03-25 | 福州大学 | 基于多特征及分割再校正的矿岩块度分类方法 |
Non-Patent Citations (2)
| Title |
|---|
| E. PIRARD: "Multispectral imaging of ore minerals in optical microscopy", 《MINERALOGICAL MAGAZINE》 * |
| 赵秀鸟 等: "基于机器视觉的钨矿初选系统设计", 《科技信息》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112785558A (zh) * | 2020-12-31 | 2021-05-11 | 赣州好朋友科技有限公司 | 铅锌矿石的识别方法、终端设备及存储介质 |
| WO2022143012A1 (zh) * | 2020-12-31 | 2022-07-07 | 赣州好朋友科技有限公司 | 铅锌矿石的识别方法、终端设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109859171B (zh) | 一种基于计算机视觉和深度学习的楼面缺陷自动检测方法 | |
| CN109509187B (zh) | 一种针对大分辨率布匹图像中的小瑕疵的高效检验算法 | |
| CN106778604B (zh) | 基于匹配卷积神经网络的行人再识别方法 | |
| CN108717524B (zh) | 一种基于双摄手机和人工智能系统的手势识别系统 | |
| CN108648233A (zh) | 一种基于深度学习的目标识别与抓取定位方法 | |
| CN110991435A (zh) | 一种基于深度学习的快递运单关键信息定位方法和装置 | |
| CN111145116A (zh) | 一种基于生成对抗网络的海面雨天图像样本增广方法 | |
| CN110532897A (zh) | 零部件图像识别的方法和装置 | |
| CN107516103B (zh) | 一种影像分类方法和系统 | |
| CN108108679A (zh) | 一种全自动钨矿选矿机 | |
| CN111401246B (zh) | 一种烟雾浓度检测方法、装置、设备及存储介质 | |
| CN107220664B (zh) | 一种基于结构化随机森林的油瓶装箱清点方法 | |
| CN108053382A (zh) | 一种视觉特性去雾稳像探测系统 | |
| CN111553949A (zh) | 基于单帧rgb-d图像深度学习对不规则工件的定位抓取方法 | |
| CN115816460B (zh) | 一种基于深度学习目标检测与图像分割的机械手抓取方法 | |
| CN111009005A (zh) | 几何信息与光度信息相结合的场景分类点云粗配准方法 | |
| CN109086772A (zh) | 一种扭曲粘连字符图片验证码的识别方法及系统 | |
| CN110502962A (zh) | 视频流中目标的检测方法、装置、设备和介质 | |
| CN113392930A (zh) | 基于多层次分治网络的交通标志目标检测方法 | |
| CN114549507A (zh) | 改进Scaled-YOLOv4的织物瑕疵检测方法 | |
| CN112819096A (zh) | 一种基于复合卷积神经网络的化石图像分类模型的构建方法 | |
| CN110633727A (zh) | 基于选择性搜索的深度神经网络舰船目标细粒度识别方法 | |
| CN113705579A (zh) | 一种视觉显著性驱动的图像自动标注方法 | |
| CN112347805A (zh) | 一种多目标二维码检测识别方法、系统、装置及存储介质 | |
| CN116052218A (zh) | 一种行人重识别方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180518 |