CN108108679A - 一种全自动钨矿选矿机 - Google Patents
一种全自动钨矿选矿机 Download PDFInfo
- Publication number
- CN108108679A CN108108679A CN201711326236.4A CN201711326236A CN108108679A CN 108108679 A CN108108679 A CN 108108679A CN 201711326236 A CN201711326236 A CN 201711326236A CN 108108679 A CN108108679 A CN 108108679A
- Authority
- CN
- China
- Prior art keywords
- ore
- tungsten
- photo
- image
- full
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/34—Sorting according to other particular properties
- B07C5/342—Sorting according to other particular properties according to optical properties, e.g. colour
- B07C5/3425—Sorting according to other particular properties according to optical properties, e.g. colour of granular material, e.g. ore particles, grain
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/36—Sorting apparatus characterised by the means used for distribution
- B07C5/363—Sorting apparatus characterised by the means used for distribution by means of air
- B07C5/365—Sorting apparatus characterised by the means used for distribution by means of air using a single separation means
- B07C5/366—Sorting apparatus characterised by the means used for distribution by means of air using a single separation means during free fall of the articles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/0014—Image feed-back for automatic industrial control, e.g. robot with camera
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/06—Recognition of objects for industrial automation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Robotics (AREA)
- Image Analysis (AREA)
Abstract
一种全自动钨矿选矿机,包括:给料系统,用于振动给料多个矿石以使得多个矿石跌落并依次经过拍摄区域和喷射区域;设置在所述拍摄区域中的摄像装置,用于对所述矿石进行拍照;设置在所述喷射区域中的喷阀,用于向跌落的矿石喷射压缩空气;图像处理系统,用于接收矿石照片并处理所述矿石照片以找出钨矿矿石以及所述钨矿矿石的空间坐标;控制系统,用于基于所述钨矿矿石的空间坐标计算所述钨矿矿石落到所述喷阀的位置处的跌落时间并控制基于所述跌落时间控制所述喷阀向所述钨矿矿石喷射压缩空气进行分选。
Description
技术领域
本发明涉及矿石识别领域,更具体地说,涉及一种全自动钨矿选矿机。
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,提供一种全自动钨矿选矿机,可以采用机械设备自动对钨矿矿石进行自动识别和分选,因此与人工手选相比速度快、生产效率高且成本低
本发明解决其技术问题所采用的技术方案是:构造一种全自动钨矿选矿机,包括:
给料系统,用于振动给料多个矿石以使得多个矿石跌落并依次经过拍摄区域和喷射区域;
设置在所述拍摄区域中的摄像装置,用于对所述矿石进行拍照;
设置在所述喷射区域中的喷阀,用于向跌落的矿石喷射压缩空气;
图像处理系统,用于接收矿石照片并处理所述矿石照片以找出钨矿矿石以及所述钨矿矿石的空间坐标;
控制系统,用于基于所述钨矿矿石的空间坐标计算所述钨矿矿石落到所述喷阀的位置处的跌落时间并控制基于所述跌落时间控制所述喷阀向所述钨矿矿石喷射压缩空气进行分选。
在本发明所述的全自动钨矿选矿机中,所述给料系统包括:
筛选装置,用于对原始矿石进行筛选分级预处理;
振动给料机,用于对预处理后的矿石进行振动给料以使得所述矿石均匀自由跌落以依次经过所述拍摄区域和所述喷射区域;以及
整流器,用于调整所述振动给料机的振动频率和振动幅度。
在本发明所述的全自动钨矿选矿机中,所述控制系统包括:
空压机,用于将大气压下的空气吸入后压缩并以较高的压力输出压缩空气到所述喷阀;
喷阀控制器,用于控制所述喷阀的开关;以及
控制装置,用于基于所述钨矿矿石的空间坐标计算所述钨矿矿石落到所述喷阀的位置处的跌落时间并控制基于所述跌落时间控制所述喷阀控制器启动。
在本发明所述的全自动钨矿选矿机中,所述控制系统包括:连接到所述空压机以存储所述压缩空气的储气罐,经输气管道连接所述储气罐和所述喷阀的干燥机。
在本发明所述的全自动钨矿选矿机中,所述图像处理系统包括:
分割模块,用于将所述矿石照片进行分割以区分背景区域和矿石区域;
提取模块,用于提取所述矿石区域的多个矿石特征以及位置;
BP识别模块,用于采用BP神经网络基于所述多个矿石特征进行矿石识别,并输出识别为钨矿矿石的所述矿石区域的位置。
在本发明所述的全自动钨矿选矿机中,所述分割模块包括处理器和存储在所述处理器上的计算机程序,所述计算机程序被处理器执行时实现以下步骤:
S1、对所述矿石照片进行预处理:
S2、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;
<欧式距离阈值
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;
所述提取模块包括处理器和存储在所述处理器上的计算机程序,所述计算机程序被处理器执行时实现以下步骤:
SA、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,否则执行步骤SB;
SB、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;
SC、获取每个矿石区域的多个矿石特征。
在本发明所述的全自动钨矿选矿机中,所述图像处理系统包括:
系数获取模块,用于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;
模型构建模块,用于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;
掩膜构建模块,用于基于所述处理模型测试所述矿石照片以获得掩膜图像;
学习识别模块,用于基于所述矿石照片和所述掩膜图像获得矿石图像以识别钨矿矿石并输出所述钨矿矿石的空间坐标。
在本发明所述的全自动钨矿选矿机中,所述系数获取模块包括处理器和存储在所述处理器上的计算机程序,所述计算机程序被处理器执行时实现以下步骤:
S1、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;
S2、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;
S3、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。
在本发明所述的全自动钨矿选矿机中,所述掩膜构建模块包括处理器和存储在所述处理器上的计算机程序,所述计算机程序被处理器执行时实现以下步骤:
S1、获取所述矿石照片;
S2、采用所述处理模型测试所述矿石照片以生成测试显著图;
S3、优化处理所述测试显著图以生成所述掩膜图像。
在本发明所述的全自动钨矿选矿机中,所述学习识别模块包括处理器和存储在所述处理器上的计算机程序,所述计算机程序被处理器执行时实现以下步骤:
S1、对所述矿石照片进行边角点检测以获得边角点特征点集;
S2、将所述边角点特征点集与所述掩膜图像相乘以获得矿石预处理图像;
S3、对所述矿石图像进行分割处理以获得所述矿石图像;
S4、将所述矿石图像区域识别为钨矿矿石并输出所述钨矿矿石的空间坐标。
实施本发明的全自动钨矿选矿机,其采用处理器可以进行矿石自动识别分选,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。进一步地,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、变形的待测试的所述矿石照片进行识别,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发明作进一步说明,附图中;
图1是本发明的全自动钨矿选矿机的第一实施例的原理示意图;
图2是本发明的全自动钨矿选矿机的第二实施例的原理框图;
图3是本发明的全自动钨矿选矿机的工艺流程示意图;
图4是本发明的全自动钨矿选矿机的第四实施例的图像处理系统的原理框图;
图5A-5C是采用图4所示的图像处理系统对矿石照片进行分割识别的效果示意图;
图6是3层BP神经网络的结构示意图;
图7是图4的图像处理系统采用的BP神经网络的结构示意图;
图8是本发明的全自动钨矿选矿机的第五实施例的图像处理系统的原理框图;
图9是图8所示的图像处理方法中采用的卷积神经网络的模型结构图;
图10A-10E是采用图8所示的图像处理系统识别的第一矿场的矿石的效果示意图;
图11A-11D是采用图8所示的图像处理系统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。
本发明涉及一种全自动钨矿选矿机。本发明的各个方面包括:给料系统,用于振动给料多个矿石以使得多个矿石跌落并依次经过拍摄区域和喷射区域;设置在所述拍摄区域中的摄像装置,用于对所述矿石进行拍照;设置在所述喷射区域中的喷阀,用于向跌落的矿石喷射压缩空气;图像处理系统,用于接收矿石照片并处理所述矿石照片以找出钨矿矿石以及所述钨矿矿石的空间坐标;控制系统,用于基于所述钨矿矿石的空间坐标计算所述钨矿矿石落到所述喷阀的位置处的跌落时间并控制基于所述跌落时间控制所述喷阀向所述钨矿矿石喷射压缩空气进行分选。实施本发明的全自动钨矿选矿机,其采用处理器可以进行矿石自动识别分选,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1是本发明的全自动钨矿选矿机的第一实施例的原理示意图。如图1所示,所述全自动钨矿选矿机包括给料系统100、摄像装置200、喷阀300、图像处理系统400和控制系统500。在本实施例中,所述给料系统100可以是任何振动皮带传输系统、振动给料机等等,其可以将矿石以振动的方式给料。例如,该给料系统100上可以设置一个倾斜的给料板。由于矿石自身的重力,其可以沿着给料板下滑,垂直跌落。而拍摄区域A和喷射区域B设置在于矿石跌落方向平行的垂直方向上,其可以设置在同侧,也可以设置在不同侧。在垂直方向上,拍摄区域A位于喷射区域B上方,因此在矿石跌落过程中,先经过拍摄区域A,再经过喷射区域B。
摄像装置200设置在所述拍摄区域A用于对所述矿石进行拍照,然后将矿石照片发送给图像处理系统400。该图像处理系统400可以设置在摄像装置200附近,也可以设置在远端,其与摄像装置200通信连接。在本发明一个优选实施例中,可以采用工业相机,例如面阵相机和线阵相机进行拍摄。该相机优选是高频相机,然后将拍摄的矿石训练图像通过千兆网、camera link、USB3.0等接口直接传入图像处理装置,例如计算机。在本发明的一个优选实施例中,可以在摄像装置200的一侧设置背景板,并且在合适位置设置光源,便于拍摄出更利于处理的矿石照片。例如可以选择恒流LED光源。因为本发明的全自动钨矿选矿机可以采用恒流驱动电源供电,因此电流稳定,适合LED灯长时间工作,不会因为元件在工作中发热电阻降低导致LED灯烧坏。
喷阀300设置在所述喷射区域A,用于向跌落的矿石喷射压缩空气。当高速的压缩气体击中某一个矿石时,该矿石的下落方向将会发生偏移,这一就可以将垂直落下的矿石分开。在本发明的一个优选实施例中,可以在喷阀下方设置一个倾斜板,从而就可以将位置发生偏移的矿石和垂直落下的矿石分开。
图像处理系统400用于接收矿石照片并处理所述矿石照片以找出钨矿矿石以及所述钨矿矿石的空间坐标。所述图像处理系统可以采用本领域中已知的任何图像处理方法处理所述矿石照片从而识别出其中的钨矿矿石并获得其空间坐标。
控制系统500可与图像处理系统400通信连接,从而接收该空间坐标。然后控制系统500可以基于所述钨矿矿石的空间坐标计算所述钨矿矿石落到所述喷阀的位置处的跌落时间并控制基于所述跌落时间控制所述喷阀向所述钨矿矿石喷射压缩空气进行分选。这样,只有被识别为钨矿矿石的矿石才会被压缩空气击中,这样就可以分选出钨矿矿石了。
因此,实施本发明的全自动钨矿选矿机,可以进行矿石自动识别分选,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是本发明的全自动钨矿选矿机的第二实施例的原理框图。如图2所示,本发明的全自动钨矿选矿机包括给料系统100、摄像装置200、喷阀300、图像处理系统400和控制系统500。在本实施例中,所述给料系统100包括筛选装置110、振动给料机120和整流器130。在本实施例中,可以先采用筛选装置110用于对原始矿石进行筛选分级预处理。图3示出了本发明的全自动钨矿选矿机的工艺流程示意图。如图3所示,对于从矿场刚刚挖出来的出窿原矿,可以先采圆筒筛进行筛选,然后通过双层振动筛进行分级(-55mm),双层振动筛筛分成+55mm、+45~-55mm、+20~-45mm、+12~-20mm、-12mm等五个粒级。然后在通过皮带将+45~-55mm、+20~-45mm两个粒级矿石通过皮带运输机运输至进行振动给料机120。振动给料机120用于对预处理后的矿石进行振动给料以使得所述矿石均匀自由跌落以依次经过所述拍摄区域和所述喷射区域。而整流器130可以用于调整所述振动给料机的振动频率和振动幅度。在本发明的一个优选实施例中,可以采用磁力振动斗作为该振动给料机120。磁力振动斗是根据交流电电磁感应原理研制的新型振动器,输入380V二线,适用于搅拌机或其他小型空间尺寸小的地方的振动,可以防止材料粘贴料斗。
在本实施例中,所述控制系统500包括:空压机510、喷阀控制器520和控制装置530。在本实施例中,空压机510用于将大气压下的空气吸入后压缩并以较高的压力输出压缩空气到所述喷阀300。喷阀控制器520用于控制所述喷阀300的开关。在本发明的优选实施例中,喷阀300可以是阵列喷阀。控制装置530与图像处理系统400通信连接以接收所述钨矿矿石的空间坐标,并基于所述钨矿矿石的空间坐标计算所述钨矿矿石落到所述喷阀的位置处的跌落时间。在获得该跌落时间之后,控制装置530将基于所述跌落时间控制所述喷阀控制器启动。在本发明中,控制装置530可以采用本领域中已知的任何算法计算合适的跌落时间,基于本发明的教导,本领域技术人员能够对各种算法进行合适的选择。
在本发明的一个优选实施例中,优选还可以包括连接到所述空压机以存储所述压缩空气的储气罐,经输气管道连接所述储气罐和所述喷阀的干燥机。在该实施例中,空压机510将大气压下的空气吸入后压缩并以较高的压力输出。输出的高压气体可以输入到干燥机等空气净化设备中进行进一步地除水、除油等进行净化。然后洁净的压缩空气通过管道输送至阵列喷阀处。控制装置530基于所述钨矿矿石的空间坐标计算所述钨矿矿石落到喷射区域B中喷阀位置处的跌落时间,然后控制喷阀驱动器在该跌落时间启动,进而控制阵列喷阀开启,然后高压气流将准确的喷射到刚好下落的喷阀前的矿石。结合图1的结构示意,喷阀300设置在喷射区域B,在所述钨矿矿石正好落到喷阀300面前时,强力开启喷阀300,钨矿矿石将被高速气流击中,偏离水平位置,这样自然就落到通过间隔板分割的合格矿仓中了。进一步如图3所示,分选出的钨矿矿石下一步与+12~-20mm的矿石一起进入合格矿仓,废石则进入废石矿仓;-12mm的矿石经6-S跳汰机选出粗精矿,跳汰尾矿也进入合格矿仓。
在本发明中,可以进一步包括为各个部件供电的供电系统。该供电系统可以包括不间断供电部分和普票供电部分。该不间断供电部分保持24小时常开状态的供电及保护模块控制,如控制器、处理器等等;另一部分是在设备开启和停止时,必须按照指定的顺序进行开、关操作,避免在设备启停阶段造成不选或者漏选的现象。这样减少设备的故障率,提高设备的稳定性。
图4是本发明的全自动钨矿选矿机的第四实施例的图像处理系统的原理框图。如图4所示,所述图像处理系统400包括:分割模块410、提取模块420和BP识别模块430。在本实施例中,所述分割模块410、提取模块420和BP识别模块430优选为程序模块。
所述分割模块410用于将所述矿石照片进行分割以区分背景区域和矿石区域。在本发明的优选实施例中,所述分割模块410包括处理器和存储在所述处理器上的计算机程序,所述计算机程序被处理器执行时实现以下步骤。
在步骤S1中,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:
<欧式距离阈值
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5A示出了原始的矿石照片,图5B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。
所述提取模块420用于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,所述提取模块420包括处理器和存储在所述处理器上的计算机程序,所述计算机程序被处理器执行时实现以下步骤。
在步骤S1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S1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S2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个特征值对钨矿矿石进行识别,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。
所述BP识别模块430用于采用BP神经网络基于所述多个矿石特征进行矿石识别,并输出识别为钨矿矿石的所述矿石区域的位置。在本发明的优选实施例中,所述BP识别模块430包括处理器和存储在所述处理器上的计算机程序,所述计算机程序被处理器执行时实现以下步骤。
在步骤S1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6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矿石石和废石的特征以实现任意非线性关系的映射。学习含钨矿矿石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个钨矿矿石样本。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7是本发明的钨矿矿石识别分选方法采用的BP神经网络的结构示意图。如图7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矿石。
当在步骤S1中,输出结果为1,表示识别该矿石区域为钨矿矿石,这时执行步骤S2,输出所述矿石区域的位置,然后执行步骤S3,判断是否全部矿石区域分析完毕。当在步骤S1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S3,判断是否全部矿石区域分析完毕。
优选地,在步骤S2中,由于输出是在矿石区域中钨矿矿石的中心位置(行和列)。该位置将返回给控制系统500。
在步骤S3中,如果判定全部矿石区域并未分析完毕,那么将读取下一张个矿石区域,重复上述处理过程,直到本张矿石照片的全部矿石区域分析完毕。在步骤S1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,则读取下一张矿石照片,重复上述处理过程,直到全部的矿石照片处理完毕。图5C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。
在本实施例中,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。本发明的钨矿矿石识别分选方法在实际应用中,该方法识别率在90%以上,且其快速、稳定、符合工业要求。
图8是本发明的全自动钨矿选矿机的第五实施例的图像处理系统的原理框图。如图8所示,该图像处理系统400进一步包括系数获取模块421、模型构建模块422、掩膜构建模块423和学习识别模块424。在本发明中所述系数获取模块421用于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。所述模型构建模块422用于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。所述掩膜构建模块423用于基于所述处理模型测试所述矿石照片以获得掩膜图像。所述学习识别模块424用于基于所述矿石照片和所述掩膜图像获得矿石图像以识别钨矿矿石并输出所述钨矿矿石的空间坐标。
在本发明中,所述系数获取模块421包括处理器和存储在所述处理器上的计算机程序,所述计算机程序被处理器执行时实现以下步骤:
在步骤S1中,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。在本发明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、camera link、USB3.0等接口直接传入处理器,例如计算机。然后,可以分别提取所述矿石训练图像的特征性质和矿石空间坐标。例如可以提取一个、两个、三个或者多个特征性质。所述特征性质可以包括颜色、亮度、透明度和反射率等等特征参数中的一者或以上。在本发明的一个优选实施例中,可以多线程同时提取多个特征性质以及矿石空间坐标。
在步骤S2中,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。在本发明的一个优选实施例中,可以同时多线程分别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。然后,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。与此同时,或者之后,可以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。
在步骤S3中,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。在本发明的一个优选实施例中,可以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。
在本发明中,所述模型构建模块422包括处理器和存储在所述处理器上的计算机程序,所述计算机程序被处理器执行时实现以下步骤: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。在本实施例中,所述卷积神经网络采用ReLU激活函数。图9是图8所示的图像处理方法中采用的卷积神经网络的模型结构图。如图9所示,该卷积神经网络从输入层和输出层由前到后分别为conv1、pool1、conv2、pool2、内积层1、ReLU激活函数、内积层2。将输入数据为64张大小为256*256的矿石训练图像为一组(共有64*3*256*256个元素);conv1层读取该输入数据进行卷积运算,conv1层中过滤器(也就是卷积核)大小为5*5,步长为1,输出20个大小为252*252的特征图(共有64*20*252*252个元素);conv1到pool1层进行最大池化,输出特征图的宽和高池化到上一层的一半大小,特征图数量不变,输出20个大小为126*126的特征图(共有64*20*126*126个元素);同理,conv2输出50个大小为122*122的特征图(共有64*50*122*122个元素);pool2输出50个大小为61*61的特征图(共有64*50*61*61个元素)。内积层1输出500个特征图(共64*500个元素);之后经过ReLU,元素数量没有变化;内积层2输出特征图为N(共64*N,N为大于或者等于2的整数),意在表示本网络模型做的是N-分类,最终以SoftMaxWithLoss函数计算结果作为输出结果。
在本实施例中,采用的激活函数为ReLU,当然在本发明的其他实施例中,也可以采用sigmoid作为激活函数。在本发明中,采用ReLU激活函数的优势不仅仅在于有效避免局部最优问题,还可以,将输入数据映射到最后输出层,让输出层中的数据样本变得线性可分。
在本发明中,所述掩膜构建模块423包括处理器和存储在所述处理器上的计算机程序,所述计算机程序被处理器执行时实现以下步骤:
在步骤S1中,获取待测试的所述矿石照片。如前所述,这些矿石照片可以是设置在拍摄区域中的摄像装置,如CCD面阵相机拍摄,然后通过千兆网、camera link、USB3.0等接口直接传入图像处理器的,例如计算机。
在步骤S2中,采用从模型构建模块422中获得的所述处理模型测试所述待测试的所述矿石照片以生成测试显著图。在本发明的一个优选实施例中,可以采用结果分析以及视觉优化处理模型。本领域技术人员可以采用任何已知的处理方法来利用所述处理模型测试所述待测试的所述矿石照片以生成测试显著图。
在步骤S3中,优化处理所述测试显著图以生成所述掩膜图像。在本发明的一个优选实施例中,可以采用阈值分割、形态学处理和中值滤波处理进行优化处理。在本发明的其他优选实施例中,还可以采用其他适合的处理方法进行相关优化。
在本发明中,所述学习识别模块424包括处理器和存储在所述处理器上的计算机程序,所述计算机程序被处理器执行时实现以下步骤:
在步骤S1中,对从所述掩膜构建模块423中获得的所述待测试的所述矿石照片进行边角点检测以获得边角点特征点集。当然,在本发明的其他优选实施例中,可以不对所述待测试的所述矿石照片进行处理,也可以进行其他类型的预处理。
在步骤S2中,将从步骤S1获得的所述边角点特征点集与从所述掩膜构建模块423获得的所述掩膜图像相乘以获得矿石图像。
在步骤S3中,可以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。在本发明中,可以利用本领域中已知的任何图像分割算法,例如水岭分割算法、金字塔分割算法以及均值漂移分割算法等等进行图像分割。
在步骤S4中,可以将所述矿石图像区域识别为矿石。在本发明的优选实施例中,还可以将识别为矿石的区域与实际情况进行对比,从而计算矿石快速识别方法的准确率的步骤。
图10A-10E是采用图8所示的图像处理系统识别的第一矿场的矿石的效果示意图。图11A-11D是采用图8所示的图像处理系统识别的第二矿场的矿石的效果示意图。如图10A-11D所示,虽然图像发生位移,变形,也能准确进行识别。
在本实施例的图像处理系统中,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,可以对粒级较小的矿石进行分选,处理量大,可实现40t/h,。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、变形的待测试的所述矿石照片进行识别,进而进一步提高识别的准确性。
本领域技术人员知悉,虽然图4-8示出了优选的图像处理系统,在本发明的其他优选实施例中,还可以采用其他的图像处理系统进行图像处理。
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)
1.一种全自动钨矿选矿机,其特征在于,包括:
给料系统,用于振动给料多个矿石以使得多个矿石跌落并依次经过拍摄区域和喷射区域;
设置在所述拍摄区域中的摄像装置,用于对所述矿石进行拍照;
设置在所述喷射区域中的喷阀,用于向跌落的矿石喷射压缩空气;
图像处理系统,用于接收矿石照片并处理所述矿石照片以找出钨矿矿石以及所述钨矿矿石的空间坐标;
控制系统,用于基于所述钨矿矿石的空间坐标计算所述钨矿矿石落到所述喷阀的位置处的跌落时间并控制基于所述跌落时间控制所述喷阀向所述钨矿矿石喷射压缩空气进行分选。
2.根据权利要求1所述的全自动钨矿选矿机,其特征在于,所述给料系统包括:
筛选装置,用于对原始矿石进行筛选分级预处理;
振动给料机,用于对预处理后的矿石进行振动给料以使得所述矿石均匀自由跌落以依次经过所述拍摄区域和所述喷射区域;以及
整流器,用于调整所述振动给料机的振动频率和振动幅度。
3.根据权利要求1所述的全自动钨矿选矿机,其特征在于,所述控制系统包括:
空压机,用于将大气压下的空气吸入后压缩并以较高的压力输出压缩空气到所述喷阀;
喷阀控制器,用于控制所述喷阀的开关;以及
控制装置,用于基于所述钨矿矿石的空间坐标计算所述钨矿矿石落到所述喷阀的位置处的跌落时间并控制基于所述跌落时间控制所述喷阀控制器启动。
4.根据权利要求3所述的全自动钨矿选矿机,其特征在于,所述控制系统包括:连接到所述空压机以存储所述压缩空气的储气罐,经输气管道连接所述储气罐和所述喷阀的干燥机。
5.根据权利要求1所述的全自动钨矿选矿机,其特征在于,所述图像处理系统包括:
分割模块,用于将所述矿石照片进行分割以区分背景区域和矿石区域;
提取模块,用于提取所述矿石区域的多个矿石特征以及位置;
BP识别模块,用于采用BP神经网络基于所述多个矿石特征进行矿石识别,并输出识别为钨矿矿石的所述矿石区域的位置。
6.根据权利要求1所述的全自动钨矿选矿机,其特征在于,
所述分割模块包括处理器和存储在所述处理器上的计算机程序,所述计算机程序被处理器执行时实现以下步骤:
S1、对所述矿石照片进行预处理:
S2、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;
所述提取模块包括处理器和存储在所述处理器上的计算机程序,所述计算机程序被处理器执行时实现以下步骤:
SA、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,否则执行步骤SB;
SB、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;
SC、获取每个矿石区域的多个矿石特征。
7.根据权利要求1所述的全自动钨矿选矿机,其特征在于,所述图像处理系统包括:
系数获取模块,用于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;
模型构建模块,用于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;
掩膜构建模块,用于基于所述处理模型测试所述矿石照片以获得掩膜图像;
学习识别模块,用于基于所述矿石照片和所述掩膜图像获得矿石图像以识别钨矿矿石并输出所述钨矿矿石的空间坐标。
8.根据权利要求7所述的全自动钨矿选矿机,其特征在于,所述系数获取模块包括处理器和存储在所述处理器上的计算机程序,所述计算机程序被处理器执行时实现以下步骤:
S1、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;
S2、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;
S3、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。
9.根据权利要求8所述的全自动钨矿选矿机,其特征在于,所述掩膜构建模块包括处理器和存储在所述处理器上的计算机程序,所述计算机程序被处理器执行时实现以下步骤:
S1、获取所述矿石照片;
S2、采用所述处理模型测试所述矿石照片以生成测试显著图;
S3、优化处理所述测试显著图以生成所述掩膜图像。
10.根据权利要求9所述的全自动钨矿选矿机,其特征在于,所述学习识别模块包括处理器和存储在所述处理器上的计算机程序,所述计算机程序被处理器执行时实现以下步骤:
S1、对所述矿石照片进行边角点检测以获得边角点特征点集;
S2、将所述边角点特征点集与所述掩膜图像相乘以获得矿石预处理图像;
S3、对所述矿石图像进行分割处理以获得所述矿石图像;
S4、将所述矿石图像区域识别为钨矿矿石并输出所述钨矿矿石的空间坐标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711326236.4A CN108108679B (zh) | 2017-12-13 | 2017-12-13 | 一种全自动钨矿选矿机 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711326236.4A CN108108679B (zh) | 2017-12-13 | 2017-12-13 | 一种全自动钨矿选矿机 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108108679A true CN108108679A (zh) | 2018-06-01 |
CN108108679B CN108108679B (zh) | 2020-04-28 |
Family
ID=62216662
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711326236.4A Active CN108108679B (zh) | 2017-12-13 | 2017-12-13 | 一种全自动钨矿选矿机 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108108679B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110390691A (zh) * | 2019-06-12 | 2019-10-29 | 合肥合工安驰智能科技有限公司 | 一种基于深度学习的矿石尺度测量方法及应用系统 |
CN110706267A (zh) * | 2019-09-04 | 2020-01-17 | 五邑大学 | 一种基于采矿过程的矿石三维坐标获取方法及其装置 |
CN111346842A (zh) * | 2018-12-24 | 2020-06-30 | 顺丰科技有限公司 | 煤矸石分拣方法、装置、设备及存储介质 |
CN113109339A (zh) * | 2021-04-08 | 2021-07-13 | 仲恺农业工程学院 | 一种缺陷视觉检测设备的控制方法 |
CN113787025A (zh) * | 2021-08-11 | 2021-12-14 | 浙江光珀智能科技有限公司 | 一种高速分拣设备 |
CN114286725A (zh) * | 2019-08-27 | 2022-04-05 | 株式会社佐竹 | 光学式粒状物分选机 |
CN114472207A (zh) * | 2022-01-07 | 2022-05-13 | 北京霍里思特科技有限公司 | 一种用于矿物的分选系统及矿物分选方法 |
WO2022166135A1 (zh) * | 2021-02-08 | 2022-08-11 | 赣州好朋友科技有限公司 | 一种物料分选机 |
CN115793470A (zh) * | 2023-01-29 | 2023-03-14 | 湖南军芃科技股份有限公司 | 矿石分选机的参数控制方法和矿石分选机 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN203540946U (zh) * | 2013-10-18 | 2014-04-16 | 核工业理化工程研究院华核新技术开发公司 | 一种基于视觉识别技术的矿石在线分选机 |
CN104850854A (zh) * | 2015-05-08 | 2015-08-19 | 广西师范大学 | 一种滑石矿品分选处理方法及滑石矿品分选系统 |
CN204710739U (zh) * | 2015-05-22 | 2015-10-21 | 深圳好朋友信息科技有限公司 | 基于面阵的矿石快速双面成像分拣系统 |
CN107392232A (zh) * | 2017-06-23 | 2017-11-24 | 中南大学 | 一种浮选工况分类方法和系统 |
-
2017
- 2017-12-13 CN CN201711326236.4A patent/CN108108679B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN203540946U (zh) * | 2013-10-18 | 2014-04-16 | 核工业理化工程研究院华核新技术开发公司 | 一种基于视觉识别技术的矿石在线分选机 |
CN104850854A (zh) * | 2015-05-08 | 2015-08-19 | 广西师范大学 | 一种滑石矿品分选处理方法及滑石矿品分选系统 |
CN204710739U (zh) * | 2015-05-22 | 2015-10-21 | 深圳好朋友信息科技有限公司 | 基于面阵的矿石快速双面成像分拣系统 |
CN107392232A (zh) * | 2017-06-23 | 2017-11-24 | 中南大学 | 一种浮选工况分类方法和系统 |
Non-Patent Citations (1)
Title |
---|
张继民 等: "CCD检测技术在矿石拣选中的应用", 《现代矿业》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111346842A (zh) * | 2018-12-24 | 2020-06-30 | 顺丰科技有限公司 | 煤矸石分拣方法、装置、设备及存储介质 |
CN110390691A (zh) * | 2019-06-12 | 2019-10-29 | 合肥合工安驰智能科技有限公司 | 一种基于深度学习的矿石尺度测量方法及应用系统 |
US20220297162A1 (en) * | 2019-08-27 | 2022-09-22 | Satake Corporation | Optical granular matter sorter |
US11858007B2 (en) * | 2019-08-27 | 2024-01-02 | Satake Corporation | Optical granular matter sorter |
CN114286725A (zh) * | 2019-08-27 | 2022-04-05 | 株式会社佐竹 | 光学式粒状物分选机 |
CN114286725B (zh) * | 2019-08-27 | 2023-07-14 | 株式会社佐竹 | 光学式粒状物分选机 |
CN110706267A (zh) * | 2019-09-04 | 2020-01-17 | 五邑大学 | 一种基于采矿过程的矿石三维坐标获取方法及其装置 |
CN110706267B (zh) * | 2019-09-04 | 2022-11-15 | 五邑大学 | 一种基于采矿过程的矿石三维坐标获取方法及其装置 |
WO2022166135A1 (zh) * | 2021-02-08 | 2022-08-11 | 赣州好朋友科技有限公司 | 一种物料分选机 |
CN113109339A (zh) * | 2021-04-08 | 2021-07-13 | 仲恺农业工程学院 | 一种缺陷视觉检测设备的控制方法 |
CN113109339B (zh) * | 2021-04-08 | 2022-05-27 | 仲恺农业工程学院 | 一种缺陷视觉检测设备的控制方法 |
CN113787025A (zh) * | 2021-08-11 | 2021-12-14 | 浙江光珀智能科技有限公司 | 一种高速分拣设备 |
CN114472207A (zh) * | 2022-01-07 | 2022-05-13 | 北京霍里思特科技有限公司 | 一种用于矿物的分选系统及矿物分选方法 |
CN114472207B (zh) * | 2022-01-07 | 2024-03-15 | 北京霍里思特科技有限公司 | 一种用于矿物的分选系统及矿物分选方法 |
CN115793470A (zh) * | 2023-01-29 | 2023-03-14 | 湖南军芃科技股份有限公司 | 矿石分选机的参数控制方法和矿石分选机 |
Also Published As
Publication number | Publication date |
---|---|
CN108108679B (zh) | 2020-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108108679A (zh) | 一种全自动钨矿选矿机 | |
CN107437094B (zh) | 基于机器学习的木板分拣方法及系统 | |
CN108280856A (zh) | 基于混合信息输入网络模型的未知物体抓取位姿估计方法 | |
WO2019089825A1 (en) | Systems and methods for optical material characterization of waste materials using machine learning | |
CN109284780A (zh) | 矿石矿物图像自动识别与分类方法 | |
WO2014126232A1 (ja) | 光学式粒状物選別機 | |
CN206139527U (zh) | 全景视觉马铃薯分选和缺陷检测装置 | |
CN108108678A (zh) | 一种钨矿矿石识别分选方法 | |
CN112893159B (zh) | 一种基于图像识别的煤矸石分拣方法 | |
CN109102543A (zh) | 基于图像分割的物体定位方法、设备和存储介质 | |
US12026867B2 (en) | Apparatus for analyzing composition of electronic and electrical device part scraps, device for processing electronic and electrical device part scraps, and method for processing electronic and electrical device part scraps | |
CN109035233A (zh) | 视觉注意力网络及工件表面缺陷检测方法 | |
CN107694962A (zh) | 一种基于机器视觉与bp神经网络的水果自动分拣方法 | |
CN107121436B (zh) | 一种硅料品质的智能鉴别方法及鉴别装置 | |
CN107944504A (zh) | 木板识别及木板识别的机器学习方法、装置及电子设备 | |
CN108227664A (zh) | 基于样本数据训练的产品质量控制设备及质量控制方法 | |
CN108090434A (zh) | 一种矿石快速识别方法 | |
CN111318461A (zh) | 一种基于机器视觉的煤矸石分拣系统 | |
CN110188609A (zh) | 一种杂草种子的检测方法 | |
CN116385758A (zh) | 基于YOLOv5网络对传送带表面损伤的检测方法 | |
CN114549507A (zh) | 改进Scaled-YOLOv4的织物瑕疵检测方法 | |
CN109800809A (zh) | 一种基于维度分解的候选区域提取方法 | |
CN109001215A (zh) | 一种基于机器视觉的电力接线端子缺陷检测系统 | |
Romero et al. | Enhanced plastic recycling using RGB+ Depth fusion with MassFaster and MassMask R-CNN | |
CN109376257A (zh) | 基于图像处理的茶叶识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |