CN109949285A - 基于卷积神经网络的x光图像下矿石分选方法及系统 - Google Patents
基于卷积神经网络的x光图像下矿石分选方法及系统 Download PDFInfo
- Publication number
- CN109949285A CN109949285A CN201910182936.3A CN201910182936A CN109949285A CN 109949285 A CN109949285 A CN 109949285A CN 201910182936 A CN201910182936 A CN 201910182936A CN 109949285 A CN109949285 A CN 109949285A
- Authority
- CN
- China
- Prior art keywords
- ore
- convolutional neural
- neural networks
- ray machine
- image based
- 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
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 title claims abstract description 14
- 238000000926 separation method Methods 0.000 claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims abstract description 9
- 238000001514 detection method Methods 0.000 claims abstract description 8
- 238000004043 dyeing Methods 0.000 claims abstract description 8
- 230000035515 penetration Effects 0.000 claims description 16
- 239000003550 marker Substances 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000013135 deep learning Methods 0.000 abstract description 4
- 239000000126 substance Substances 0.000 abstract description 4
- 238000013528 artificial neural network Methods 0.000 abstract 1
- 230000015572 biosynthetic process Effects 0.000 abstract 1
- 230000035699 permeability Effects 0.000 abstract 1
- 238000010186 staining Methods 0.000 abstract 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 6
- 239000011707 mineral Substances 0.000 description 6
- 239000000975 dye Substances 0.000 description 3
- 239000012535 impurity Substances 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 239000004575 stone Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 229910052751 metal Inorganic materials 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
Landscapes
- Image Analysis (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
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。
Description
技术领域
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
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。
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
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。
本发明是通过以下技术方案予以实现：
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。
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。
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。
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。
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。
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。
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。
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。
本发明的有益效果是：
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
图1是本发明的工作过程示意图。
具体实施方式
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。
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。
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。
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，对所述矿石内部图像进行染色。
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。
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。
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。
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。
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。
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。
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。
Claims (8)
1.一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。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910182936.3A CN109949285A (zh) | 2019-03-12 | 2019-03-12 | 基于卷积神经网络的x光图像下矿石分选方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910182936.3A CN109949285A (zh) | 2019-03-12 | 2019-03-12 | 基于卷积神经网络的x光图像下矿石分选方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109949285A true CN109949285A (zh) | 2019-06-28 |
Family
ID=67009487
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910182936.3A Pending CN109949285A (zh) | 2019-03-12 | 2019-03-12 | 基于卷积神经网络的x光图像下矿石分选方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109949285A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111209950A (zh) * | 2020-01-02 | 2020-05-29 | 天津瑟威兰斯科技有限公司 | 基于x光成像和深度学习的胶囊识别与检测方法及系统 |
| CN112365484A (zh) * | 2020-11-16 | 2021-02-12 | 北京霍里思特科技有限公司 | 分类方法、分类系统、矿产分选机 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN205020424U (zh) * | 2015-09-25 | 2016-02-10 | 重庆科技学院 | 基于x射线成像的矿物分选装置及矿物分选设备 |
| CN108564108A (zh) * | 2018-03-21 | 2018-09-21 | 天津市协力自动化工程有限公司 | 煤炭的识别方法及装置 |
| CN108830276A (zh) * | 2018-07-02 | 2018-11-16 | 合肥格泉智能科技有限公司 | 一种基于x光机图像的智能识别系统 |
-
2019
- 2019-03-12 CN CN201910182936.3A patent/CN109949285A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN205020424U (zh) * | 2015-09-25 | 2016-02-10 | 重庆科技学院 | 基于x射线成像的矿物分选装置及矿物分选设备 |
| CN108564108A (zh) * | 2018-03-21 | 2018-09-21 | 天津市协力自动化工程有限公司 | 煤炭的识别方法及装置 |
| CN108830276A (zh) * | 2018-07-02 | 2018-11-16 | 合肥格泉智能科技有限公司 | 一种基于x光机图像的智能识别系统 |
Non-Patent Citations (2)
| Title |
|---|
| 王盐: "《安检理论与实务》", 28 February 2019, 航空工业出版社 * |
| 金水: "《基于光栅投影的玻璃缺陷在线监测技术》", 30 June 2016 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111209950A (zh) * | 2020-01-02 | 2020-05-29 | 天津瑟威兰斯科技有限公司 | 基于x光成像和深度学习的胶囊识别与检测方法及系统 |
| CN111209950B (zh) * | 2020-01-02 | 2023-10-10 | 格朗思(天津)视觉科技有限公司 | 基于x光成像和深度学习的胶囊识别与检测方法及系统 |
| CN112365484A (zh) * | 2020-11-16 | 2021-02-12 | 北京霍里思特科技有限公司 | 分类方法、分类系统、矿产分选机 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110796046B (zh) | 基于卷积神经网络的智能钢渣检测方法和系统 | |
| Liming et al. | Automated strawberry grading system based on image processing | |
| CN107909010B (zh) | 一种道路障碍物检测方法与装置 | |
| CN110751079A (zh) | 物品检测方法、装置、系统和计算机可读存储介质 | |
| CN104615986B (zh) | 利用多检测器对场景变化的视频图像进行行人检测的方法 | |
| EP4198891A1 (en) | A method and system for performing characterization of one or more materials | |
| CN109949285A (zh) | 基于卷积神经网络的x光图像下矿石分选方法及系统 | |
| Diaz-Romero et al. | Deep learning computer vision for the separation of Cast-and Wrought-Aluminum scrap | |
| EP3772722A1 (en) | X-ray image processing system and method, and program therefor | |
| CN109003271A (zh) | 一种基于深度学习yolo算法的线束连接器排线质量检测方法 | |
| Wah et al. | Analysis on feature extraction and classification of rice kernels for Myanmar rice using image processing techniques | |
| CN105868269A (zh) | 基于区域卷积神经网络的精确图像检索方法 | |
| CN114663904A (zh) | 一种pdf文档布局检测方法、装置、设备及介质 | |
| CN110243732A (zh) | 一种粒度范围为2-500um的全程矿浆磨矿粒度在线检测系统 | |
| CN106202274A (zh) | 一种基于贝叶斯网络的缺陷数据自动文摘分类方法 | |
| Bulugu | Algorithm for license plate localization and recognition for tanzania car plate numbers | |
| CN111507398A (zh) | 基于目标检测的变电站金属仪器锈蚀识别方法 | |
| CN110321927A (zh) | 违规检测模型的生成方法、计算机设备及可读存储介质 | |
| CN109409409A (zh) | 基于hog+cnn的交通标志的实时检测方法 | |
| CN106570523B (zh) | 一种多特征联合的机器人足球识别方法 | |
| CN110361412A (zh) | 一种确定不同磁性磁黄铁矿相对含量的方法 | |
| CN109190451A (zh) | 基于lfp特征的遥感图像车辆检测方法 | |
| Sinkevicius et al. | Amber gemstones sorting by colour | |
| CN104915682A (zh) | 一种豆科种子识别系统及方法 | |
| CN114792300A (zh) | 一种基于多尺度注意力x光断针检测方法 |
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 |
Application publication date: 20190628 |
|
| RJ01 | Rejection of invention patent application after publication |