CN111931817A - 一种球团矿矿相识别方法和装置 - Google Patents
一种球团矿矿相识别方法和装置 Download PDFInfo
- Publication number
- CN111931817A CN111931817A CN202010662628.3A CN202010662628A CN111931817A CN 111931817 A CN111931817 A CN 111931817A CN 202010662628 A CN202010662628 A CN 202010662628A CN 111931817 A CN111931817 A CN 111931817A
- Authority
- CN
- China
- Prior art keywords
- microscopic image
- mineral
- phase
- target
- image
- 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
- 239000008188 pellet Substances 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 51
- 229910052500 inorganic mineral Inorganic materials 0.000 claims abstract description 205
- 239000011707 mineral Substances 0.000 claims abstract description 205
- 208000035126 Facies Diseases 0.000 claims abstract description 80
- 238000007781 pre-processing Methods 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims description 20
- 238000011176 pooling Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 17
- 238000003062 neural network model Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 11
- 238000011084 recovery Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 230000009849 deactivation Effects 0.000 claims description 5
- 230000002779 inactivation Effects 0.000 claims description 5
- 210000001525 retina Anatomy 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 12
- 230000008569 process Effects 0.000 description 10
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000004913 activation Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- FYYHWMGAXLPEAU-UHFFFAOYSA-N Magnesium Chemical compound [Mg] FYYHWMGAXLPEAU-UHFFFAOYSA-N 0.000 description 1
- BPQQTUXANYXVAA-UHFFFAOYSA-N Orthosilicate Chemical compound [O-][Si]([O-])([O-])[O-] BPQQTUXANYXVAA-UHFFFAOYSA-N 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- WETINTNJFLGREW-UHFFFAOYSA-N calcium;iron;tetrahydrate Chemical compound O.O.O.O.[Ca].[Fe].[Fe] WETINTNJFLGREW-UHFFFAOYSA-N 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 229910052595 hematite Inorganic materials 0.000 description 1
- 239000011019 hematite Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- LIKBJVNGSGBSGK-UHFFFAOYSA-N iron(3+);oxygen(2-) Chemical compound [O-2].[O-2].[O-2].[Fe+3].[Fe+3] LIKBJVNGSGBSGK-UHFFFAOYSA-N 0.000 description 1
- SZVJSHCCFOBDDC-UHFFFAOYSA-N iron(II,III) oxide Inorganic materials O=[Fe]O[Fe]O[Fe]=O SZVJSHCCFOBDDC-UHFFFAOYSA-N 0.000 description 1
- YDZQQRWRVYGNER-UHFFFAOYSA-N iron;titanium;trihydrate Chemical compound O.O.O.[Ti].[Fe] YDZQQRWRVYGNER-UHFFFAOYSA-N 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000011777 magnesium Substances 0.000 description 1
- 229910052749 magnesium Inorganic materials 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- -1 pseudobrookite Chemical compound 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 229910000859 α-Fe Inorganic materials 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及球团矿技术领域,具体涉及一种球团矿矿相识别方法和装置,该方法包括:获取待识别球团矿的待识别矿相显微图像;对所述待识别矿相显微图像进行预处理,获得目标矿相显微图像;将所述目标矿相显微图像输入至预设矿相识别模型中,以获得所述预设矿相识别模型输出的目标矿相类别。相比于现有技术中的人工识别,本实施例采用训练好的预设矿相识别模型自动识别待识别球团矿的目标矿相类别,具有较高的效率和精确度。
Description
技术领域
本发明涉及球团矿技术领域,具体涉及一种球团矿矿相识别方法和装置。
背景技术
球团矿的矿相组成不仅对其冶金性能有着重要的影响,也与球团矿的焙烧工艺条件有密切关系。因此,快速准确获得球团矿中矿相种类,对于球团矿及其焙烧工艺研究具有重要的意义。
当前国内外研究者普遍使用的球团矿矿相鉴定是人工测定法,操作者将球团矿矿相显微图像与标准矿相显微图像进行比对,从而识别球团矿中的矿相种类,但是,此种方法识别效率较低,并且操作者的经验和技能水平决定着测定结果的准确性,测定带有很强的主观性。
发明内容
本发明的目的是提供一种球团矿矿相识别方法和装置,以解决现有技术中球团矿矿相识别效率较低的技术问题。
本发明实施例提供了以下方案:
依据本发明的第一个方面,本发明实施例提供一种球团矿矿相识别方法,应用于电子设备中,包括:
获取待识别球团矿的待识别矿相显微图像;
对所述待识别矿相显微图像进行预处理,获得目标矿相显微图像;
将所述目标矿相显微图像输入至预设矿相识别模型中,以获得所述预设矿相识别模型输出的目标矿相类别。
优选的,在所述获取待识别球团矿的待识别矿相显微图像之前,所述方法还包括:
采集属于样本矿相类别的待处理显微图像;
对所述待处理显微图像进行预处理,获得样本矿相显微图像,并将所述样本矿相显微图像和所述样本矿相类别对应存储于样本数据训练集中;
搭建待训练神经网络模型,并根据所述样本数据训练集对所述待训练神经网络模型进行训练,获得预设矿相识别模型。
优选的,所述对所述待处理显微图像进行预处理,获得样本矿相显微图像,包括:
将所述待处理显微图像的分辨率调整至预设分辨率;
根据带色彩恢复的多尺度视网膜增强算法对调整后的待处理显微图像进行图像增强;
将增强后的待处理显微图像转化为灰度图像,并对转化后的灰度图像进行二值化处理,获得样本矿相显微图像。
优选的,所述预设矿相识别模型包括:输入层、卷积层、池化层、全连接层和输出层;
所述将所述目标矿相显微图像输入至预设矿相识别模型中,以获得所述预设矿相识别模型输出的目标矿相类别,包括:
将所述目标矿相显微图像输入至所述输入层;
通过所述卷积层对所述目标矿相显微图像进行特征提取,获得所述目标矿相显微图像的三维特征信息;
通过所述池化层将所述三维特征信息转化为一维特征信息;
通过所述全连接层对所述一维特征信息进行融合;
通过所述输出层对融合后的一维特征信息进行分类,以获得所述目标矿相图像对应的目标矿相类别。
优选的,所述预设矿相识别模型还包括:随机失活层;
所述通过所述池化层将所述三维特征信息转化为一维特征信息之后,所述方法还包括:
通过所述随机失活层丢弃所述一维特征信息中的预设数据;
相应的,所述通过所述全连接层对所述一维特征信息进行融合,包括:
通过所述全连接层对丢弃后的一维特征信息进行融合。
优选的,在所述将所述目标矿相显微图像输入至预设矿相识别模型中,以获得所述预设矿相识别模型输出的目标矿相类别之后,所述方法还包括:
获取所述目标矿相显微图像中的含矿区域,并计算所述含矿区域的矿相像素值;
计算所述目标矿相显微图像的总像素值;
根据所述矿相像素值和所述总像素值计算所述待识别球团矿的球团矿含量。
优选的,
依据本发明的第二个方面,本发明实施例提供一种球团矿矿相识别装置,包括:
图像获取模块,用于获取待识别球团矿的待识别矿相显微图像;
预处理模块,用于对所述待识别矿相显微图像进行预处理,获得目标矿相显微图像;
矿相识别模块,用于将所述目标矿相显微图像输入至预设矿相识别模型中,以获得所述预设矿相识别模型输出的目标矿相类别。
优选的,所述装置还包括:
模型构建模块,用于采集属于样本矿相类别的待处理显微图像;对所述待处理显微图像进行预处理,获得样本矿相显微图像,并将所述样本矿相显微图像和所述样本矿相类别对应存储于样本数据训练集中;搭建待训练神经网络模型,并根据所述样本数据训练集对所述待训练神经网络模型进行训练,获得预设矿相识别模型。
依据本发明的第三个方面,本发明实施例提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明的第一方面中任一方法步骤。
依据本发明的第四个方面,本发明实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如本发明的第一方面中任一方法步骤。
本发明与现有技术相比,具有如下的优点和有益效果:
本发明通过获取待识别球团矿的待识别矿相显微图像;对所述待识别矿相显微图像进行预处理,获得目标矿相显微图像;将所述目标矿相显微图像输入至预设矿相识别模型中,以获得所述预设矿相识别模型输出的目标矿相类别。相比于现有技术中的人工识别,本实施例采用训练好的预设矿相识别模型自动识别待识别球团矿的目标矿相类别,具有较高的效率和精确度。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本说明书的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例中一种球团矿矿相识别方法的流程示意图;
图2为本发明实施例中所述预设矿相识别模型的结构示意图;
图3为本发明实施例中一种球团矿矿相识别装置的结构示意图;
图4为本发明实施例中一种计算机可读存储介质的结构示意图;
图5为本发明实施例中一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例,基于本发明实施例,本领域普通技术人员所获得的所有其他实施例,都属于本发明实施例保护的范围。
第一实施例
参照图1,图1为本发明实施例中一种球团矿矿相识别方法的流程示意图。
本实施例的执行主体是所述电子设备,该电子设备包括但不限于:智能手机、电脑等设备。所述方法包括:
步骤S10:获取待识别球团矿的待识别矿相显微图像。
为了识别所述待识别球团矿中的矿相种类,需要获取所述待识别球团矿的待识别矿相显微图像,所述待识别矿相显微图像为在显微镜下对所述待识别球团矿进行成像所获得的图像。在具体实现中,采集适量所述待识别球团矿制作标本,将该标本置于显微镜下观察,设置适量的光线以均匀照亮该标本,当观察到清晰的图像时,使用摄像设备拍摄图像,该摄像设备可以为智能手机、数码相机或者电荷耦合元件(Charge coupled Device,CCD)相机等,将该摄像设备的镜头对准显微镜的目镜进行拍摄,获得清晰的待识别矿相显微图像。
步骤S20:对所述待识别矿相显微图像进行预处理,获得目标矿相显微图像。
考虑到拍摄的待识别矿相显微图像图像质量不高,在后续识别所述待识别矿相显微图像的矿相类别时,会影响识别效果,本实施例将对所述待识别矿相显微图像进行预处理,以得到高质量的目标矿相显微图像。
首先,用脚本将所述待识别矿相显微图像的分辨率调整至预设分辨率,例如,统一调整为256×256分辨率。
其次,根据带色彩恢复的多尺度视网膜增强算法(Multi-Scale Retinex withColor Restoration,MSRCR)对调整分辨率后的待识别矿相显微图像进行图像增强,从而增加所述待识别矿相显微图像的清晰度,能够更好地体现矿相的形状和纹理细节。图像增强的具体过程为:
(1)根据公式一计算彩色恢复因子,所述公式一为:
其中,Ci表示第i个通道的彩色恢复因子,Li(x,y)是调整分辨率后的待识别矿相显微图像的像素值,N为RGB色彩空间的颜色通道数,N=3。
(2)根据公式二对所述彩色恢复因子进行对数转换,所述公式二为:
其中,β是增益常数,α用于控制非线性变换的强度。
(3)根据公式三计算多尺度增强(Multi-Scale Retinex,MSR)图像,所述公式三为:
其中,RMSRi(x,y)为MSR增强图像,Gk(x,y)为中心环绕函数,即卷积核为σk的高斯函数,确定3个尺度参数σ1=5、σ2=11、σ3=17,及3个权重λ1=0.4、λ2=0.3、λ3=0.3。
(4)根据公式四计算增强后的待识别矿相显微图像,所述公式四为:
其中,RMSRCRi(x,y)为MSRCR增强图像,即所述增强后的待识别矿相显微图像。
最后,将增强后的待识别矿相显微图像转化为灰度图像,并对转化后的灰度图像进行二值化处理,获得目标矿相显微图像。增强后的待识别矿相纤维图像为彩色图像,为了突出图像中的矿相区域,将该彩色图像转化为灰度图像,并对转化后的灰度图像进行二值化处理,该二值化处理过程为:将灰度图像分割为含矿区域和背景区域,根据含矿区域和背景区域的灰度值差异,设置一个阈值,例如,计算含矿区域的第一像素平均值和背景区域的第二像素平均值,将该第一像素平均值和第二像素平均值的均值作为阈值;根据公式五将灰度图像中低于阈值的像素均设置为第一灰度值,将高于阈值的像素均设置为第二灰度值,从而将所述灰度图像转化为二值化图像,该二值化图像即为目标矿相显微图像,能够明显地区分含矿区域和背景区域。
其中,f(i,j)为灰度图像中的像素值,g(i,j)为二值化图像中的像素值,T为所述阈值。
步骤S30:将所述目标矿相显微图像输入至预设矿相识别模型中,以获得所述预设矿相识别模型输出的目标矿相类别。
获取到高质量的目标矿相显微图像后,将所述目标矿相显微图像输入至预设矿相识别模型中,所述预设矿相识别模型为训练好的神经网络模型,具有较高的准确性,用于根据矿相显微图像识别对应的矿相类别。从而在所述目标矿相显微图像输入至预设矿相识别模型中之后,所述预设矿相识别模型能够对所述目标矿相显微图像进行处理、分类,并输出所述目标矿相显微图像对应的目标矿相类别,从而能够自动准确地识别所述待识别球团矿的目标矿相类别,相比于现有技术中的人工识别,具有较高的效率和精确度。
在一种可能的实施方式中,在所述步骤S10之前,所述方法还包括:采集属于样本矿相类别的待处理显微图像;对所述待处理显微图像进行预处理,获得样本矿相显微图像,并将所述样本矿相显微图像和所述样本矿相类别对应存储于样本数据训练集中;搭建待训练神经网络模型,并根据所述样本数据训练集对所述待训练神经网络模型进行训练,获得预设矿相识别模型。
可以理解的是,使用所述预设矿相识别模型之前,需要创建所述预设矿相识别模型。为了提高预设矿相识别模型的准确率,首先,将采集大量样本,挑选若干种样本矿相类别,例如赤铁矿、磁铁矿、铁酸钙、铁酸镁、钛铁矿、铁板钛矿、硅酸盐、孔洞及脉石等,对每种样本矿相类别,采集大量属于该类别的待处理显微图像;其次,所述待处理显微图像存在图像质量不高的问题,将对所述待处理显微图像进行预处理,并自动删除部分比例严重失调的图像,以从所述待处理显微图像中挑选出样本显微图像,对所述待处理显微图像进行预处理的过程与对所述待识别矿相显微图像进行预处理的过程相同,包括:将所述待处理显微图像的分辨率调整至预设分辨率;根据带色彩恢复的多尺度视网膜增强算法对调整后的待处理显微图像进行图像增强;将增强后的待处理显微图像转化为灰度图像,并对转化后的灰度图像进行二值化处理,获得样本矿相显微图像,将所述样本矿相显微图像和所述样本矿相类别对应存储于样本数据训练集中。最后,搭建待训练神经网络模型,并根据样本数据训练集进行多次迭代学习,得到训练好的预设矿相识别模型,例如2000次迭代学习,学习率为0.0001,其误差识别率低于1%,从而提高了模型的识别准确率。
在一种可能的实施方式中,如图2所示,所述预设矿相识别模型包括:输入层、卷积层、池化层、全连接层和输出层;所述将所述目标矿相显微图像输入至预设矿相识别模型中,以获得所述预设矿相识别模型输出的目标矿相类别,包括:将所述目标矿相显微图像输入至所述输入层;通过所述卷积层对所述目标矿相显微图像进行特征提取,获得所述目标矿相显微图像的三维特征信息;通过所述池化层将所述三维特征信息转化为一维特征信息;通过所述全连接层对所述一维特征信息进行融合;通过所述输出层对融合后的一维特征信息进行分类,以获得所述目标矿相图像对应的目标矿相类别。所述预设矿相识别模型还包括:随机失活(Dropout)层;所述通过所述池化层将所述三维特征信息转化为一维特征信息之后,所述方法还包括:通过所述随机失活层丢弃所述一维特征信息中的预设数据;相应的,所述通过所述全连接层对所述一维特征信息进行融合,包括:通过所述全连接层对丢弃后的一维特征信息进行融合。
在具体实现中,所述预设矿相识别模型包括:输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第一全连接层、随机失活层、第二全连接层和输出层,其中,所述输入层输入的图像像素为[256×256×1],图像的长和宽均为256,高为1,有1个颜色通道。所述第一卷积层使用了30个特征图去初步地提取图像的抽象特征,使用的卷积核长和宽均为5,卷积核滑动步长为1,选用线性整流函数(Rectified LinearUnit,ReLU)作为该层输出的激活函数,在该第一卷积层的设置中将填充(padding)属性设置为“相同(SAME)”,使第一卷积层输出的数据长宽是不变的。所述第一池化层采用最大池化函数,以步长为[2,3],即横向为2,纵向为3对上一层输出的2×3大小的区域求最大值。具体地,所述第二卷积层使用了70个特征图进一步去提取图像的特征,获得所述目标矿相显微图像的三维特征信息,采用的卷积核大小为5,步长为1,选用relu作为输出的激活函数。所述第二池化层采用最大池化(Max Pooling)的方式保留图像的最大特征,最大池化函数以步长为[2,3],即横向为2,纵向为3对上一层输出的2×3大小的区域求最大值;当输出的数据长宽已经够小时,将所述三维特征信息转化为一维特征信息。所述第一全连接层拥有1024个神经元单元,利用全连接层处理所述一维特征信息,使用的激活函数为relu。所述随机失活层是丢弃率为0.5的Dropout层。所述第二全连接层拥有两个神经单元,对所述第二全连接层的神经元采用dropout方式防止过拟合。所述输出层使用softmax损失函数进行分类,使用一个概率来表示所述融合后的一维特征信息有多大概率属于某个类别,采用的优化器为亚当优化器(Adam Optimizer),通过所述输出层对融合后的一维特征信息进行分类,以获得所述目标矿相图像对应的目标矿相类别。
在一种可能的实施方式中,在所述步骤S30之后,所述方法还包括:获取所述目标矿相显微图像中的含矿区域,并计算所述含矿区域的矿相像素值;计算所述目标矿相显微图像的总像素值;根据所述矿相像素值和所述总像素值计算所述待识别球团矿的球团矿含量。实现识别所述待识别球团矿中的目标矿相类别之后,还可根据用户需要计算所述待识别球团矿中的球团矿含量,具体地,所述目标矿相显微图像为二值化图像,分别计算该二值化图像中的含矿区域和背景区域的像素值,将含矿区域和背景区域的和作为总像素值,通过含矿区域的矿相像素值除以所述总像素值,能够获得所述含矿区域在目标矿相显微图像中的占比,即球团矿含量。
本申请实施例中提供的技术方案,至少具有如下技术效果或优点:
本实施例通过获取待识别球团矿的待识别矿相显微图像;对所述待识别矿相显微图像进行预处理,获得目标矿相显微图像;将所述目标矿相显微图像输入至预设矿相识别模型中,以获得所述预设矿相识别模型输出的目标矿相类别。相比于现有技术中的人工识别,本实施例采用训练好的预设矿相识别模型自动识别待识别球团矿的目标矿相类别,具有较高的效率和精确度。
第二实施例
基于同一发明构思,如图3所示,本发明实施例还提供一种球团矿矿相识别装置,包括:
图像获取模块10,用于获取待识别球团矿的待识别矿相显微图像;
预处理模块20,用于对所述待识别矿相显微图像进行预处理,获得目标矿相显微图像;
矿相识别模块30,用于将所述目标矿相显微图像输入至预设矿相识别模型中,以获得所述预设矿相识别模型输出的目标矿相类别。
在一种可能的实施方式中,所述装置还包括:
模型构建模块,用于采集属于样本矿相类别的待处理显微图像;对所述待处理显微图像进行预处理,获得样本矿相显微图像,并将所述样本矿相显微图像和所述样本矿相类别对应存储于样本数据训练集中;搭建待训练神经网络模型,并根据所述样本数据训练集对所述待训练神经网络模型进行训练,获得预设矿相识别模型。
在一种可能的实施方式中,所述模型构建模块,还用于将所述待处理显微图像的分辨率调整至预设分辨率;根据带色彩恢复的多尺度视网膜增强算法对调整后的待处理显微图像进行图像增强;将增强后的待处理显微图像转化为灰度图像,并对转化后的灰度图像进行二值化处理,获得样本矿相显微图像。
在一种可能的实施方式中,所述预设矿相识别模型包括:输入层、卷积层、池化层、全连接层和输出层;所述矿相识别模块,具体用于将所述目标矿相显微图像输入至所述输入层;通过所述卷积层对所述目标矿相显微图像进行特征提取,获得所述目标矿相显微图像的三维特征信息;通过所述池化层将所述三维特征信息转化为一维特征信息;通过所述全连接层对所述一维特征信息进行融合;通过所述输出层对融合后的一维特征信息进行分类,以获得所述目标矿相图像对应的目标矿相类别。
在一种可能的实施方式中,所述预设矿相识别模型还包括:随机失活层;所述所述矿相识别模块,还用于通过所述随机失活层丢弃所述一维特征信息中的预设数据;通过所述全连接层对丢弃后的一维特征信息进行融合。
在一种可能的实施方式中,所述装置还包括:
含量统计模块,用于获取所述目标矿相显微图像中的含矿区域,并计算所述含矿区域的矿相像素值;计算所述目标矿相显微图像的总像素值;根据所述矿相像素值和所述总像素值计算所述待识别球团矿的球团矿含量。
本申请实施例中提供的技术方案,至少具有如下技术效果或优点:
本实施例的球团矿矿相识别装置,包括:图像获取模块,用于获取待识别球团矿的待识别矿相显微图像;预处理模块,用于对所述待识别矿相显微图像进行预处理,获得目标矿相显微图像;矿相识别模块,用于将所述目标矿相显微图像输入至预设矿相识别模型中,以获得所述预设矿相识别模型输出的目标矿相类别。相比于现有技术中的人工识别,本实施例采用训练好的预设矿相识别模型自动识别待识别球团矿的目标矿相类别,具有较高的效率和精确度。
第三实施例
基于同一发明构思,如图4所示,本发明实施例还提供一种计算机可读存储介质300,其上存储有计算机程序311,该程序311被处理器执行时实现以下步骤:
获取待识别球团矿的待识别矿相显微图像;对所述待识别矿相显微图像进行预处理,获得目标矿相显微图像;将所述目标矿相显微图像输入至预设矿相识别模型中,以获得所述预设矿相识别模型输出的目标矿相类别。
在具体实施过程中,该计算机程序311被处理器执行时,可以实现上述第一实施中任一实施方式的方法步骤。
第四实施例
基于同一发明构思,如图5所示,本发明实施例还提供了一种电子设备400,包括存储器410、处理器420及存储在存储器410上并可在处理器420上运行的计算机程序411,所述处理器420执行所述程序411时实现以下步骤:
获取待识别球团矿的待识别矿相显微图像;对所述待识别矿相显微图像进行预处理,获得目标矿相显微图像;将所述目标矿相显微图像输入至预设矿相识别模型中,以获得所述预设矿相识别模型输出的目标矿相类别。
在具体实施过程中,处理器420执行计算机程序411时,可以实现上述第一实施中任一实施方式的方法步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、装置(模块、系统)和计算机程序产品的流程图和/或方框图来描述。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式计算机或者其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包括这些改动和变型在内。
Claims (10)
1.一种球团矿矿相识别方法,其特征在于,应用于电子设备中,包括:
获取待识别球团矿的待识别矿相显微图像;
对所述待识别矿相显微图像进行预处理,获得目标矿相显微图像;
将所述目标矿相显微图像输入至预设矿相识别模型中,以获得所述预设矿相识别模型输出的目标矿相类别。
2.根据权利要求1所述的方法,其特征在于,在所述获取待识别球团矿的待识别矿相显微图像之前,所述方法还包括:
采集属于样本矿相类别的待处理显微图像;
对所述待处理显微图像进行预处理,获得样本矿相显微图像,并将所述样本矿相显微图像和所述样本矿相类别对应存储于样本数据训练集中;
搭建待训练神经网络模型,并根据所述样本数据训练集对所述待训练神经网络模型进行训练,获得预设矿相识别模型。
3.根据权利要求2所述的方法,其特征在于,所述对所述待处理显微图像进行预处理,获得样本矿相显微图像,包括:
将所述待处理显微图像的分辨率调整至预设分辨率;
根据带色彩恢复的多尺度视网膜增强算法对调整后的待处理显微图像进行图像增强;
将增强后的待处理显微图像转化为灰度图像,并对转化后的灰度图像进行二值化处理,获得样本矿相显微图像。
4.根据权利要求2所述的方法,其特征在于,所述预设矿相识别模型包括:输入层、卷积层、池化层、全连接层和输出层;
所述将所述目标矿相显微图像输入至预设矿相识别模型中,以获得所述预设矿相识别模型输出的目标矿相类别,包括:
将所述目标矿相显微图像输入至所述输入层;
通过所述卷积层对所述目标矿相显微图像进行特征提取,获得所述目标矿相显微图像的三维特征信息;
通过所述池化层将所述三维特征信息转化为一维特征信息;
通过所述全连接层对所述一维特征信息进行融合;
通过所述输出层对融合后的一维特征信息进行分类,以获得所述目标矿相图像对应的目标矿相类别。
5.根据权利要求4所述的方法,其特征在于,所述预设矿相识别模型还包括:随机失活层;
所述通过所述池化层将所述三维特征信息转化为一维特征信息之后,所述方法还包括:
通过所述随机失活层丢弃所述一维特征信息中的预设数据;
相应的,所述通过所述全连接层对所述一维特征信息进行融合,包括:
通过所述全连接层对丢弃后的一维特征信息进行融合。
6.根据权利要求1-5中任一项所述的方法,其特征在于,在所述将所述目标矿相显微图像输入至预设矿相识别模型中,以获得所述预设矿相识别模型输出的目标矿相类别之后,所述方法还包括:
获取所述目标矿相显微图像中的含矿区域,并计算所述含矿区域的矿相像素值;
计算所述目标矿相显微图像的总像素值;
根据所述矿相像素值和所述总像素值计算所述待识别球团矿的球团矿含量。
7.一种球团矿矿相识别装置,其特征在于,包括:
图像获取模块,用于获取待识别球团矿的待识别矿相显微图像;
预处理模块,用于对所述待识别矿相显微图像进行预处理,获得目标矿相显微图像;
矿相识别模块,用于将所述目标矿相显微图像输入至预设矿相识别模型中,以获得所述预设矿相识别模型输出的目标矿相类别。
8.根据权利要求7所述的装置,其特征在于,所述装置还包括:
模型构建模块,用于采集属于样本矿相类别的待处理显微图像;对所述待处理显微图像进行预处理,获得样本矿相显微图像,并将所述样本矿相显微图像和所述样本矿相类别对应存储于样本数据训练集中;搭建待训练神经网络模型,并根据所述样本数据训练集对所述待训练神经网络模型进行训练,获得预设矿相识别模型。
9.一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,该程序被处理器执行时实现如权利要求1-6中任一权利要求所述的方法步骤。
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-6中任一权利要求所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010662628.3A CN111931817A (zh) | 2020-07-10 | 2020-07-10 | 一种球团矿矿相识别方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010662628.3A CN111931817A (zh) | 2020-07-10 | 2020-07-10 | 一种球团矿矿相识别方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111931817A true CN111931817A (zh) | 2020-11-13 |
Family
ID=73313379
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010662628.3A Pending CN111931817A (zh) | 2020-07-10 | 2020-07-10 | 一种球团矿矿相识别方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111931817A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113249153A (zh) * | 2021-04-28 | 2021-08-13 | 苏州淘喜网络科技有限公司 | 一种生物质燃料用分级式检测处理装置 |
CN113793308A (zh) * | 2021-08-25 | 2021-12-14 | 北京科技大学 | 一种基于神经网络的球团矿质量智能评级方法及装置 |
WO2023125111A1 (zh) * | 2021-12-27 | 2023-07-06 | 中国科学院深圳先进技术研究院 | 基于人工智能原子力显微镜的材料识别方法和装置 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101034059A (zh) * | 2006-12-26 | 2007-09-12 | 重庆大学 | 一种测量矿物反射率及矿相组成的方法 |
JP2009294178A (ja) * | 2008-06-09 | 2009-12-17 | Hamamatsu Photonics Kk | 砂の測定装置及び砂の測定方法 |
CN104156703A (zh) * | 2014-08-01 | 2014-11-19 | 武汉工程大学 | 基于色彩纹理的车牌定位方法及系统 |
CN106023129A (zh) * | 2016-05-26 | 2016-10-12 | 西安工业大学 | 红外与可见光图像融合的汽车抗晕光视频图像处理方法 |
CN106846274A (zh) * | 2017-01-23 | 2017-06-13 | 重庆师范大学 | 结合he和引导滤波的msrcr交通图像去雾霾方法 |
CN108491765A (zh) * | 2018-03-05 | 2018-09-04 | 中国农业大学 | 一种蔬菜图像的分类识别方法及系统 |
CN109063594A (zh) * | 2018-07-13 | 2018-12-21 | 吉林大学 | 基于YOLOv2的遥感图像快速目标检测方法 |
CN110197476A (zh) * | 2019-04-24 | 2019-09-03 | 武汉科技大学 | 一种基于特征融合的复杂烧结矿三维显微矿相的分析方法 |
CN110378421A (zh) * | 2019-07-19 | 2019-10-25 | 西安科技大学 | 一种基于卷积神经网络的煤矿火灾识别方法 |
CN110689486A (zh) * | 2018-07-06 | 2020-01-14 | 北京大学 | 图像的处理方法、装置、设备及计算机可存储介质 |
CN111160158A (zh) * | 2019-12-17 | 2020-05-15 | 山东大学 | 偏光显微镜下岩石图像智能识别系统及方法 |
CN111209964A (zh) * | 2020-01-06 | 2020-05-29 | 武汉市盛隽科技有限公司 | 模型训练方法、基于深度学习的金属断口分析方法及应用 |
-
2020
- 2020-07-10 CN CN202010662628.3A patent/CN111931817A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101034059A (zh) * | 2006-12-26 | 2007-09-12 | 重庆大学 | 一种测量矿物反射率及矿相组成的方法 |
JP2009294178A (ja) * | 2008-06-09 | 2009-12-17 | Hamamatsu Photonics Kk | 砂の測定装置及び砂の測定方法 |
CN104156703A (zh) * | 2014-08-01 | 2014-11-19 | 武汉工程大学 | 基于色彩纹理的车牌定位方法及系统 |
CN106023129A (zh) * | 2016-05-26 | 2016-10-12 | 西安工业大学 | 红外与可见光图像融合的汽车抗晕光视频图像处理方法 |
CN106846274A (zh) * | 2017-01-23 | 2017-06-13 | 重庆师范大学 | 结合he和引导滤波的msrcr交通图像去雾霾方法 |
CN108491765A (zh) * | 2018-03-05 | 2018-09-04 | 中国农业大学 | 一种蔬菜图像的分类识别方法及系统 |
CN110689486A (zh) * | 2018-07-06 | 2020-01-14 | 北京大学 | 图像的处理方法、装置、设备及计算机可存储介质 |
CN109063594A (zh) * | 2018-07-13 | 2018-12-21 | 吉林大学 | 基于YOLOv2的遥感图像快速目标检测方法 |
CN110197476A (zh) * | 2019-04-24 | 2019-09-03 | 武汉科技大学 | 一种基于特征融合的复杂烧结矿三维显微矿相的分析方法 |
CN110378421A (zh) * | 2019-07-19 | 2019-10-25 | 西安科技大学 | 一种基于卷积神经网络的煤矿火灾识别方法 |
CN111160158A (zh) * | 2019-12-17 | 2020-05-15 | 山东大学 | 偏光显微镜下岩石图像智能识别系统及方法 |
CN111209964A (zh) * | 2020-01-06 | 2020-05-29 | 武汉市盛隽科技有限公司 | 模型训练方法、基于深度学习的金属断口分析方法及应用 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113249153A (zh) * | 2021-04-28 | 2021-08-13 | 苏州淘喜网络科技有限公司 | 一种生物质燃料用分级式检测处理装置 |
CN113793308A (zh) * | 2021-08-25 | 2021-12-14 | 北京科技大学 | 一种基于神经网络的球团矿质量智能评级方法及装置 |
WO2023125111A1 (zh) * | 2021-12-27 | 2023-07-06 | 中国科学院深圳先进技术研究院 | 基于人工智能原子力显微镜的材料识别方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111931817A (zh) | 一种球团矿矿相识别方法和装置 | |
CN108830196A (zh) | 基于特征金字塔网络的行人检测方法 | |
CN107038416B (zh) | 一种基于二值图像改进型hog特征的行人检测方法 | |
CN111833322B (zh) | 一种基于改进YOLOv3的垃圾多目标检测方法 | |
CN109740656A (zh) | 一种基于卷积神经网络的矿石分选方法 | |
CN113919443A (zh) | 一种基于图像分析烟叶成熟度状态概率计算方法 | |
CN116416479B (zh) | 基于深度卷积融合多尺度图像特征的矿物分类方法 | |
CN117372881B (zh) | 一种烟叶病虫害智能识别方法、介质及系统 | |
CN116958503B (zh) | 一种基于图像处理的污泥干化等级识别方法及系统 | |
CN108345835B (zh) | 一种基于仿复眼感知的目标识别方法 | |
CN110751225A (zh) | 图像分类方法、装置及存储介质 | |
CN105354547A (zh) | 一种结合纹理和彩色特征的行人检测方法 | |
CN111027564A (zh) | 基于深度学习一体化的低照度成像车牌识别方法及装置 | |
CN118212572A (zh) | 一种基于改进YOLOv7的道路损坏检测方法 | |
RU2476932C1 (ru) | Автоматизированная система анализа биомедицинских микроизображений для обнаружения и характеризации информативных объектов заданных классов на неоднородном фоне | |
CN110781936B (zh) | 基于纹理描述和深度学习的阈值可学习局部二进制网络的构建方法以及遥感图像分类方法 | |
CN112288765A (zh) | 一种用于车载红外行人检测跟踪的图像处理方法 | |
CN116092170A (zh) | 一种基于大数据技术的专利价值分析系统 | |
CN111325706A (zh) | 一种晶界提取、晶界提取模型生成方法及装置 | |
CN114386492A (zh) | 基于深度学习网络的矿石分类和粒度分级方法及装置 | |
CN113469224A (zh) | 一种基于卷积神经网络与特征描述算子相融合的大米分类方法 | |
CN113516003A (zh) | 一种应用于智慧安防的基于识别模型的识别方法及装置 | |
RU118774U1 (ru) | Автоматизированная система анализа биомедицинских микроизображений для обнаружения и характеризации информативных объектов заданного вида на неоднородном фоне | |
Alavi et al. | A novel method for contrast enhancement of gray scale image based on shadowed sets | |
Li et al. | Surface feature detection and identification based on image processing for communication backplane |
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 |