CN111957600A - 多光谱融合的物料识别系统、智能分选设备及分选方法 - Google Patents

Abstract

本发明公开了多光谱融合的物料识别系统、智能分选设备及分选方法，其中系统包括运输带、信号采集单元和识别主机。运输带将待识别物均匀地分布并以均匀速度运送至信号采集单元。信号采集单元采集检测信号并发送给识别主机。识别主机根据采集信号计算和识别待识别物的类别。信号采集单元包括X光发射器、线阵相机和至少一列线性光源。X光发射器和线阵相机沿着运输带运动方向布置在运输带上方，至少一列线性光源设置在线阵相机下方。本发明采用两种以上的单一的光谱检测方案提取光谱特征值后，融合成特征向量，并利用基于深度学习的模型进行智能识别，提高了检测结果的准确度。

Description

多光谱融合的物料识别系统、智能分选设备及分选方法

技术领域

本发明涉及物料识别和分选技术领域，特别涉及一种基于多光谱融合的物料识别系统、智能分选设备及分选方法。

背景技术

矿石(本文中的矿石包括金属矿、非金属矿和煤矿)分选的目的是从开采的原矿(颗粒形态)中筛选出含矿量高的部分(后文称为精矿)，剔除掉含矿量低的部分(后文称为废石)，从而有效减少进入后续进行化学磨选环节的处理量，达到节省无效成本的目的。

现有的干式分选设备中，磁选设备由于要求分选对象要有磁性，对于没有磁性的分选对象并不适用，所以使得磁选设备不具有通用性。目前具备通用性的物料分选整机设备如图1所示，主要包括双层振动筛1、大倾角皮带机2、给料器3、内置运输带4的物料识别系统6、料仓5和分离机构7。双层振动筛1筛分出粒径A-Bmm(比如8-300mm)的物料，粒径的大小根据不同矿种进行不同的选择。其中，粒径小于Amm的原矿进入粉矿仓，粒径大于Bmm的原矿进行二次破碎。大倾角皮带机2的进料端与双层振动筛1的出料口衔接，启动大倾角皮带机2，将原矿送入振动给料器3。给料器3将待识别物料传输至运输带4，运输带4将待识别物料送到物料识别系统6的信号采集位置，完成待识别物料的照射并通过智能识别软件对矿石进行识别分类。通过运输带4将识别标记后的物料运送至分离机构7。分离机构7可以采用高压空气、机械打板等多种执行机构，改变矿石的飞行路劲，使得不同分类的矿石进入料仓5的不同料仓中。

目前物料识别系统6的信号采集单元主要分为基于可见光采集、基于X光采集和基于X荧光采集三大类。其中，基于可见光的方案仅能判别表面颜色，而现实中绝大多数的矿石表面颜色没有差异，而且就算同一种颜色的矿石，内部成分构成也存在各种差异，可见光模式无法探知内部从而影响了识别的精度。

基于X荧光可以精确测得最表面浅表层检测区域内的物质构成和比例，但是荧光方案单次能检测的面积小于1个平方厘米，检测结果仅代表该区域，由于矿石成分分布的不均匀性，使得此检测结果存在很大的偏差，进而影响识别精度低。同时，受限于荧光检测的原理，基于荧光的单次信号采集在30s以上，无法实现高速实时在线检测。

基于X光的物料识别系统采用一个X光发生器配以X光信号接收单元(也称为探测器)。其原理为X光穿透被检测对象时，不同物质成分的被检测物对X光的吸收率不同，通过信号接收单元对这种不同进行采集，配合主机软件进行物质构成分析，最终实现对矿石的识别并用分离结构对矿石进行有效分离。

一个待识别物可能由几种单一物质成分组成，X光穿透的方式为穿透路径上所有单一物质及其占比的综合信息，如公式(1)所示：

其中：I₀为X光的原始光强，I₁为原始光强穿透物质后的光强，μ_x为某一种单一物质的吸收系数，d_x为该单一物质的厚度。

由上述公式可以看出，在某种情况下，会存在虽然单一物质成分存在差异，但是其吸收系数与其厚度的乘积相同，从而抵消了单一物质成分的差异，导致检测结果不准确。

综上所述，单一的光谱检测方案都存在一定缺陷，从而导致检测结果出现误差，需要对现有技术中单一的光谱检测方案进行改进，进一步提高矿石检出的准确率。

发明内容

本发明的目的是提供多光谱融合的物料识别系统、智能分选设备及分选方法，解决现有技术中因单一光谱检测导致检测结果有误差的问题。

本发明的目的是通过以下技术方案实现的：

第一方面，本发明提供一种多光谱融合的物料识别系统，包括运输带、信号采集单元和识别主机，所述的运输带将待识别物均匀地分布并以均匀速度运送至信号采集单元，所述的信号采集单元采集检测信号并发送给识别主机，所述的识别主机根据采集信号计算和识别待识别物的类别；所述的信号采集单元包括X光发射器、线阵相机和至少一列线性光源；X光发射器和线阵相机沿着运输带运动方向布置在运输带上方；至少一列线性光源设置在线阵相机下方。

进一步的，所述的运输带材质为PVC。

进一步的，所述的运输带是红色或绿色。

进一步的，当有两列线性光源时，两列线性光源对角打光。

第二方面，本发明提供一种多光谱融合的物料识别方法，包括以下步骤：

步骤S1、X光发射器和线阵相机分别采集待识别物的图像并发送给识别主机。

步骤S2、识别主机对X光发射器采集的图像进行图像分割，拟合基于X光的图像轮廓和提取基于X光的图像特征矩阵；识别主机对线阵相机采集的图像进行图像分割，拟合基于可见光的图像轮廓和提取基于可见光的图像特征矩阵；

步骤S3、识别主机判断X光发射器采集的图像和线阵相机采集的图像是否为同一待识别物的图像，如果是则转至步骤S4，否则转至步骤S5；

步骤S4、将基于X光的图像特征矩阵和基于可见光的图像特征矩阵组合成特征值矩阵，进行基于深度学习的智能识别，并将识别结果发送给分离机构，由分离机构执行分离操作；

步骤S5、由识别主机单分别独立识别基于X光的图像特征和基于可见光的图像特征，并分别将识别结果发送给分离机构，由分离机构执行分离操作。

进一步的，所述的步骤S3中判断是否为同一待识别物的图像的方法为：识别主机计算出X光发射器采集的图像和线阵相机采集的图像的相似度，如果相似度大于预设的置信值，则判断为同一待识别物的图像，否则判断为不同的待识别物图像。

进一步的，计算相似度的公式为：

Sim＝distance(Vector(1),Vector(2))，

其中，Vector(1)和Vector(2)分别为同一待识别物的基于X光的图像特征矩阵和基于可见光的图像特征矩阵。

第三方面，本发明提供一种多光谱融合智能分选设备，包括上述的多光谱融合的物料识别系统。

本发明的多光谱融合的物料识别系统，采用两种以上的单一的光谱检测方案提取光谱特征值后，融合成特征向量，并利用基于深度学习的模型进行智能识别，提高了检测结果的准确度。

附图说明

图1为物料分选设备整机的组成示意图；

图2为本发明的单列线性光源的多光谱融合的物料识别系统示意图；

图3为本发明的双列线性光源的多光谱融合的物料识别系统示意图；

图4为本发明的多光谱融合的物料识别方法流程示意图；

图5为本发明的特征值矩阵的组合过程示意图。

具体实施方式

下面结合附图对本公开实施例进行详细描述。

以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。

本发明的多光谱融合的物料识别系统，包括运输带4、信号采集单元和识别主机。其中运输带将待识别物均匀地分布并以一定速度运送至信号采集单元，信号采集单元采集检测信号并发送给识别主机。识别主机根据采集信号计算和识别待识别物的类别。信号采集单元如图2和图3所示，包括X光发射器1、线阵相机2和至少一列线性光源3。X光发射器和线阵相机沿着运输带运动方向布置在运输带上方。至少一个线性光源设置在线阵相机下方，其作用是给待识别物打光，便于线阵相机采集待识别物的图片。多光谱融合的物料识别系统是封闭结构，布料结构和信号采集单元处于封闭结构中。

运输带的材质为PVC，颜色为红色或绿色，使得色域空间尽可能的与被识别物偏离。运输带的表面不能用光面，为了防止线阵相机的线性光源照射到运输带表面而产生反光。

待识别物进入多光谱融合的物料识别系统后，当待识别物经过X光发射器时，由X光发射器采集基于X光的图像并将基于X光的图像发送给识别主机。识别主机对基于X光的图像进行图像分割，提取基于X光的图像特征。当待识别物经过线阵相机时，线阵相机采集基于可见光的图像并将基于可见光的图像发送给识别主机。识别主机对基于可见光的图像进行图像分割，提取基于可见光的图像特征。识别主机对基于X光的图像特征和基于可见光的图像特征进行物块置信值计算，判定X光发射器采集的图像和线阵相机采集的图像是否为同一待识别物的图像。如果是同一待识别物，则识别主机对基于X光的图像特征和基于可见光的图像特征进行图像特征组合，利用深度学习模型对图像特征组合进行智能识别，判定被识别物的类别。

本发明的多光谱融合的物料识别系统，X光发射器和线阵相机的位置可以互换。待识别物料进入多光谱融合的物料识别系统后，可以先经过线阵相机，再经过X光发射器。X光发射器和线阵相机位置的调整不应作为对本发明的限制。当有两列线性光源时(如图3中的3-1和3-2)，两列线性光源进行对角打光来减少可见光投影带来的物块阴影区域，线性光源的打光角度根据待识别物高度进行调节。

本发明的多光谱融合的物料识别方法，包括以下步骤：

步骤S1、X光发射器和线阵相机分别采集待识别物的图像并发送给识别主机。

步骤S2、识别主机对X光发射器采集的图像进行图像分割，拟合基于X光的图像轮廓和提取基于X光的图像特征矩阵；识别主机对线阵相机采集的图像进行图像分割，拟合基于可见光的图像轮廓和提取基于可见光的图像特征矩阵。

在基于X光的图像分割基础上，对X光特性带来的图像半影区进行矫正，并基于校正后的图像，计算物块中心位置并拟合图像的外部轮廓，计算基于X光的图像特征结构。基于X光的图像特征矩阵包括但不限于：分割图像的轮廓特征、轮廓拐点、图像质心位置、图像长轴角度、短轴角度。

在对线阵相机采集的图像进行分割时，采用基于色彩亮度空间变换的方式进行图像分割。首先将由可线阵相机采集的彩色RGB图像转换到HSV色域后，再进行分割。配合线性光源的角度调整矫正参数，进行阴影位置矫正，并基于校正后的图像，计算物块中心位置并拟合外部轮廓，计算出基于可见光的图像特征结构。基于可见光的图像特征矩阵包括但不限于：分割图像的轮廓特征、轮廓拐点、图像质心位置、图像长轴角度、短轴角度。

步骤S3、识别主机判断X光发射器采集的图像和线阵相机采集的图像是否为同一待识别物的图像，如果是则转至步骤S4，否则转至步骤S5。

判断是否为同一待识别物的图像的方法为：识别主机计算出X光发射器采集的图像和线阵相机采集的图像相似度，如果相似度大于预设的置信值，则判断为同一待识别物的图像，否则判断为不同的待识别物图像。计算相似度的公式为：

Sim＝distance(Vector(1),Vector(2)) 公式(2)

其中，Vector(1)和Vector(2)分别为同一待识别物的基于X光的图像特征矩阵和基于可见光的图像特征矩阵。

distance函数为基于cos的矩阵相似度函数。计算相似度的公式不限于此，本发明只是举一个例子进行说明。在本领域中，现有的计算相似度的公式或不经过创造性劳动获得的相似度计算公式，能用来实现本发明目的的，都在本发明的保护范围之内。

步骤S4、将基于X光的图像特征矩阵和基于可见光的图像特征矩阵组合成特征值矩阵，进行基于深度学习的智能识别，并将识别结果发送给分离机构7，由分离机构执行分离操作。

特征值矩阵的组合过程如图5所示，其表达式为：

V＝[a1*Vector(1),a2*Vector(2)]，其中,Vector(1)(图5中简写为V1)、Vector(2)(图5中简写为V2)同一待识别物分别为从X光分割图像和对应的可见光分割图像中提取的特征矩阵，a1为Vector(1)的权重系数，a2为Vector(2)的权重系数。

智能识别是利用基于深度学习的识别模型来完成的。该识别模型经过不同光谱特征值提取后，融合成特征向量进行基于深度学习的模型训练获得的。

步骤S5、由识别主机单分别独立识别基于X光的图像特征和基于可见光的图像特征，并分别将识别结果发送给分离机构7，由分离机构执行分离操作。

本发明的多光谱融合智能分选设备，包括双层振动筛1、大倾角皮带机2、给料器3、料仓5和分离机构7，还包括上述多光谱融合的物料识别系统6。双层振动筛1筛分出粒径A-Bmm(比如8-300mm)的物料，粒径的大小根据不同矿种进行不同的选择。其中，粒径小于Amm的原矿进入粉矿仓，粒径大于Bmm的原矿进行二次破碎。大倾角皮带机2的进料端与双层振动筛1的出料口衔接，启动大倾角皮带机2，将原矿送入振动给料器3。给料器3将待识别物料传输至物料识别系统6，物料识别系统6利用上述多光谱融合的物料识别方法对待识别物进行识别，将识别结果发送至分离机构7。分离机构7可以采用高压空气、机械打板等多种执行机构，改变矿石的飞行路劲，使得不同分类的矿石进入料仓5的不同料仓中。

可以进一步对本发明的基础技术方案进行修改，例如可见光可以替换为其他光谱识别方案，比如紫外线等。也可以采用两种以上的光谱识别方案来进一步提高识别精度。这些技术方案的简单替换同样在本发明的保护范围之内。

在本发明的描述中，需要理解的是，术语“中间”、“长度”、“上”、“下”、“前”、“后”、“竖直”、“水平”、“内”、“外”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接或彼此可通讯；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

以上仅为说明本发明的实施方式，并不用于限制本发明，对于本领域的技术人员来说，凡在本发明的精神和原则之内，不经过创造性劳动所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.多光谱融合的物料识别系统，包括运输带、信号采集单元和识别主机，其特征在于，所述的运输带将待识别物均匀地分布并以均匀速度运送至信号采集单元，所述的信号采集单元采集检测信号并发送给识别主机，所述的识别主机根据采集信号计算和识别待识别物的类别；所述的信号采集单元包括X光发射器、线阵相机和至少一列线性光源；X光发射器和线阵相机沿着运输带运动方向布置在运输带上方；至少一列线性光源设置在线阵相机下方。

2.根据权利要求1所述的多光谱融合的物料识别系统，其特征在于，所述的运输带材质为PVC。

3.根据权利要求1所述的多光谱融合的物料识别系统，其特征在于，所述的运输带是红色或绿色。

4.根据权利要求1所述的多光谱融合的物料识别系统，其特征在于，当有两列线性光源时，两列线性光源对角打光。

5.多光谱融合的物料识别方法，其特征在于，包括以下步骤：

步骤S1、X光发射器和线阵相机分别采集待识别物的图像并发送给识别主机。

步骤S2、识别主机对X光发射器采集的图像进行图像分割，拟合基于X光的图像轮廓和提取基于X光的图像特征矩阵；识别主机对线阵相机采集的图像进行图像分割，拟合基于可见光的图像轮廓和提取基于可见光的图像特征矩阵；

步骤S3、识别主机判断X光发射器采集的图像和线阵相机采集的图像是否为同一待识别物的图像，如果是则转至步骤S4，否则转至步骤S5；

步骤S4、将基于X光的图像特征矩阵和基于可见光的图像特征矩阵组合成特征值矩阵，进行基于深度学习的智能识别，并将识别结果发送给分离机构，由分离机构执行分离操作；

步骤S5、由识别主机单分别独立识别基于X光的图像特征和基于可见光的图像特征，并分别将识别结果发送给分离机构，由分离机构执行分离操作。

6.根据权利要求5所述的多光谱融合的物料识别方法，其特征在于，所述的步骤S3中判断是否为同一待识别物的图像的方法为：识别主机计算出X光发射器采集的图像和线阵相机采集的图像的相似度，如果相似度大于预设的置信值，则判断为同一待识别物的图像，否则判断为不同的待识别物图像。

7.根据权利要求6所述的多光谱融合的物料识别方法，其特征在于，计算相似度的公式为：

Sim＝distance(Vector(1),Vector(2))，

其中，Vector(1)和Vector(2)分别为同一待识别物的基于X光的图像特征矩阵和基于可见光的图像特征矩阵。

8.多光谱融合智能分选设备，其特征在于，包括权利要求1至4任一项所述的多光谱融合的物料识别系统。

Images