CN113609908B - 矿料识别方法、分选设备及计算机可读存储介质 - Google Patents

矿料识别方法、分选设备及计算机可读存储介质 Download PDF

Info

Publication number
CN113609908B
CN113609908B CN202110753260.6A CN202110753260A CN113609908B CN 113609908 B CN113609908 B CN 113609908B CN 202110753260 A CN202110753260 A CN 202110753260A CN 113609908 B CN113609908 B CN 113609908B
Authority
CN
China
Prior art keywords
mineral aggregate
spectral
identification method
ray
mineral
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.)
Active
Application number
CN202110753260.6A
Other languages
English (en)
Other versions
CN113609908A (zh
Inventor
王杉
何鹏宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ganzhou Good Friend Technology Co ltd
Original Assignee
Ganzhou Good Friend Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ganzhou Good Friend Technology Co ltd filed Critical Ganzhou Good Friend Technology Co ltd
Priority to CN202110753260.6A priority Critical patent/CN113609908B/zh
Publication of CN113609908A publication Critical patent/CN113609908A/zh
Priority to PCT/CN2022/092476 priority patent/WO2023273630A1/zh
Application granted granted Critical
Publication of CN113609908B publication Critical patent/CN113609908B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

本发明公开了一种矿料识别方法、分选设备及计算机可读存储介质，矿料识别方法应用于分选设备，分选设备包括机架、设置于机架顶部的环形瀑布式供料组件、由射线发射装置和射线接收装置组成的周向辐射射线发收装置以及出料口，射线发射装置为周向辐射装置，方法包括：控制射线发射装置发射X射线；提取射线接收装置接收到的光信号的光谱特征；根据光谱特征生成光谱图像；将光谱图像输入矿料识别模型，得到矿料识别模型输出的矿石类型，以根据矿石类型分离矿料至对应的出料口。本发明可提高矿料识别的准确率。

Description

矿料识别方法、分选设备及计算机可读存储介质
技术领域
本发明涉及矿石分选技术领域，尤其涉及一种矿料识别方法、分选设备及计算机可读存储介质。
背景技术
在矿石分选技术领域，对于贫矿多而富矿少的矿种，如何提高分选的效率、精度是我国选矿工艺和设备一直在考虑和发展的方面。目前采用成像式的矿料识别方法已渐渐取代以前需要靠大量人力物力支撑的手选，但使用传统的X射线成像，图像偏差过大，导致矿料识别的准确率低。
发明内容
本发明实施例通过提供一种矿料识别方法、分选设备及计算机可读存储介质，旨在解决如何提高矿料识别的准确率的技术问题。
本发明实施例提供一种矿料识别方法，所述矿料识别方法应用于分选设备，所述分选设备包括机架、设置于所述机架顶部的环形瀑布式供料组件、由射线发射装置和射线接收装置组成的周向辐射射线发收装置以及出料口，所述射线发射装置为周向辐射装置，所述矿料识别方法包括以下步骤：
控制所述射线发射装置发射X射线；
提取所述射线接收装置接收到的光信号的光谱特征；
根据所述光谱特征生成光谱图像；
将所述光谱图像输入矿料识别模型，得到所述矿料识别模型输出的矿石类型，以根据矿石类型分离矿料至对应的出料口。
在一实施例中，所述根据所述光谱特征生成光谱图像的步骤包括：
根据所述光谱特征生成各个光谱子图像；
拼接各个所述光谱子图像，得到所述光谱图像。
在一实施例中，所述拼接各个所述光谱子图像，得到所述光谱图像的步骤包括:
获取各个所述子光谱图像对应的光谱子特征的采集角度；
在各个所述采集角度对应的子光谱图像中确定拼接起始点；
根据各个所述子光谱图像的拼接起始点拼接各个所述光谱子图像，得到所述光谱图像。
在一实施例中，所述将所述光谱图像输入所述筛选装置中的矿料识别模型，得到所述矿料识别模型输出的识别结果的步骤之前，所述方法包括：
获取当前的空间位置信息；
根据所述空间位置信息选择所述矿料识别模型。
在一实施例中，所述根据所述光谱特征生成光谱图像的步骤之前，所述方法还包括：
获取所述光谱特征的各个原始数据；
确定各个所述原始数据是否丢包；
若存在丢包的原始数据时，对丢包的原始数据进行空行自填充；
在完成所述空行自填充后，对各个所述原始数据进行数据规划；
在完成所述数据规划后，执行所述根据所述光谱特征生成光谱图像的步骤。
在一实施例中，所述检测所述原始数据是否丢包的步骤包括：
检测各个所述原始数据中的头文件的实际行数是否为记录行数；
若所述实际行数小于所述记录行数时，将对应的原始数据作为丢包的原始数据，执行所述对丢包的原始数据进行空行自填充的步骤；
若所述实际行数等于所述记录行数时，执行所述对各个所述原始数据进行数据规划的步骤。
在一实施例中，所述在完成所述空行自填充后，对各个所述原始数据进行数据规划的步骤包括：
在完成所述空行自填充后，获取各个所述原始数据的本底值以及空场值；
将各个所述原始数据的所述本底值以及所述空场值作为校正空间，分别对对应的原始数据进行数据规划。
在一实施例中，所述控制所述射线发射装置发射X射线的步骤之前，所述方法还包括：
在环形瀑布式供料组件检测到矿料时，执行所述控制所述射线发射装置发射X射线的步骤。
本发明实施例还提供一种分选设备，所述分选设备包括：存储器、处理器及存储在所述存储器上并可在处理器上运行的矿料识别方法程序，所述处理器执行所述矿料识别方法程序时实现如上所述的矿料识别方法的各个步骤。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有矿料识别方法程序，所述矿料识别方法程序被处理器执行时实现如上所述的矿料识别方法的各个步骤。
在本实施例的技术方案中，分选设备控制所述射线发射装置发射X射线；提取所述射线接收装置接收到的光信号的光谱特征；根据所述光谱特征生成光谱图像；将所述光谱图像输入矿料识别模型，得到所述矿料识别模型输出的矿石类型，以根据矿石类型分离矿料至对应的出料口。由于分选设备可通过发射X射线获取针对待识别矿料的光谱特征，然后根据光谱特征生成光谱图像，其中，光谱特征针对的是矿料各个角度，因此，根据得到的光谱特征成像的效果较好，可降低成像偏差，将成像的图像用于矿料识别时，可提高矿料识别的准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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发明的一些实施例，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为本发明实施例涉及的分选设备的硬件构架第一示意图；
图2为本发明矿料识别方法第一实施例的流程示意图；
图3为本发明矿料识别方法第二实施例步骤30的细化流程示意图；
图4为本发明矿料识别方法第三实施例的流程示意图；
图5为本发明矿料识别方法第四实施例的流程示意图；
图6为本发明矿料识别方法第五实施例步骤30的细化流程示意图；
图7为本发明矿料识别方法第六实施例的流程示意图；
图8为本发明实施例涉及的分选设备的硬件构架第二示意图；
图9为本发明实施例涉及的分选设备的第二示意图中N处的放大图。
附图标号说明：
10 入料盘 20 振动机构
30 第一防护罩 40 防尘件
210 机架 220 供料组件
230 射线接收装置 240 筛选组件
250 第二防护罩 A 密闭腔体
B 出射口 C 入料口
D 发射口 E 空腔
具体实施方式
为了更好的理解上述技术方案，下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
本发明的主要解决方案是：分选设备获取待拼接的至少两张反射光图像；根据各个反射光图像关联的纹理信息获取所述反射光图像的拼接位置，所述反射光图像关联的纹理信息根据所述反射光图像对应的透射光图像得到，相对应的反射光图像以及所述透射光图像的像素点相同；根据所述拼接位置拼接所述反射光图像。
由于分选设备可通过发射X射线获取针对待识别矿料的光谱特征，然后根据光谱特征生成光谱图像，其中，光谱特征针对的是矿料各个角度，因此，根据光谱特征成像的效果较好，可降低成像偏差，将成像的图像用于矿料识别时，可提高矿料识别的准确率。
作为一种实现方式，分选设备可以如图1。
本发明实施例方案涉及的是分选设备，分选设备包括：处理器101，例如CPU，存储器102，通信总线103。其中，通信总线103用于实现这些组件之间的连接通信。
存储器102可以是高速RAM存储器，也可以是稳定的存储器（non-volatilememory），例如磁盘存储器。如图1，作为一种计算机可读存储介质的存储器103中可以包括检测程序；而处理器101可以用于调用存储器102中存储的检测程序，并执行以下操作：
控制所述射线发射装置发射X射线；
提取所述射线接收装置接收到的光信号的光谱特征；
根据所述光谱特征生成光谱图像；
将所述光谱图像输入矿料识别模型，得到所述矿料识别模型输出的矿石类型，以根据矿石类型分离矿料至对应的出料口。
在一实施例中，处理器101可以用于调用存储器102中存储的检测程序，并执行以下操作：
根据所述光谱特征生成各个光谱子图像；
拼接各个所述光谱子图像，得到所述光谱图像。
在一实施例中，处理器101可以用于调用存储器102中存储的检测程序，并执行以下操作：
获取各个所述子光谱图像对应的光谱子特征的采集角度；
在各个所述采集角度对应的子光谱图像中确定拼接起始点；
根据各个所述子光谱图像的拼接起始点拼接各个所述光谱子图像，得到所述光谱图像。
在一实施例中，处理器101可以用于调用存储器102中存储的检测程序，并执行以下操作：
获取当前的空间位置信息；
根据所述空间位置信息选择所述矿料识别模型。
在一实施例中，处理器101可以用于调用存储器102中存储的检测程序，并执行以下操作：
获取所述光谱特征的各个原始数据；
确定各个所述原始数据是否丢包；
若存在丢包的原始数据时，对丢包的原始数据进行空行自填充；
在完成所述空行自填充后，对各个所述原始数据进行数据规划；
在完成所述数据规划后，执行所述根据所述光谱特征生成光谱图像的步骤。
在一实施例中，处理器101可以用于调用存储器102中存储的检测程序，并执行以下操作：
检测各个所述原始数据中的头文件的实际行数是否为记录行数；
若所述实际行数小于所述记录行数时，将对应的原始数据作为丢包的原始数据，执行所述对丢包的原始数据进行空行自填充的步骤；
若所述实际行数等于所述记录行数时，执行所述对各个所述原始数据进行数据规划的步骤。
在一实施例中，处理器101可以用于调用存储器102中存储的检测程序，并执行以下操作：
在完成所述空行自填充后，获取各个所述原始数据的本底值以及空场值；
将各个所述原始数据的所述本底值以及所述空场值作为校正空间，分别对对应的原始数据进行数据规划。
在一实施例中，处理器101可以用于调用存储器102中存储的检测程序，并执行以下操作：
在环形瀑布式供料组件检测到矿料时，执行所述控制所述射线发射装置发射X射线的步骤。
在本实施例的技术方案中，分选设备控制所述射线发射装置发射X射线；提取所述射线接收装置接收到的光信号的光谱特征；根据所述光谱特征生成光谱图像；将所述光谱图像输入矿料识别模型，得到所述矿料识别模型输出的矿石类型，以根据矿石类型分离矿料至对应的出料口。由于分选设备可通过发射X射线获取针对待识别矿料的光谱特征，然后根据光谱特征生成光谱图像，其中，光谱特征针对的是矿料各个角度，因此，根据光谱特征成像的效果较好，可降低成像偏差，将成像的图像用于矿料识别时，可提高矿料识别的准确率。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
参照图2，图2为本发明矿料识别方法的第一实施例，方法包括以下步骤：
步骤S10，控制所述射线发射装置发射X射线。
在本实施例中，矿料识别方法应用于分选设备，分选设备包括机架、设置于所述机架顶部的环形瀑布式供料组件、由射线发射装置和射线接收装置组成的周向辐射射线发收装置以及出料口，射线发射装置为周向辐射装置，其中，周向辐射装置可针对射线照射区域进行360度的光谱特征采集。
步骤S20，提取所述射线接收装置接收到的光信号的光谱特征。
在本实施例中，光谱特征包括连续光谱，连续光谱是连续分布的包含有从红光到紫光各种色光的光谱。炽热的固体、液体和高压气体的发射光谱是连续光谱。例如：X射线、电灯丝发出的光、炽热的钢水发出的光都形成连续光谱。当控制射线发射装置发射X射线后，射线接收装置开始采集光信号的光谱特征，其中，光谱特征由射线接收装置在各个角度采集的光谱子特征组成。
步骤S30，根据所述光谱特征生成光谱图像。
在本实施例中，将得到的光谱特征转换为光谱图像，其中，光谱图像通过多个子光谱图像得进行拼接得到，每个子光谱图像通过光谱特征中对应的光谱子特征转换而来。
步骤S40，将所述光谱图像输入矿料识别模型，得到所述矿料识别模型输出的矿石类型，以根据矿石类型分离矿料至对应的出料口。
在本实施例中，矿料识别模型为预设训练好的神经网络模型，将光谱图像输入矿料识别模后，可得到矿料识别模型输出的表征矿料类型的识别结果，其中，神经网络(Neural Networks,NN)是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂网络系统，它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学习系统。神经网络具有大规模并行、分布式存储和处理、自组织、自适应和自学能力，特别适合处理需要同时考虑许多因素和条件的、不精确和模糊的信息处理问题。神经网络的发展与神经科学、数理科学、认知科学、计算机科学、人工智能、信息科学、控制论、机器人学、微电子学、心理学、光计算、分子生物学等有关，是一门新兴的边缘交叉学科。
在本实施例的技术方案中，由于分选设备可通过发射X射线获取针对待识别矿料的光谱特征，然后根据光谱特征生成光谱图像，其中，光谱特征针对的是矿料各个角度，因此，根据光谱特征成像的效果较好，可降低成像偏差，将成像的图像用于矿料识别时，可提高矿料识别的准确率。
参照图3，图3为本发明矿料识别方法的第二实施例，基于第一实施例，步骤S30包括：
步骤S31，根据所述光谱特征生成各个光谱子图像。
在本实施例中，由于射线发射装置为周向辐射装置，因此，接收的光谱特征包括各个采集角度的光谱子特征，因此，可针对每个角度采集的光谱子特征进行成像，从而得到上述光谱子图像。
步骤S32，拼接各个所述光谱子图像，得到所述光谱图像。
进一步的，在得到各个光谱子图像时，通过预设的图像拼接规则拼接各个光谱子图像，即可得到上述光谱图像，以用于输入矿料识别模型。
可选的，获取各个子光谱图像对应的光谱子特征的采集角度；在各个采集角度对应的子光谱图像中确定拼接起始点；根据各个子光谱图像的拼接起始点拼接各个光谱子图像，得到光谱图像。
在上述可选的实施例的技术方案中，对于图像拼接，往往是人为在各个待拼接图像确定拼接起始点，耗时耗力且效率低，而本实施例可基于光谱子特征的采集角度自动确定各个子光谱图像的拼接起始点，拼接效率高。
在本实施例的技术方案中，通过采集各个角度的子光谱图像，并生成各个光谱子图像，基于各个角度的光谱子图像进行图像的拼接，最终得到待识别图像效果显然强于通过单个角度的光谱特征成像的待识别图像，因此，本实施例进行矿料识别的效果更佳。
参照图4，图4为本发明矿料识别方法的第三实施例，基于第一至第二任一实施例，步骤S40之前，还包括：
步骤S50，获取当前的空间位置信息。
在本实施例中，当前的空间位置信息可通过分选设备中的定位系统确定并获取。
步骤S60，根据所述空间位置信息选择所述矿料识别模型。
在本实施例中，在确定当前的空间位置信息后，获取与空间位置信息为映射关系的矿料识别模型，其中，上述映射关系为预先设置。
在本实施例的技术方案中，考虑到各个地域的矿石种类差别较大，若一个矿料识别模型可识别较多的矿石种类，则意味着比对次数也会随之增多，会导致识别效率会下降，而在实际使用时，往往要考虑识别成功率以及识别效率，因此，可基于空间位置信息确定该地域主要包含的矿石类型，然后自动选择对应的矿料识别模型进行光谱图像的处理，并控制出料口根据识别结果抛出物料，以提高识别效率并保证识别成功率。
参照图5，图5为本发明矿料识别方法的第四实施例，基于第一至第三任一实施例，步骤S30之前，还包括：
步骤S70，获取所述光谱特征的各个原始数据。
在本实施例中，上述原始数据为光谱特征中各个光谱子特征对应的数据，
步骤S80，确定各个所述原始数据是否丢包。
在本实施例中，考虑到原始数据在传输过程中可能丢包，因此可针对原始数据进行检测，确定原始数据是否丢包。
可选的，检测各个原始数据中的头文件的实际行数是否为记录行数；若实际行数小于记录行数时，将对应的原始数据作为丢包的原始数据，执行对丢包的原始数据进行空行自填充的步骤；若实际行数等于记录行数时，执行对各个所述原始数据进行数据规划的步骤。
步骤S90，若存在丢包的原始数据时，对丢包的原始数据进行空行自填充。
在本实施例中，丢包意味着原始数据出现空行，因此，可对原始数据中的空行进行自填充，以完成针对光谱特征的自纠正。
步骤S100，在完成所述空行自填充后，对各个所述原始数据进行数据规划。
步骤S110，在完成所述数据规划后，执行所述根据所述光谱特征生成光谱图像的步骤。
在本实施例的技术方案中，对丢包的光谱特征进行自纠正，可保证基于光谱特征生成的光谱图像误差降低，间接提高矿料识别的准确性。
参照图6，图6为本发明矿料识别方法的第五实施例，基于第一至第四任一实施例，步骤S100包括：
步骤S101，在完成所述空行自填充后，获取各个所述原始数据的本底值以及空场值。
在本实施例中，本底值是在未开启X射线时，射线接收装置接收的各个光谱子特征的原始数据对应的值；场值是在开启X射线后，射线接收装置接收的各个光谱子特征的原始数据对应的值。
步骤S102，将各个所述原始数据的所述本底值以及所述空场值作为校正空间，分别对对应的原始数据进行数据规划。
在本实施例的技术方案中，通过本底值以及空场值作为校正空间，可去除原始数据中携带的噪音，间接提高矿料识别的准确率。
参照图7，图7为本发明矿料识别方法的第六实施例，基于第一至第五任一实施例，步骤S10之前，还包括：
步骤S120，在环形瀑布式供料组件检测到矿料时，执行所述控制所述射线发射装置发射X射线的步骤。
在本实施例中，当在环形瀑布式供料组件检测到矿料时，意味着矿料识别已经开始，则可开启射线发射装置，以发送X射线，矿料在自由落体过程中，会在某一个设置好X射线照射区域获取针对矿料各个角度的光谱特征。
在本实施例的技术方案中，将矿料出现在环形瀑布式供料组件作为触发条件，在未检测到矿料时，无需开启射线发射装置，可避免资源的浪费。
为实现上述目的，本发明实施例还提供一种分选设备，所述分选设备包括：存储器、处理器及存储在所述存储器上并可在处理器上运行的矿料识别方法程序，所述处理器执行所述矿料识别方法程序时实现如上所述的矿料识别方法的各个步骤。
为实现上述目的，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有矿料识别方法程序，所述矿料识别方法程序被处理器执行时实现如上所述的矿料识别方法的各个步骤。
作为一种实现方式，分选设备200可以如图8以及图9，其中，图9为图8中N处的放大图，包括带有稳固整个分选设备的一个机架（210）、一种设置于机架顶部的环形瀑布式供料组件（220）、一个由射线发射装置（20）和射线接收装置（230）组成的射线发收装置、一个与射线相互配合用于对矿料进行成像识别的筛选组件（240）、最后还有一个对整个装置起隔离作用的环形X射线保护壳。
可选的，对于机架（210），内部形成有空腔（E），入料盘（10）设置于机架的顶端，入料盘的边缘与空腔（E）的腔壁之间形成有入料口（C）。
可选的，对于供料组件（220），包括入料盘（10）、用于驱动入料盘产生振动的振动机构、内部设置有振动机构的防尘件（40），其作用是密封所述出射口（B）、振动机构内部还包括电机和电机的输出轴上的偏心件。振动机构所产生的振动就是靠所述电机驱动偏心件转动。
可选的，对于射线收发装置，设置于密闭腔体（A）内，射线发射装置通过出射口（B）对外发射射线。射线接收装置设置于第二防护罩内（250），射线接收装置用于接收射线发射装置发射的射线；通过这两个射线的发射和接收，从而达到物料成像的目的。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，通过射线接收装置对吸收后的X光进行采集，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。
可选的，对于环形X射线保护壳结构，针对射线的安全性设置了多道安全措施，如利用防尘件密封所述出射口，利用由具有隔离射线属性的材料制作而成的第一防护罩（30），第一防护罩呈筒状结构，射线发射装置就设置于第一防护罩内。
可选的，对于出射口，与发射口（D）位于同一水平面上。
可选的，对于入料盘（10），圆盘的结构就注定了相比皮带而言，其计算量会变得更大。如摘要处图所示，假设原本皮带的宽度为d，那么X射线的扫描长度就等于d，如果给换成圆盘，其宽度也为d，那么显而易见，其扫描的长度L的计算公式为：L=d×π，相对与原本的扫描长度变成了倍，计算量增大带来的时间损耗，为了维持原本皮带运输的时间，提高算法的效率也是必需的，通过算法优化改进来弥补计算量增大的现实问题。
在本实施例的技术方案中，采用本实施例提供的分选设备实现第一至第六任一实施例，可提高矿料识别的准确率。
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、或矿料识别方法程序产品。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计算机可读存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的网络配置产品程序的形式。
本发明是参照根据本发明实施例的方法、装置（系统）、和矿料识别方法程序产品的流程图和／或方框图来描述的。应理解可由矿料识别方法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。可提供这些矿料识别方法程序指令到通用计算机、专用计算机、嵌入式处理机或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。
这些矿料识别方法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。
这些矿料识别方法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。
应当注意的是，在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
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性概念，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，则本发明也意图包含这些改动和变型在内。

Claims (4)

1.一种矿料识别方法，其特征在于，所述矿料识别方法应用于分选设备，所述分选设备包括机架、设置于所述机架顶部的环形瀑布式供料组件、由射线发射装置和射线接收装置组成的周向辐射射线发收装置以及出料口，所述射线发射装置为周向辐射装置，所述矿料识别方法包括以下步骤：
控制所述射线发射装置发射X射线；
提取所述射线接收装置接收到的光信号的光谱特征，其中，所述光谱特征由所述射线接收装置在各个角度采集的光谱子特征组成；
光谱特征包括连续光谱，连续光谱是连续分布的包含有红光到紫光各种色光的光谱；
获取所述光谱特征的各个原始数据；
根据所述光谱特征生成各个光谱子图像；
获取各个所述光谱子图像对应的光谱子特征的采集角度；
在各个所述采集角度对应的光谱子图像中确定拼接起始点；
根据各个所述光谱子图像的拼接起始点拼接各个所述光谱子图像，得到所述光谱图像；
获取当前的空间位置信息，并获取与所述空间位置信息为映射关系的矿料识别模型；其中，所述映射关系为预先设置；
将所述光谱图像输入矿料识别模型，得到所述矿料识别模型输出的矿石类型，以根据矿石类型分离矿料至对应的出料口；其中，矿料识别模型为预设训练好的神经网络模型。
2.如权利要求1所述的矿料识别方法，其特征在于，所述控制所述射线发射装置发射X射线的步骤之前，所述方法还包括：
在环形瀑布式供料组件检测到矿料时，执行所述控制所述射线发射装置发射X射线的步骤。
3.一种分选设备，其特征在于，所述分选设备包括：存储器、处理器及存储在所述存储器上并可在处理器上运行的矿料识别方法程序，所述处理器执行所述矿料识别方法程序时实现如权利要求1至2中任一项所述的矿料识别方法的步骤。
4.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有矿料识别方法程序，所述矿料识别方法程序被处理器执行时实现如权利要求1至2中任一项所述的矿料识别方法的步骤。
CN202110753260.6A 2021-07-02 2021-07-02 矿料识别方法、分选设备及计算机可读存储介质 Active CN113609908B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110753260.6A CN113609908B (zh) 2021-07-02 2021-07-02 矿料识别方法、分选设备及计算机可读存储介质
PCT/CN2022/092476 WO2023273630A1 (zh) 2021-07-02 2022-05-12 矿料识别方法、分选设备及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110753260.6A CN113609908B (zh) 2021-07-02 2021-07-02 矿料识别方法、分选设备及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN113609908A CN113609908A (zh) 2021-11-05
CN113609908B true CN113609908B (zh) 2022-09-06

Family

ID=78337226

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110753260.6A Active CN113609908B (zh) 2021-07-02 2021-07-02 矿料识别方法、分选设备及计算机可读存储介质

Country Status (2)

Country Link
CN (1) CN113609908B (zh)
WO (1) WO2023273630A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN214555389U (zh) * 2020-12-18 2021-11-02 赣州好朋友科技有限公司 一种环形瀑布式供料组件及选矿设备
CN113609908B (zh) * 2021-07-02 2022-09-06 赣州好朋友科技有限公司 矿料识别方法、分选设备及计算机可读存储介质
CN117705198B (zh) * 2024-02-05 2024-05-24 天津矿山工程有限公司 双侧进料矿仓卸料监控系统及方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101605020A (zh) * 2009-07-07 2009-12-16 中兴通讯股份有限公司 一种丢包率检测方法、系统及装置
CN106682672A (zh) * 2016-10-24 2017-05-17 深圳大学 一种高光谱图像特征描述子的获取方法及装置
CN111044480A (zh) * 2019-12-31 2020-04-21 核工业北京地质研究院 一种热红外高光谱遥感识别花岗岩区硅化蚀变信息的方法
CN112949411A (zh) * 2021-02-04 2021-06-11 南京大学 一种光谱图像校正方法及装置

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10113910B2 (en) * 2014-08-26 2018-10-30 Digimarc Corporation Sensor-synchronized spectrally-structured-light imaging
CN106944366B (zh) * 2017-03-28 2024-04-02 沈阳隆基电磁科技股份有限公司 一种基于x射线识别的矿石智能分选设备及方法
CN109446304A (zh) * 2018-10-10 2019-03-08 长沙师范学院 智能客服会话方法及系统
CN110043267B (zh) * 2019-04-04 2020-07-31 山东大学 基于岩性与不良地质前兆特征识别的tbm搭载式超前地质预报系统及方法
CN111539409B (zh) * 2020-04-09 2022-10-14 武汉大学 一种基于高光谱遥感技术的古墓题记文字识别方法
CN111879803A (zh) * 2020-07-03 2020-11-03 三峡大学 土壤重金属含量检测装置及检测方法
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
CN113019955A (zh) * 2021-03-18 2021-06-25 合肥名德光电科技股份有限公司 一种基于双能x射线矿石智能分选设备和方法
CN112990027A (zh) * 2021-03-22 2021-06-18 精英数智科技股份有限公司 一种基于高光谱图像的煤矸识别方法及装置
CN113609908B (zh) * 2021-07-02 2022-09-06 赣州好朋友科技有限公司 矿料识别方法、分选设备及计算机可读存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101605020A (zh) * 2009-07-07 2009-12-16 中兴通讯股份有限公司 一种丢包率检测方法、系统及装置
CN106682672A (zh) * 2016-10-24 2017-05-17 深圳大学 一种高光谱图像特征描述子的获取方法及装置
CN111044480A (zh) * 2019-12-31 2020-04-21 核工业北京地质研究院 一种热红外高光谱遥感识别花岗岩区硅化蚀变信息的方法
CN112949411A (zh) * 2021-02-04 2021-06-11 南京大学 一种光谱图像校正方法及装置

Also Published As

Publication number Publication date
CN113609908A (zh) 2021-11-05
WO2023273630A1 (zh) 2023-01-05

Similar Documents

Publication Publication Date Title
CN113609908B (zh) 矿料识别方法、分选设备及计算机可读存储介质
CN107944504B (zh) 木板识别及木板识别的机器学习方法、装置及电子设备
JP6679188B1 (ja) 廃棄物選別装置及び廃棄物選別方法
CN107832780B (zh) 基于人工智能木板分选低置信度样本处理方法及系统
CN107977624A (zh) 一种语义分割方法、装置以及系统
CN111310835A (zh) 目标对象的检测方法及装置
CN110599453A (zh) 一种基于图像融合的面板缺陷检测方法、装置及设备终端
CN106056028A (zh) 一种快速扫描录单的方法及其装置
CN1506802A (zh) 用于所检测对象的有成本效益的分类的系统和方法
CN109101922A (zh) 作业人员着装分析方法、装置及电子设备
CN110716778B (zh) 应用兼容性测试方法、装置及系统
CN116661786A (zh) 一种设计页面生成方法及装置
CN113450381B (zh) 一种图像分割模型的准确度评价系统及方法
CN114926627A (zh) 口腔结构定位模型训练方法、定位方法、装置和电子设备
CN107330470A (zh) 识别图片的方法和装置
CN113469130A (zh) 一种遮挡目标检测方法、装置、存储介质及电子装置
CN115512283A (zh) 包裹图像处理方法、装置、计算机设备和存储介质
CN111860344A (zh) 确定图像中目标对象数量的方法及装置
CN113837173A (zh) 目标对象检测方法、装置、计算机设备和存储介质
CN111079468A (zh) 机器人识别物体的方法及装置
CN112069841A (zh) 新型x光违禁品包裹跟踪方法及装置
JP6983451B1 (ja) 計数方法、計数システム、及び計数のためのコンピュータプログラム
CN114585443B (zh) 训练诊断分析仪模型的设备和方法
CN113592800B (zh) 基于动态扫描参数的图像扫描方法及装置
CN114820543B (zh) 缺陷检测方法和装置

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