CN113628270B - 摇床接矿位置的调整方法、装置、电子设备及存储介质 - Google Patents

Abstract

本申请提供了一种摇床接矿位置的调整方法、装置、电子设备及存储介质，获取目标图像；其中，目标图像包含摇床床面上矿浆的分层特征以及接矿板当前的初始接矿位置；将目标图像输入训练好的接矿位置预测模型中，得到目标图像中的目标接矿位置；基于目标接矿位置、初始接矿位置以及预设的图像像素比，确定出接矿板的位置偏移量，基于位置偏移量，调整接矿板。采用本申请提供的技术方案通过预先训练出的接矿位置预测模型，根据获取到的目标图像确定出接矿板的目标接矿位置，进而直接对接矿位置进行调整，简化了接矿位置调整的步骤，提高了摇床的工作效率。

Description

摇床接矿位置的调整方法、装置、电子设备及存储介质

技术领域

本申请涉及选矿技术领域，尤其是涉及摇床接矿位置的调整方法、装置、电子设备及存储介质。

背景技术

摇床选矿，是利用机械摇动和水流冲洗联合作用使矿粒按比重分离的过程。矿浆送入给矿槽内，同时加水，自动流到床面上，矿粒群在床条沟内受水流冲洗和床面振动而被松散、分层。上层轻矿物颗粒受到较大的水流推动，沿床面横向倾斜运动，而成为尾矿直接排出。位于床层底部的重矿物颗粒则受到床面的振动而向传动端的对面运动，而形成精矿，从精矿端排出。所以摇床能精确地产出多种质量不同的产物。

目前调整摇床接矿板的接矿位置获取满足要求的矿石品位的方法是基于精矿带厚度来实现的，需要大量的参数，处理步骤复杂，而精矿带的厚度没有传感器测量，无法获得大量有效的训练数据，导致接矿位置不准确，依旧需要操作人员根据经验逐一调整接矿位置，确定接矿板的实际接矿位置。

由此可见，目前的调整接矿位置的方式无法满足准确性以及高效率的需求。

发明内容

有鉴于此，本申请的目的在于提供一种摇床接矿位置的调整方法、装置、电子设备及存储介质，根据所述调整方法、装置、电子设备及存储介质，采用本申请提供的技术方案通过预先训练出的接矿位置预测模型，根据获取到的目标图像确定出接矿板的目标接矿位置，进而直接对接矿位置进行调整，简化了接矿位置调整的步骤，提高了摇床的工作效率。

本申请主要包括以下几个方面：

第一方面，本申请实施例提供了一种摇床接矿位置的调整方法，所述调整方法包括：

获取目标图像；其中，所述目标图像包含摇床床面上矿浆的分层特征以及接矿板当前的初始接矿位置；

将所述目标图像输入训练好的接矿位置预测模型中，得到所述目标图像中的目标接矿位置；

基于所述目标接矿位置、所述初始接矿位置以及预设的图像像素比，确定出所述接矿板的位置偏移量，基于所述位置偏移量，调整所述接矿板。

在一些实施例中，通过以下步骤训练所述接矿位置预测模型，包括：

获取训练样本图像；其中，所述训练样本图像包含摇床床面上矿浆的分层特征以及接矿板当前的初始接矿位置；

基于所述训练样本图像，确定每个训练样本的目标接矿位置，每个训练样本的目标接矿位置指示的训练样本图像中接矿板的实际目标接矿位置；

将所述训练样本图像输入至构建好的深度学习模型中，得到训练样本图像中接矿板的预测目标接矿位置；

针对每个训练样本图像，确定训练样本图像中接矿板的实际目标接矿位置与预测目标接矿位置之间的偏差值；

若存在训练样本图像对应的偏差值大于预设偏差阈值，调整所述深度学习模型中的参数，直至每个训练样本图像对应的偏差值小于或者等于预设偏差阈值，确定所述深度学习模型训练完毕，并将训练完毕的所述深度学习模型确定为训练好的接矿位置预测模型。

在一些实施例中，所述基于所述训练样本图像，确定每个训练样本的目标接矿位置的步骤，包括：

针对于每一张训练样本图像，根据多个历史标注图像中的标注接矿位置，在该训练样本图像中标注出目标接矿位置。

在一些实施例中，针对于每一张训练样本图像，所述基于所述训练样本图像，确定每个训练样本的目标接矿位置的步骤，还包括；

确定该训练样本图像中包含的矿浆的分层位置；

基于所述矿浆的分层位置、预先设置的偏移量以及图像像素比，获得训练样本图像的目标接矿位置。

在一些实施例中，所述基于所述目标接矿位置、所述初始接矿位置以及预设的图像像素比，确定出所述接矿板的位置偏移量，基于所述位置偏移量，调整所述接矿板的步骤，包括：

根据接矿板当前接矿位置与目标接矿位置的差值乘以预设的图像像素比获得接矿板的位置偏移量；

按照所述位置偏移量控制接矿板从所述初始接矿位置移动到所述目标接矿位置。

第二方面，本申请实施例还提供了一种摇床接矿位置的调整装置，所述调整装置包括：

获取模块，用于获取目标图像；其中，所述目标图像包含摇床床面上矿浆的分层特征以及接矿板当前的初始接矿位置；

输出模块，用于将所述目标图像输入训练好的接矿位置预测模型中，得到所述目标图像中的目标接矿位置；

调整模块，用于基于所述目标接矿位置、所述初始接矿位置以及预设的图像像素比，确定出所述接矿板的位置偏移量，基于所述位置偏移量，调整所述接矿板。

在一些实施例中，所述调整装置还包括训练模块，所述训练模块用于通过以下步骤训练所述接矿位置预测模型：

获取训练样本图像；其中，所述训练样本图像包含摇床床面上矿浆的分层特征以及接矿板当前的初始接矿位置；

基于所述训练样本图像，确定每个训练样本的目标接矿位置，每个训练样本的目标接矿位置指示的训练样本图像中接矿板的实际目标接矿位置；

将所述训练样本图像输入至构建好的深度学习模型中，得到训练样本图像中接矿板的预测目标接矿位置；

针对每个训练样本图像，确定训练样本图像中接矿板的实际目标接矿位置与预测目标接矿位置之间的偏差值；

若存在训练样本图像对应的偏差值大于预设偏差阈值，调整所述深度学习模型中的参数，直至每个训练样本图像对应的偏差值小于或者等于预设偏差阈值，确定所述深度学习模型训练完毕，并将训练完毕的所述深度学习模型确定为训练好的接矿位置预测模型。

在一些实施例中，所述训练模块在用于针对于每一张训练样本图像，所述基于所述训练样本图像，确定每个训练样本的目标接矿位置时，所述训练模块用于：

确定该训练样本图像中包含的矿浆的分层位置；

基于所述矿浆的分层位置、预先设置的偏移量以及图像像素比，获得训练样本图像的目标接矿位置。

第三方面，本申请实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过所述总线进行通信，所述机器可读指令被所述处理器运行时执行上述第一方面或第一方面中任一种可能的实施方式中所述的摇床接矿位置的调整方法的步骤。

第四方面，本申请实施例还提供了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计算机程序，所述计算机程序被处理器运行时执行上述第一方面或第一方面中任一种可能的实施方式中所述的摇床接矿位置的调整方法的步骤。

本申请提供了一种摇床接矿位置的调整方法、装置、电子设备及存储介质，获取目标图像；其中，所述目标图像包含摇床床面上矿浆的分层特征以及接矿板当前的初始接矿位置；将所述目标图像输入训练好的接矿位置预测模型中，得到所述目标图像中的目标接矿位置；其中，所述目标接矿位置是基于所述分层特征以及所述初始接矿位置确定出来的；基于所述目标接矿位置、所述初始接矿位置以及预设的图像像素比，确定出所述接矿板的位置偏移量，基于所述位置偏移量，调整所述接矿板。

这样，采用本申请提供的技术方案通过预先训练出的接矿位置预测模型，根据获取到的目标图像确定出接矿板的目标接矿位置，进而直接对接矿位置进行调整，简化了接矿位置调整的步骤，提高了摇床的工作效率。

为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1示出了本申请实施例所提供的一种摇床接矿位置的调整方法的流程图；

图2示出了本申请实施例所提供的一种训练摇床接矿位置初始模型的方法的流程图；

图3示出了本申请实施例所提供的一种摇床接矿位置的调整装置的结构示意图之一；

图4示出了本申请实施例所提供的一种摇床接矿位置的调整装置的结构示意图之二；

图5示出了本申请实施例所提供的一种电子设备的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解，本申请中的附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应当理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。

另外，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的全部其他实施例，都属于本申请保护的范围。

为了使得本领域技术人员能够使用本申请内容，结合特定应用场景“摇床接矿位置的调整”，给出以下实施方式，对于本领域技术人员来说，在不脱离本申请的精神和范围的情况下，可以将这里定义的一般原理应用于其他实施例和应用场景。

本申请实施例下述方法、装置、电子设备或计算机可读存储介质可以应用于任何需要进行摇床接矿位置的调整的场景，本申请实施例并不对具体的应用场景作限制，任何使用本申请实施例提供的一种摇床接矿位置的调整方法、装置、电子设备及存储介质的方案均在本申请保护范围内。

值得注意的是，现阶段，调整摇床接矿板的接矿位置获取满足要求的矿石品位的方法是基于精矿带厚度来实现的，需要大量的参数，处理步骤复杂，而精矿带的厚度没有传感器测量，无法获得大量有效的训练数据，导致接矿位置不准确，依旧需要操作人员根据经验逐一调整接矿位置，确定接矿板的实际接矿位置。所以现有的调整接矿位置的方式无法满足准确性以及高效率的需求。目前关于在摇床进行选矿的过程中，某研究所设计了一种选矿摇床矿带识别及接矿板自动调节装置，其主要由矿带识别装置和接矿板驱动装置构成，其工作原理为通过在摇床上方安装矿带识别装置，可以对床面上的矿浆的分层状态进行图像信息提取并进行图像处理，处理后的数据将传输给摇床控制器，经过逻辑运算处理后驱动接矿板进电机进行动作，电机的正反转动将带动接矿装置上的丝杠转动，从而带动螺母向前或向后运行，进而对接矿板进行位置实时调节。这套装置大大提高了摇床的自动化程度，但是对于接矿位置不在矿带分割线位置的矿石，例如锡矿，在分割线处接到的矿石品位会达到60以上，而真正需要的品位范围是[38,42]，所以这套装置无法满足矿石品位的需求，并且矿带分割线位置时刻都在变化，仍需要人工参与频繁移动接矿板从而确定接矿位置，不仅增加了时间成本，还存在不能准确快速的确定出接矿板接矿位置的问题。

对于此，本申请提出了一种摇床接矿位置的调整方法，通过将所述目标图像输入训练好的接矿位置预测模型中，得到所述目标图像中的目标接矿位置，基于所述目标接矿位置、所述初始接矿位置以及预设的图像像素比，确定出所述接矿板的位置偏移量，基于所述位置偏移量，调整所述接矿板；可以准确的确定出摇床的接矿位置。本申请提供的技术方案在不影响选厂生产的情况下，也不需要传感器测量矿带的厚度以及额外的矿样化验工作，就能够在短期内获取大量训练样本，学习专业技术人员的操作经验，计算出接矿位置，解决了需要人工化验品位导致训练数据不好收集，以及影响选厂生产从而造成巨大经济损失等问题，进而解决了接矿位置不在矿带分割线的接矿位置的确定问题，简化了接矿位置调整的步骤，提高了对于摇床接矿位置判断的准确率以及及时率。

为便于对本申请进行理解，下面结合具体实施例对本申请提供的技术方案进行详细说明。

请参阅图1，图1为本申请实施例所提供的一种摇床接矿位置的调整方法的流程图。如图1中所示，所述调整方法，包括：

S101、获取目标图像；其中，所述目标图像包含摇床床面上矿浆的分层特征以及接矿板当前的初始接矿位置；

该步骤中，通过工业相机对摇床矿带进行拍照，获取该摇床的目标图像。

其中，现场的摇床分左摇床和右摇床，目标图像包含摇床床面上矿浆的分层特征，也就是摇床床面上矿浆的精矿带和次矿带的分割线特征；所述初始接矿位置为工业相机对摇床矿带进行拍照时接矿板的原始接矿位置，或者为上一次接矿板经过调整完成接矿操作的最终位置，并通过图像检测算法检测到接矿板当前的初始接矿位置；所述目标图像的每一个像素的色彩空间为RGB空间。

S102、将所述目标图像输入训练好的接矿位置预测模型中，得到所述目标图像中的目标接矿位置；

该步骤中，根据步骤S101中获取的目标图像之后，将目标图像输入到训练好的接矿位置预测模型中，当接矿位置预测模型接收到目标图像之后会确定出该目标图像的目标接矿位置；所述目标接矿位置为最终接矿板的实际接矿位置，也就是需要调整到的目标接矿位置，用来承接矿浆分层之后摇床筛选出来的矿浆的位置，例如，将矿石颗粒和水的混合物，即矿浆，放入摇床的给矿槽内，同时加水调配成浓度为20%-25%的矿浆，使矿浆自流到摇床床面上，矿浆中的矿石颗粒因受水流冲洗和摇床床面的振动而松散并根据不同品位出现分层状态；当摇床的接矿板位置接不到满足品位要求的矿浆时，为了获取满足品位要求的矿浆，需要将接矿板调整到合适的位置，也就是承接满足单位体积或单位重量矿石中有用组分或有用矿物含量的矿浆的位置，此时的位置即为目标接矿位置。

其中，所述目标图像包含摇床床面上矿浆的分层特征以及接矿板当前的初始接矿位置；

在具体实施中，将目标图像输入到训练好的接矿位置预测模型中，接矿位置预测模型对目标图像进行判断，确定出该目标图像的目标接矿位置，并将该目标图像的目标接矿位置进行输出，从而准确的确定出目标图像的目标接矿位置。

本申请提供了一种摇床接矿位置的调整方法，获取目标图像；将所述目标图像输入到预先训练好的接矿位置预测模型中，输出所述目标图像中接矿板的目标接矿位置，其中，所述目标图像包含摇床床面上矿浆的分层特征以及接矿板当前的初始接矿位置；

这样，通过将目标图像输入到训练好的接矿位置预测模型中，接矿位置预测模型可以准确地确认出目标图像中接矿板的目标接矿位置，提高了对于目标接矿位置判断的准确率以及及时率。

请参阅图2，图2为本申请所提供的一种训练摇床接矿位置初始模型的方法的流程图。如图2中所示，包括：

S201、获取训练样本图像；其中，所述训练样本图像包含摇床床面上矿浆的分层特征以及接矿板当前的初始接矿位置；

该步骤中，获取训练样本图像，并对训练样本图像作统一处理；其中，所述训练样本图像包含摇床床面上矿浆的分层特征以及接矿板当前的初始接矿位置。

这里，现场摇床分左摇床和右摇床，用工业相机对摇床矿带进行拍照获取训练样本图像，所述训练样本图像包含摇床床面上矿浆的分层特征，也就是摇床床面上矿浆的精矿带和次矿带的分割线特征；所述初始接矿位置为工业相机对摇床矿带进行拍照时接矿板的原始接矿位置，或者为上一次接矿板经过调整完成接矿操作的最终位置，并通过图像检测算法检测到接矿板当前的初始接矿位置；所述训练样本图像的每一个像素的色彩空间为RGB空间。

S202、基于所述训练样本图像，确定每个训练样本的目标接矿位置，每个训练样本的目标接矿位置指示的训练样本图像中接矿板的实际目标接矿位置；

该步骤中，基于所述训练样本图像，确定每个训练样本的目标接矿位置，主要有以下两种方式：

（1）基于所述训练样本图像，确定每个训练样本的目标接矿位置的步骤，包括：针对于每一张训练样本图像，根据多个历史标注图像中的标注接矿位置，在该训练样本图像中标注出目标接矿位置。

该步骤中，对于每一张训练样本图像，通过与多个历史标注图像进行比对，确定出该训练样本图像中的目标接矿位置并标注，其中，所述的历史标注图像为已经标注过接矿板目标接矿位置的图像，是由专业技术人员根据历史经验以及多次实验将最终确定的目标接矿位置标注在训练样本图像中。

（2）针对于每一张训练样本图像，所述基于所述训练样本图像，确定每个训练样本的目标接矿位置的步骤，还包括：确定该训练样本图像中包含的矿浆的分层位置；基于所述矿浆的分层位置、预先设置的偏移量以及图像像素比，获得训练样本图像的目标接矿位置。

该步骤中，需要说明的是，现场摇床分为左摇床和右摇床，针对每一张训练样本图像，需要作统一处理，其中统一处理包括镜像处理，利用图像处理技术确定该训练样本图像中矿浆的分层位置，通过如下公式：

；

其中，

为目标接矿位置，

为矿浆的分层位置，

为预先设置的偏移量，

为图像像素比。

基于所述矿浆的分层位置、预先设置的偏移量以及图像像素比，获得训练样本图像的目标接矿位置。所述图像的像素比指的是训练样本图像中摇床边缘所在行一个像素表征多少毫米距离。示例性的，将右摇床的图像作镜像处理，和左摇床一起采用图像分割技术确定精矿带和次矿带的分割线位置PosD。

例如可以通过精矿带和次矿带的颜色差确定出分割线位置，在此不作限制。根据预先设置好的偏移量以及图像像素比按照上述公式可以确定出每一张训练样本图像中接矿板的目标接矿位置

。

针对步骤S202，需要说明的是，在步骤S202获取训练样本图像中的目标接矿位置的过程中，由于专业技术人员的水平差异，也为了模型的准确性还需要进行进一步筛选，理论上专业技术人员更新接矿位置之后，需要取样化验本次接矿矿浆的品位，但是这种化验成本很高，而且非常耗时，一天只能出来几个样本的化验结果，要收集大量数据的时间成本太高，为了实用性本申请考虑到选厂专业技术人员分早班和晚班轮班工作，每个班次会出一个品位和回收率指标，既指导当月生产又是对专业技术人员接矿好坏的一个评判，本申请利用这两个指标，只保留这两个指标都比较好的班次收集的训练样本。可以实现短时间内采集大量训练样本进行训练。

S203、将所述训练样本图像输入至构建好的深度学习模型中，得到训练样本图像中接矿板的预测目标接矿位置；

该步骤中，需要说明的是，传统的BP神经网络，每一层都是全连接的，例如：输入是一幅1000*1000*1 的图像，则输入层与隐层某一个节点将有1000*1000 个权重需要训练，这会导致训练困难。而卷积神经网络的卷积层每个节点与上一层某个区域通过卷积核连接，而与这块区域以外的区域无连接。同样对于一副1000*1000*1的图像，采用10*10的卷积核，那么卷积层每个节点只需要训练100个节点；假若卷积核在图像上扫描的步长为1个像素，则卷积层需要991*991个节点，若每个节点对应不同的卷积核，则需要训练的参数依然是一个天文数字。为此，本申请采用的权值共享的卷积神经网络训练模型。

该步骤中，针对于每一张训练样本图像，经过统一处理后，将该训练样本图像输入至构建好的深度学习模型中，其中，所述统一处理包括裁剪以及缩放，以满足输入深度学习模型进行训练的要求；经过所述深度学习模型后，得到训练样本图像中接矿板的预测目标接矿位置。

示例性的，针对摇床矿带图像特点，为了更好提取所需特征，将N层3*3卷积核的卷积层与一层池化核2*2的池化层的结构作为一个基础特征提取模块，本申请中的深度学习模型由M个特征提取模块、2个2048节点数的全连接层和一个输出层组成，其中，N∈{32，64，128，256，512}，M∈[5，8]。并确定批量大小、迭代次数以及学习率等超参数。

示例性的，工业相机采集的训练样本图像大小为4096*2168*3，将原始训练样本图像进行裁剪和缩放为统一大小600*158*3作为输入。经过所述深度学习模型训练后，得到训练样本图像中接矿板的预测目标接矿位置。

S204、针对每个训练样本图像，确定训练样本图像中接矿板的实际目标接矿位置与预测目标接矿位置之间的偏差值；

该步骤中，确定出训练样本图像中接矿板的实际目标接矿位置与预测目标接矿位置之间的偏差值。

这里，所述预测目标接矿位置与所述实际目标接矿位置之间的偏差值，是所述预测目标接矿位置与所述实际目标接矿位置所处的位置之间的距离差值。

S205、若存在训练样本图像对应的偏差值大于预设偏差阈值，调整所述深度学习模型中的参数，直至每个训练样本图像对应的偏差值小于或者等于预设偏差阈值，确定所述深度学习模型训练完毕，并将训练完毕的所述深度学习模型确定为训练好的接矿位置预测模型。

该步骤中，若通过步骤S204确定出的偏差值大于预设偏差阈值，即所述预测目标接矿位置与所述实际目标接矿位置相差过大，所述深度学习模型中确定出来的预测目标接矿位置不符合实际目标接矿位置情况，需进一步对所述深度学习模型中的参数值进行调整，在重复步骤S203至S204，直到每个训练样本图像对应的偏差值小于或者等于预设偏差阈值，确定所述深度学习模型训练完毕，将训练完毕的深度学习模型确定为训练好的所述接矿位置预测模型。在对所述深度学习模型中的参数值进行调整时，示例性的，可以将学习率设置为0.0001，避免参数调整过大。

这里，由于每一张训练样本图像中的矿浆的分层位置不同，对应的预先设置的偏移量也不相同，因此接矿位置预测模型也不同，即针对每张样本图像训练其专属接矿位置预测模型，也可以通过每张样本图像之间的差异规律，训练出适用于全部摇床矿带的接矿位置预测模型。

示例性的，我们可以将训练样本按8：1：1分成训练集，验证集和测试集，为了更好得适用现场，提高产量期望降低分选过程损失风险，使用均方损失和Adam优化器进行训练，通过批量大小、迭代次数以及学习率等超参数调整卷积层中的权重值，存储损失函数比较小的深度学习模型，最终在验证集样本上预测，计算深度学习模型的平均绝对误差，均方误差，解释方差，R2决定系数等评价指标，确定出评价指标最优的超参数模型作为备选模型，最后在测试集上预测，计算这四个评价指标，综合选择准确性、泛化性、鲁棒性最强的模型结构及参数，作为最终确定的深度学习模型，即接矿位置预测模型。S103、基于所述目标接矿位置、所述初始接矿位置以及预设的图像像素比，确定出所述接矿板的位置偏移量，基于所述位置偏移量，调整所述接矿板。

该步骤中，通过以下公式：

；

其中，

为目标接矿位置，

为初始接矿位置，

为预设的图像像素比。

根据接矿板当前初始接矿位置与目标接矿位置的差值乘以预设的图像像素比获得接矿板的位置偏移量；按照所述位置偏移量控制接矿板从所述初始接矿位置移动到所述目标接矿位置。

此外，本申请还提供了另一种摇床接矿位置的调整方法，所述调整方法，包括：

获取目标图像以及接矿品位；其中，所述目标图像包含摇床床面上矿浆的分层特征以及接矿板当前的初始接矿位置；所述接矿品位是指承接满足单位体积或单位重量矿石中有用组分或有用矿物含量的矿浆；

将所述接矿品位以及所述目标图像输入训练好的接矿位置预测模型中，得到所述目标图像中满足接矿品位的目标接矿位置；

基于所述目标接矿位置、所述初始接矿位置以及预设的图像像素比，确定出所述接矿板的位置偏移量，基于所述位置偏移量，调整所述接矿板。

在本实施例中，由于本申请实施例中的调整方法解决问题的原理与本申请上述实施例一种摇床接矿位置的调整方法相似，仅在接矿位置预测模型训练的过程中，将获取的接矿品位输入第一个全连接层中，其余调整方法相同，因此本实施可以参见上述调整方法的实施，所以在此不再赘述。

本申请提供了一种摇床接矿位置的调整方法，获取训练样本图像；其中，所述训练样本图像包含摇床床面上矿浆的分层特征以及接矿板当前的初始接矿位置；基于所述训练样本图像，确定每个训练样本的目标接矿位置，每个训练样本的目标接矿位置指示的训练样本图像中接矿板的实际目标接矿位置；将所述训练样本图像输入至构建好的深度学习模型中，得到训练样本图像中接矿板的预测目标接矿位置；针对每个训练样本图像，确定训练样本图像中接矿板的实际目标接矿位置与预测目标接矿位置之间的偏差值；若存在训练样本图像对应的偏差值大于预设偏差阈值，调整所述深度学习模型中的参数，直至每个训练样本图像对应的偏差值小于或者等于预设偏差阈值，确定所述深度学习模型训练完毕，并将训练完毕的所述深度学习模型确定为训练好的接矿位置预测模型。

这样，通过将目标图像输入到训练好的接矿位置预测模型中，接矿位置预测模型可以准确地确认出目标图像中接矿板的目标接矿位置，提高了对于目标接矿位置判断的准确率以及及时率。

下面通过一个具体实施例的实验数据进一步对本发明的技术效果进行说明：

现场有28张摇床，标注的样本一共58018张图片，其中48369张图片用于训练模型，9649张图片用于盲测，训练模型的时候按8：1：1的比例分为训练集、验证集和测试集，同时采用交叉验证法。

盲测结果记录在如下表1中：

表1盲测结果数据表

将误差统计记录在如下表2中，其中，图片的像素比平均为0.375mm/pix：

表2误差统计数据表

从上述表格中可以看出此结果符合工业生产需求，本发明所提出的技术方案可以稳定运行，达到了很好的技术效果。

基于同一申请构思，本申请实施例中还提供了与上述实施例提供一种摇床接矿位置的调整方法对应的一种摇床接矿位置的调整装置，由于本申请实施例中的装置解决问题的原理与本申请上述实施例一种摇床接矿位置的调整方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。

请参阅图3、图4，图3为本申请实施例所提供的一种摇床接矿位置的调整装置的结构示意图之一，图4为本申请实施例所提供的一种摇床接矿位置的调整装置的结构示意图之二。如图3中所示，调整装置300包括：

获取模块301，用于获取目标图像；其中，所述目标图像包含摇床床面上矿浆的分层特征以及接矿板当前的初始接矿位置；

输出模块302，用于将所述目标图像输入训练好的接矿位置预测模型中，得到所述目标图像中的目标接矿位置；

调整模块303，用于基于所述目标接矿位置、所述初始接矿位置以及预设的图像像素比，确定出所述接矿板的位置偏移量，基于所述位置偏移量，调整所述接矿板。

可选的，如图4所示，所示调整装置300还包括，训练模块304，所述训练模块304用于通过以下步骤训练所述接矿位置预测模型：

获取训练样本图像；其中，所述训练样本图像包含摇床床面上矿浆的分层特征以及接矿板当前的初始接矿位置；

基于所述训练样本图像，确定每个训练样本的目标接矿位置，每个训练样本的目标接矿位置指示的训练样本图像中接矿板的实际目标接矿位置；

将所述训练样本图像输入至构建好的深度学习模型中，得到训练样本图像中接矿板的预测目标接矿位置；

针对每个训练样本图像，确定训练样本图像中接矿板的实际目标接矿位置与预测目标接矿位置之间的偏差值；

若存在训练样本图像对应的偏差值大于预设偏差阈值，调整所述深度学习模型中的参数，直至每个训练样本图像对应的偏差值小于或者等于预设偏差阈值，确定所述深度学习模型训练完毕，并将训练完毕的所述深度学习模型确定为训练好的接矿位置预测模型。

可选的，所述训练模块304在用于所述基于所述训练样本图像，确定每个训练样本的目标接矿位置时，所述训练模块304具体用于：

针对于每一张训练样本图像，根据多个历史标注图像中的标注接矿位置，在该训练样本图像中标注出目标接矿位置。

可选的，所述训练模块304在用于针对于每一张训练样本图像，所述基于所述训练样本图像，确定每个训练样本的目标接矿位置时，所述训练模块304具体用于：

确定该训练样本图像中包含的矿浆的分层位置；

基于所述矿浆的分层位置、预先设置的偏移量以及图像像素比，获得训练样本图像的目标接矿位置。

可选的，所述调整模块303在用于所述基于所述目标接矿位置、所述初始接矿位置以及预设的图像像素比，确定出所述接矿板的位置偏移量，基于所述位置偏移量，调整所述接矿板时，所述调整模块303具体用于：

根据接矿板当前接矿位置与目标接矿位置的差值乘以预设的图像像素比获得接矿板的位置偏移量；

按照所述位置偏移量控制接矿板从所述初始接矿位置移动到所述目标接矿位置。

本申请提供了一种摇床接矿位置的调整装置，获取模块，用于获取目标图像；其中，所述目标图像包含摇床床面上矿浆的分层特征以及接矿板当前的初始接矿位置；输出模块，用于将所述目标图像输入训练好的接矿位置预测模型中，得到所述目标图像中的目标接矿位置；调整模块，用于基于所述目标接矿位置、所述初始接矿位置以及预设的图像像素比，确定出所述接矿板的位置偏移量，基于所述位置偏移量，调整所述接矿板。

这样，通过将目标图像输入到训练好的接矿位置预测模型中，接矿位置预测模型准确地确认出目标图像中接矿板的目标接矿位置，提高了对于目标接矿位置判断的准确率以及及时率。

请参阅图5，图5为本申请实施例所提供的一种电子设备的结构示意图。如图5中所示，所述电子设备400包括处理器401、存储器402和总线403。

所述存储器402存储有所述处理器401可执行的机器可读指令，当电子设备400运行时，所述处理器401与所述存储器402之间通过总线403通信，所述机器可读指令被所述处理器401执行时，可以执行如上述图1以及图2所示方法实施例中的摇床接矿位置的调整方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。

本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时可以执行如上述图1以及图2所示方法实施例中的摇床接矿位置的调整方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（Read-OnlyMemory，ROM）、随机存取存储器（Random Access Memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (5)

1.一种摇床接矿位置的调整方法，其特征在于，所述调整方法包括：

获取目标图像；其中，所述目标图像包含摇床床面上矿浆的分层特征以及接矿板当前的初始接矿位置；

将所述目标图像输入训练好的接矿位置预测模型中，得到所述目标图像中的目标接矿位置；其中，所述目标接矿位置是承接满足品位的矿浆的位置；

基于所述目标接矿位置、所述初始接矿位置以及预设的图像像素比，确定出所述接矿板的位置偏移量，基于所述位置偏移量，调整所述接矿板；

通过以下步骤训练所述接矿位置预测模型，包括：

获取训练样本图像；其中，所述训练样本图像包含摇床床面上矿浆的分层特征以及接矿板当前的初始接矿位置；

基于所述训练样本图像，确定每个训练样本的目标接矿位置，每个训练样本的目标接矿位置指示的训练样本图像中接矿板的实际目标接矿位置；

根据选矿指标对所述训练样本图像进行筛选；

将所述筛选后的训练样本图像输入至构建好的深度学习模型中，得到训练样本图像中接矿板的预测目标接矿位置；

针对每个训练样本图像，确定训练样本图像中接矿板的实际目标接矿位置与预测目标接矿位置之间的偏差值；

若存在训练样本图像对应的偏差值大于预设偏差阈值，调整所述深度学习模型中的参数，直至每个训练样本图像对应的偏差值小于或者等于预设偏差阈值，确定所述深度学习模型训练完毕，并将训练完毕的所述深度学习模型确定为训练好的接矿位置预测模型；

针对于每一张训练样本图像，所述基于所述训练样本图像，确定每个训练样本的目标接矿位置的步骤，还包括：

根据图像分割技术确定该训练样本图像中包含的矿浆的分层位置；

基于所述矿浆的分层位置、预先设置的偏移量以及图像像素比，获得训练样本图像的目标接矿位置；

所述基于所述目标接矿位置、所述初始接矿位置以及预设的图像像素比，确定出所述接矿板的位置偏移量，基于所述位置偏移量，调整所述接矿板的步骤，包括：

根据接矿板当前接矿位置与目标接矿位置的差值乘以预设的图像像素比获得接矿板的位置偏移量；

按照所述位置偏移量控制接矿板从所述初始接矿位置移动到所述目标接矿位置。

2.根据权利要求1所述的调整方法，其特征在于，所述基于所述训练样本图像，确定每个训练样本的目标接矿位置的步骤，包括：

针对于每一张训练样本图像，根据多个历史标注图像中的标注接矿位置，在该训练样本图像中标注出目标接矿位置。

3.一种摇床接矿位置的调整装置，其特征在于，所述调整装置包括：

获取模块，用于获取目标图像；其中，所述目标图像包含摇床床面上矿浆的分层特征以及接矿板当前的初始接矿位置；

输出模块，用于将所述目标图像输入训练好的接矿位置预测模型中，得到所述目标图像中的目标接矿位置；其中，所述目标接矿位置是承接满足品位的矿浆的位置；

调整模块，用于基于所述目标接矿位置、所述初始接矿位置以及预设的图像像素比，确定出所述接矿板的位置偏移量，基于所述位置偏移量，调整所述接矿板；

所述调整装置还包括训练模块，所述训练模块用于通过以下步骤训练所述接矿位置预测模型：

获取训练样本图像；其中，所述训练样本图像包含摇床床面上矿浆的分层特征以及接矿板当前的初始接矿位置；

基于所述训练样本图像，确定每个训练样本的目标接矿位置，每个训练样本的目标接矿位置指示的训练样本图像中接矿板的实际目标接矿位置；

根据选矿指标对所述训练样本图像进行筛选；

将所述筛选后的训练样本图像输入至构建好的深度学习模型中，得到训练样本图像中接矿板的预测目标接矿位置；

针对每个训练样本图像，确定训练样本图像中接矿板的实际目标接矿位置与预测目标接矿位置之间的偏差值；

若存在训练样本图像对应的偏差值大于预设偏差阈值，调整所述深度学习模型中的参数，直至每个训练样本图像对应的偏差值小于或者等于预设偏差阈值，确定所述深度学习模型训练完毕，并将训练完毕的所述深度学习模型确定为训练好的接矿位置预测模型；所述训练模块在用于针对于每一张训练样本图像，所述基于所述训练样本图像，确定每个训练样本的目标接矿位置时，所述训练模块用于：

根据图像分割技术确定该训练样本图像中包含的矿浆的分层位置；

基于所述矿浆的分层位置、预先设置的偏移量以及图像像素比，获得训练样本图像的目标接矿位置；

所述调整模块在用于所述基于所述目标接矿位置、所述初始接矿位置以及预设的图像像素比，确定出所述接矿板的位置偏移量，基于所述位置偏移量，调整所述接矿板时，所述调整模块具体用于：

根据接矿板当前接矿位置与目标接矿位置的差值乘以预设的图像像素比获得接矿板的位置偏移量；

按照所述位置偏移量控制接矿板从所述初始接矿位置移动到所述目标接矿位置。

4.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过所述总线通信，所述机器可读指令被所述处理器执行时执行如权利要求1至2中任一所述的摇床接矿位置的调整方法的步骤。

5.一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计算机程序，所述计算机程序被处理器运行时执行如权利要求1至2中任一所述的摇床接矿位置的调整方法的步骤。

Images