CN116067911A - 一种矿物多组分品位的识别及分离方法 - Google Patents
一种矿物多组分品位的识别及分离方法 Download PDFInfo
- Publication number
- CN116067911A CN116067911A CN202310054681.9A CN202310054681A CN116067911A CN 116067911 A CN116067911 A CN 116067911A CN 202310054681 A CN202310054681 A CN 202310054681A CN 116067911 A CN116067911 A CN 116067911A
- Authority
- CN
- China
- Prior art keywords
- mineral
- minerals
- grade
- sample
- information
- 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
- 229910052500 inorganic mineral Inorganic materials 0.000 title claims abstract description 127
- 239000011707 mineral Substances 0.000 title claims abstract description 127
- 238000000926 separation method Methods 0.000 title abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 37
- 230000003595 spectral effect Effects 0.000 claims abstract description 35
- 238000001228 spectrum Methods 0.000 claims abstract description 32
- 230000008569 process Effects 0.000 claims abstract description 4
- 238000012360 testing method Methods 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000005065 mining Methods 0.000 claims description 3
- 238000007873 sieving Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000003705 background correction Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 12
- 238000001514 detection method Methods 0.000 abstract description 8
- 238000010801 machine learning Methods 0.000 abstract description 7
- 230000007613 environmental effect Effects 0.000 abstract description 3
- 230000002079 cooperative effect Effects 0.000 abstract 1
- 230000000875 corresponding effect Effects 0.000 abstract 1
- 235000010755 mineral Nutrition 0.000 description 86
- RTAQQCXQSZGOHL-UHFFFAOYSA-N Titanium Chemical compound [Ti] RTAQQCXQSZGOHL-UHFFFAOYSA-N 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 6
- 238000000701 chemical imaging Methods 0.000 description 6
- 239000010936 titanium Substances 0.000 description 6
- 229910052719 titanium Inorganic materials 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 238000000513 principal component analysis Methods 0.000 description 5
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 4
- 229910010413 TiO 2 Inorganic materials 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- YDZQQRWRVYGNER-UHFFFAOYSA-N iron;titanium;trihydrate Chemical compound O.O.O.[Ti].[Fe] YDZQQRWRVYGNER-UHFFFAOYSA-N 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 239000003086 colorant Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000012843 least square support vector machine Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000002310 reflectometry Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 239000012141 concentrate Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005188 flotation Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 229910052736 halogen Inorganic materials 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 229910052742 iron Inorganic materials 0.000 description 2
- SZVJSHCCFOBDDC-UHFFFAOYSA-N iron(II,III) oxide Inorganic materials O=[Fe]O[Fe]O[Fe]=O SZVJSHCCFOBDDC-UHFFFAOYSA-N 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000002367 phosphate rock Substances 0.000 description 2
- OJMIONKXNSYLSR-UHFFFAOYSA-N phosphorous acid Chemical compound OP(O)O OJMIONKXNSYLSR-UHFFFAOYSA-N 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 238000000862 absorption spectrum Methods 0.000 description 1
- CNLWCVNCHLKFHK-UHFFFAOYSA-N aluminum;lithium;dioxido(oxo)silane Chemical compound [Li+].[Al+3].[O-][Si]([O-])=O.[O-][Si]([O-])=O CNLWCVNCHLKFHK-UHFFFAOYSA-N 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 229910052951 chalcopyrite Inorganic materials 0.000 description 1
- DVRDHUBQLOKMHZ-UHFFFAOYSA-N chalcopyrite Chemical compound [S-2].[S-2].[Fe+2].[Cu+2] DVRDHUBQLOKMHZ-UHFFFAOYSA-N 0.000 description 1
- 239000013043 chemical agent Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000000295 emission spectrum Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000010438 granite Substances 0.000 description 1
- 150000002367 halogens Chemical class 0.000 description 1
- 229910052595 hematite Inorganic materials 0.000 description 1
- 239000011019 hematite Substances 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
- 239000001095 magnesium carbonate Substances 0.000 description 1
- ZLNQQNXFFQJAID-UHFFFAOYSA-L magnesium carbonate Chemical compound [Mg+2].[O-]C([O-])=O ZLNQQNXFFQJAID-UHFFFAOYSA-L 0.000 description 1
- 229910000021 magnesium carbonate Inorganic materials 0.000 description 1
- 235000014380 magnesium carbonate Nutrition 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000010445 mica Substances 0.000 description 1
- 229910052618 mica group Inorganic materials 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004071 soot Substances 0.000 description 1
- 229910052642 spodumene Inorganic materials 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 229910052720 vanadium Inorganic materials 0.000 description 1
- LEONUFNNVUYDNQ-UHFFFAOYSA-N vanadium atom Chemical compound [V] LEONUFNNVUYDNQ-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- 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
- B07C5/02—Measures preceding sorting, e.g. arranging articles in a stream orientating
-
- 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
-
- 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
- B07C5/36—Sorting apparatus characterised by the means used for distribution
- B07C5/361—Processing or control devices therefor, e.g. escort memory
- B07C5/362—Separating or distributor mechanisms
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本发明涉及一种矿物多组分品位的识别及分离方法，属于智能识别矿物品位及分离领域。包括以下步骤：用光谱仪采集制作矿物样本的图像信息和光谱数据；所述光谱数据构建回归预测模型以建立矿物不同组分品位的样本数据库；拍摄主传送带上待测目标矿物图像信息，其光谱数据自动输入到训练好的所述预测模型以反演出矿物不同组分的品位信息；根据反演识别结果按组分需求将矿物分离至对应的次级传送带。本发明基于光谱检测技术和机器学习协同作用于矿物分选的过程，具有适用范围广、环保无污染、实时在线的特点。
Description
技术领域
本发明涉及一种矿物多组分品位的识别及分离方法，属于智能识别矿物品位及分离领域。
背景技术
品位信息是评价矿石质量的主要指标，直接影响着选矿效率。目前的品位测定主要是基于化学分析为主，该方法检测精度虽高，但耗时长、化学药品昂贵，也不能满足现代生产中快速、准确、实时在线分析的要求。针对矿物分离，最常用的方法主要是重选法和浮选法，然而重选设备投资成本高，针对得到的精矿品位相对较低；浮选法主要依靠于化学药剂的使用，容易造成环境污染。因此，开展光谱与算法结合的矿物品位识别及分离是解决这一问题的有效途径。
高光谱成像技术是将成像技术和光谱技术相结合，利用它们独有的优势和特点，针对矿物的不同特征能够捕捉到更多的地物发射和吸收光谱信息。另外，随着人工智能的不断发展，机器学习也迎来了研究热潮，其在很多方面识别精度已超过人类，利用它的识别技术已可以有效解决矿物识别判断的问题。在专利号CN 109030388 B中，公布了一种基于高光谱成像技术和机器学习成功建立起对红岭矽卡岩型铁矿石品位的定量反演模型，该方法可准确快速反演识别矽卡岩型铁矿石的品位，为矿物识别领域提供了可靠依据。
因此，本发明基于高光谱成像技术和机器学习协同作用对矿物不同组分品位进行识别。通常先利用高光谱仪器采集矿物样本的高光谱图像，获取其光谱数据，然后用模型训练所述数据，训练完成后即可达到识别该矿物的任务。
发明内容
本发明要解决的技术问题是提出一种矿物多组分品位的识别及分离方法，以达到高效识别矿物及有效分离需求组分品位的方法。该方法通过对矿物在已知其品位条件下进行可见光-近红外波段的光谱测试，得到光谱数据，以此数据为数据源进行数据处理，利用机器学习建立起回归预测模型，再在实际应用中反演识别出不同组分品位值，最后依据所需组分按品位值大小进行分离。
本发明解决其技术问题采用的技术方案为，一种矿物多组分品位的识别及分离方法，包括以下步骤：
S101.用光谱仪采集制作矿物样本的图像信息和光谱数据；
S102.所述光谱数据构建回归预测模型以建立矿物不同组分品位的样本数据库；
S103.拍摄主传送带上待测目标矿物图像信息，其光谱数据自动输入到训练好的所述预测模型以反演出矿物不同组分的品位信息；
S104.根据反演识别结果按组分需求将矿物分离至对应的次级传送带。
本发明采用的技术方案，与现有的检测技术相比，其特别之处在于：
在检测对象上，针对的是矿物多个组分的品位信息，不再是单一品位的检测，检测品位信息更全面；其无污染、快速准确和高精度的反演能力，解决了传统化学方法存在污染、检测周期长的问题，为现代生产中精准识别、实时在线分析矿石品位提供了一个新的范例。
进一步地，本发明的优选方案如下：
S101.用光谱仪采集制作矿物样本的图像信息和光谱数据，按下述步骤进行：
从矿区获得不同品位的矿物原料，经过破碎、研磨、过筛处理后，按不同质量比配制出实验所需的样本数，利用XRF测量出该矿物多组分品位信息，以关键品位值为主作好标记；
光谱测试前调整好系统参数，由于矿物颜色较深，故进行黑灰校正消除仪器内部因素对数据采集的影响，将矿物样本装在黑色不反光的培养皿里，放置于高光谱仪器载物台，采集样本在可见光-近红外波段(0.4-2.5μm)的图像信息，编程以提取光谱数据。
进一步地，所述黑灰校正公式如下：
式中：I是矿石样本经过校正后的光谱图像；Io是矿石样本的原始光谱图像；Id是采集的镜头被覆盖后的标准黑板图像；Ig是采集到的标准灰板图像。
S102.所述光谱数据构建回归预测模型以建立矿物不同组分品位的样本数据库，按下述步骤进行：
以光谱数据为数据源，为在一定程度上增强特征波段的有效信息，降低光源散射影响，应用多元散射校正MSC进行处理样本数据；
进一步地，所述MSC计算公式如下：
式中：
Ai,j是标准和原始光谱矩阵；n是样本数；Ai是单个样品的光谱矢量；mi是相对偏移系数；
是样品的平均光谱矢量；bi是平移量；Ai(MSC)是第i个样本的校正光谱。
将样本集数据进行划分，要求样本的光谱信息与矿物多组分品位信息一一对应，用于构建回归预测模型并进行评价。具体步骤如下：
1)以光谱反射率值、多组分品位信息作为输入信息，输出信息则为矿物多组分品位值；
2)按照4:1的原则将样本集数据进行训练集、测试集划分；
3)使用主成分分析法(PCA)对预处理后的光谱数据进行压缩，以降低维数；
抽取出的特征值之和和所有特征值之和的比值(累计贡献率)计算公式为：
式中：p是主成分个数；k是特征向量个数；n是样本个数；λ是特征值。
4)建立粒子群(PSO)优化最小二乘支持向量机(LS-SVM)的回归预测模型；
5)以测试集决定系数(R2)和均方根误差(RMSE)对模型优劣性进行评价。
利用最优模型作可视化云图，显示矿物不同组分的品位及其分布情况，将各像素点的样本图像数值映射到0～255范围的灰度图像，对灰度图像进行伪彩色处理形成矿物不同组分品位的可视化分布图，其中不同区域代表不同的组分，不同的颜色代表不同品位值的高低，可以直观地观察到矿物多组分品位及其分布情况；
以多组分品位信息、反射率值和模型结果为特征信息，存储为该矿物样本品位数据库，在识别阶段通过与数据库信息的对应来判断矿物的特性。
S103.拍摄主传送带上待测目标矿物图像信息，其光谱数据自动输入到训练好的所述预测模型以反演出矿物不同组分的品位信息，依据数据库中相对应的信息，得出该矿物的不同组分品位值，依据该数值对矿物进行分离。
S104.根据反演识别结果按组分需求将矿物分离至对应的次级传送带，经所述得出矿物不同组分的品位值后，利用机械手按照需求组分的品位大小将矿物移至对应的次级传送带分类区域，各区域皆按照品位由高到低呈梯度下降的方式排列，即可实现对矿物的分选。
本发明实施例具有以下优点：
(1)本发明实施例从实现智慧矿山的效益出发，在使用中不使用任何化学试剂，整个过程环保无污染。
(2)本发明实施例中模型预测效果理想，反演识别精度高，可应用于对不同矿物不同组分品位的识别及分离场合。
(3)本发明实施例具备反应实时和识别高效的功能，只需光谱仪扫描矿物，程序自动提取光谱数据到模型中，即可获得品位检测结果。
附图说明
图1为本发明实施例的方法流程图。
图2为本发明提供的矿物识别及分离工作示意图。
图3为本发明提供的高光谱成像系统工作示意图。
图4为本发明的ROI图像感兴趣区域提取过程。
图5为本发明提供的钛矿TiO2品位可视化分布图。
图中：1—底座；2—电控移动平台；3—培养皿；4—卤素灯；5—镜头；6—光谱仪；7—电脑。
具体实施方式
下面将结合附图及本实施例对本发明作进一步说明。
本实施例中工作示意图参见图2，所述示意图以控制系统发出信号给分离装置，该装置根据信号结果进行动作。所述控制系统主要由图像采集系统构成，图像采集系统参见图3，主要由高光谱成像仪Specim Fx10e/Fx17e、镜头、卤素灯(2个)、电脑、电控移动平台等组成。光谱相机设在电控移动平台正上方，由计算机控制平台移动进行采集。
一种矿物多组分品位的识别及分离方法，包括以下步骤：
S101.用光谱仪采集制作矿物样本的图像信息和光谱数据，具体是：
从矿区获得不同品位的矿物原料，经过破碎、研磨、过筛(180目)处理后，按不同质量比配制出实验所需的矿物样本数，利用XRF测量出该矿物不同组分的品位信息，以关键品位值为主作好标记；
各元器件接通电源，将测试软件同高光谱仪器进行通信连接，通过软件控制移动平台移动验证连接与否，测试前设置光峰值3616nm，曝光频率50Hz，曝光时间8ms，平台移动速度10.84mm/s。由于矿物颜色较深，白色板校正效果不明显，需进行黑灰校正以消除仪器内部因素对数据采集的影响；
将矿物样本装在黑色不反光的培养皿里，放置于高光谱仪器载物台，对样本进行推扫式扫描以获取图像信息，测试时将光谱仪镜头垂直于样本观测面300mm，视场角为35°；
扫描矿物样本在可见光-近红外波段(0.4-2.5μm)的图像，为抑制环境因素的影响，提高数据可靠性，对每份样本重复扫描测试3次；
在采集到样本图像信息后，编写程序对其进行光谱反射率数据的提取。为有效提取矿石样本的光谱信息，首先运用形态学处理对图像进行二值化操作，去除数据的背景信息，其次确定图像中心点，画指定大小的半径进行图像掩膜以提取ROI区域，最后提取有效区域的反射率并合成RGB图，光谱数据即提取完成，整个提取过程如图4所示。为确保数据性能，实验中采取5次提取然后取平均光谱反射率值作为光谱数据。
S102.所述光谱数据构建回归预测模型以建立矿物不同组分品位的样本数据库，具体是：
(1)对光谱数据作预处理
经过MSC预处理的光谱曲线更为集中，数据得以明显增强，为获得好的预测效果奠定了基础。为了准确地预测矿物多组分品位信息，决定基于MSC预处理的光谱数据用于后续建模分析。
(2)建立回归预测模型
将样本集数据进行划分，要求矿物样本的光谱信息与矿物多组分品位信息一一对应，用于构建回归预测模型并进行评价，具体步骤如下：
以光谱反射率值、多组分品位信息作为输入信息，输出信息则为矿物品位值。将实测矿物多组分品位值添加到样本光谱的数据文件中，要求光谱信息与矿物多组分品位信息一一对应，确保没有交错对应的现象；
按照4:1的原则将数据进行训练集、测试集划分，此次实验采用光谱-理化共生距离(SPXY)对样本集进行划分，某钛铁矿样本TiO2品位详细划分见表1，结果显示测试集划分范围均在训练集分布范围内，为稳健的预测模型奠定了基础；
表1钛铁矿样本TiO2品位测定结果及数据集分布
使用PCA对预处理后的光谱数据进行压缩，以降低维数。数据原始维度448在经过PCA后维度降低至17，大大节省了模型计算时间。从模型结果来看，此次PCA降维能够在减少计算时间的基础之上保证模型具备较高的预测效果；
参照其它模型的适用效果，并多次反复实验比较，本发明选择PSO优化LS-SVM的回归预测模型，将训练集数据在模型下进行训练，用测试集数据来评估最终模型的泛化能力。本实施例LSSVM选用径向基函数作为核函数，该分类器性能主要受惩罚因子c和核函数参数g的影响。然而c和g过大或过小都会使模型的性能不佳，为得到合适的参数，采用智能优化算法PSO进行寻优以提高分类精度，最终确定c和g的值分别为216.6858，18.76613；
模型建立后，结合实验分析结果，选取以R2和RMSE的评价指标对模型优劣性进行辨别。其中R2直接表征了模型对真实值与预测值的相关程度，而RMSE可以直观的反应出预测值与真实值之间的偏差程度。若得出的数值R2越接近于1，RMSE越接近于0，则表示模型的预测精度越高，模型性能也越稳定。基于模型对不同矿物的预测结果见表2。
(3)可视化分析品位情况
图5显示了钛矿TiO2品位的可视化分布图。图中每个ROI区域的颜色都夹杂着其它颜色，不尽一致。这是因为所建立的模型对钛矿样本TiO2品位的预测存在一定的误差。从预测的品位值来看，误差皆在3的范围内。可视化图中显示的颜色区域都位于参考值附近，说明其可以作为TiO2品位分布的参考显示。与单点检测技术相比，高光谱成像技术可以实现矿物中任意局部区域的可视化，直观地揭示钛矿内部TiO2品位分布情况，可辅助用于对矿石质量的综合评价。
(4)建立数据库
基于前面所述步骤，以提取的光谱反射率值、多组分品位信息和经过模型训练识别的结果为特征，存储为该矿物样本品位数据库。在识别的时候，通过输出结果去搜寻数据库中的信息，若二者不同组分的品位都在2％的误差内，则判断出该矿物类型，否则重新比对品位信息，直至找出差值对应最小的品位值。
S103.拍摄主传送带上待测目标矿物图像信息，其光谱数据自动输入到训练好的所述预测模型以反演出矿物不同组分的品位信息，按下述步骤进行：
通过高光谱成像系统中的相机拍摄主传送带上等待检测识别的目标矿物，上位机对拍摄完成的图像进行光谱反射率数据提取，接下来导入光谱数据到已经训练好的回归预测模型，通过对比数据库中的品位信息和光谱反射率，反演出矿物的多组分品位值，依据该数值对矿物进行分离。
与前面所述步骤不同的是，模型已经训练完成，直接将某一矿物的光谱数据导入到训练好的模型中，对比数据库中的数据，即可得出与之相对应的的矿物多组分品位值，整个过程皆在控制系统中执行。
S104.根据反演识别结果按组分需求将矿物分离至对应的次级传送带，按下述步骤进行：
经过反演识别阶段得出该矿物需求组分品位值后，上位机发出相应信号，下位机开始工作，利用机械手按照需求组分的品位大小将矿物移至对应的次级传送带分类区域，各区域按照品位由高到低呈梯度下降的方式排列，即可实现对矿物的分选。
本发明所述为钛矿多组分品位的识别及分离方法，对其它矿物的实施应用如下：
实施例1
本实施例公开一种矿物多组分品位的识别及分离方法，在实施阶段应用本发明对钛铁精矿和钛铁尾矿中的多组分品位进行识别，得到的决定系数R2分别为0.9772和0.9332，均方根误差RMSE为0.0834和0.2612，结果表明可以准确的对钛矿多组分品位实测值进行反演，具体数值见表2。
实施例2
本实施例在实施阶段应用本发明对磷矿多组分品位进行识别，得到的决定系数R2为0.8752，均方根误差RMSE为0.4392，结果表明可以较为准确的对磷矿相关组分品位实测值进行反演，具体数值见表2。
实施例3
本实施例公开的矿物多组分品位的识别及分离方法还可以应用到其它类型的矿物，如赤铁矿(R2＝0.8215、RMSE＝0.5241)、磁铁矿(R2＝0.8379、RMSE＝0.5627)、黄铜矿(R2＝0.9292、RMSE＝0.3021)、云母石(R2＝0.8002、RMSE＝0.6543)、菱镁矿(R2＝0.9032、RMSE＝0.3342)、钒钛磁铁矿(R2＝0.9588、RMSE＝0.1417)、锂辉石(R2＝0.9399、RMSE＝0.2218)、花岗岩(R2＝0.8992、RMSE＝0.3982)等。通过表2各矿物样本多组分品位的对比可以看出，误差值均小于5％，预测结果较好。
表2不同矿物样本多组分品位实测值与预测值对比
以上所述仅为本发明的典型实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.一种矿物多组分品位的识别及分离方法，其特征在于，包括以下步骤：
S101.用光谱仪采集制作矿物样本的图像信息和光谱数据；
S102.所述光谱数据构建回归预测模型以建立矿物不同组分品位的样本数据库；
S103.拍摄主传送带上待测目标矿物图像信息，其光谱数据自动输入到训练好的所述预测模型以反演出矿物不同组分的品位信息；
S104.根据反演识别结果按组分需求将矿物分离至对应的次级传送带。
2.根据权利要求1所述的矿物多组分品位的识别及分离方法，其特征在于，S101.用光谱仪采集制作矿物样本的图像信息和光谱数据，按下述步骤进行：
从矿区获得不同品位的矿物，经过粉碎、研磨、过筛后，制作成矿物样本并按主要品位值作好标记；
光谱测试前调整好系统参数，利用黑灰校正公式进行黑灰校正；测试时将矿物样本装在黑色不反光的培养皿里，采集样本在可见光-近红外波段范围的图像信息和光谱数据；
所述黑灰校正公式如下：
式中：I是矿石样本经过校正后的光谱图像；Io是矿石样本的原始光谱图像；Id是采集的镜头被覆盖后的标准黑板图像；Ig是采集到的标准灰板图像。
3.根据权利要求1所述的矿物多组分品位的识别及分离方法，其特征在于，S102.所述光谱数据构建回归预测模型以建立矿物不同组分品位的样本数据库，按下述步骤进行：
在光谱数据采集过程中，因外部环境和内部因素等干扰信息会影响建模效果，为此需要选用合适的预处理方法；
将样本集数据进行划分，依据划分后样本的光谱信息与矿物多组分品位信息构建回归预测模型，利用相关评价指标对模型优劣进行评价；
基于最优模型作可视化云图，显示出该矿物不同组分品位的分布情况；
以多组分品位信息、反射率值和模型结果为特征信息，存储为该矿物样本品位数据库，在识别阶段通过与数据库信息的对应来判断矿物的特性。
4.根据权利要求1所述的矿物多组分品位的识别及分离方法，其特征在于，S103.拍摄主传送带上待测目标矿物图像信息，其光谱数据自动输入到训练好的所述预测模型以反演出矿物不同组分的品位信息，按下述步骤进行：
拍摄主传送带上需要检测识别的目标矿物，程序自动提取光谱数据并输入到训练好的回归预测模型，依据数据库中相对应的信息，得出该矿物的不同组分的品位值，依据该数值对矿物进行分离。
5.根据权利要求1所述的矿物多组分品位的识别及分离方法，其特征在于，S104.根据反演识别结果按组分需求将矿物分离至对应的次级传送带，按下述步骤进行：
经所述得出矿物不同组分的品位值后，利用机械手按照需求组分的品位大小将矿物移至对应的次级传送带分类区域，各区域皆按照品位由高到低呈梯度下降的方式排列，即可实现对矿物的分选。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310054681.9A CN116067911A (zh) | 2023-02-03 | 2023-02-03 | 一种矿物多组分品位的识别及分离方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310054681.9A CN116067911A (zh) | 2023-02-03 | 2023-02-03 | 一种矿物多组分品位的识别及分离方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116067911A true CN116067911A (zh) | 2023-05-05 |
Family
ID=86176434
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310054681.9A Pending CN116067911A (zh) | 2023-02-03 | 2023-02-03 | 一种矿物多组分品位的识别及分离方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116067911A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117011505A (zh) * | 2023-10-07 | 2023-11-07 | 深圳市中达瑞和科技有限公司 | 基于光谱数据的识别方法、系统及相关设备 |
-
2023
- 2023-02-03 CN CN202310054681.9A patent/CN116067911A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117011505A (zh) * | 2023-10-07 | 2023-11-07 | 深圳市中达瑞和科技有限公司 | 基于光谱数据的识别方法、系统及相关设备 |
| CN117011505B (zh) * | 2023-10-07 | 2024-03-15 | 深圳市中达瑞和科技有限公司 | 基于光谱数据的识别方法、系统及相关设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hu et al. | Multispectral imaging: A new solution for identification of coal and gangue | |
| CN106295601B (zh) | 一种改进的安全带检测方法 | |
| CN107230203A (zh) | 基于人眼视觉注意机制的铸件缺陷识别方法 | |
| CN103308525B (zh) | 一种用于金属线材生产的在线检测方法和装置 | |
| CN110705655A (zh) | 一种基于光谱和机器视觉耦合的烟叶分类方法 | |
| CN108921201A (zh) | 基于特征组合与cnn的大坝缺陷识别与分类方法 | |
| CN109215015A (zh) | 一种基于卷积神经网络的蚕茧在线视觉检测方法 | |
| CN116067911A (zh) | 一种矿物多组分品位的识别及分离方法 | |
| CN100596330C (zh) | 冶金矿相智能识别方法 | |
| CN109993154A (zh) | 变电站单指针式六氟化硫型仪表智能识别方法 | |
| CN103344583A (zh) | 一种基于机器视觉的镨-钕(Pr/Nd)组分含量检测系统及方法 | |
| CN112730326A (zh) | 一种岩石薄片智能鉴定装置及方法 | |
| CN116559111A (zh) | 一种基于高光谱成像技术的高粱品种识别方法 | |
| Gao et al. | Detection of wheat unsound kernels based on improved ResNet | |
| CN105354405A (zh) | 基于机器学习的免疫组化图像自动化判读系统 | |
| CN109191479A (zh) | 一种烧结矿中复合铁酸钙矿相含量的自动测量方法 | |
| Prasetio | An Approaching Machine Learning Model: Tile Inspection Case Study | |
| CN102494987A (zh) | 球墨铸铁中显微粒子的自动分类评级方法 | |
| CN114677546A (zh) | 一种移动煤岩实时分拣方法和装置 | |
| XingQi et al. | Analysis and test of concrete surface crack of railway bridge based on deep learning | |
| CN111723861B (zh) | 一种用于煤矿控制挡板的煤矸石百分比识别方法 | |
| CN111359892A (zh) | 一种基于机器视觉的天宝蜜柚外观检测分级装置及其方法 | |
| CN114521664B (zh) | 一种基于多模态图像数据和深度神经网络的自动烟叶分级系统及装置 | |
| Peng et al. | Research on Image Recognition and Grading Method of Apple Based on Machine Vision | |
| Hou et al. | Comparison research on X-ray image quality defects detection algorithm in semiconductor manufacturing |
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 |