CN116977827A - 一种基于人工智能的铁矿石检测方法和系统 - Google Patents
一种基于人工智能的铁矿石检测方法和系统 Download PDFInfo
- Publication number
- CN116977827A CN116977827A CN202311235003.9A CN202311235003A CN116977827A CN 116977827 A CN116977827 A CN 116977827A CN 202311235003 A CN202311235003 A CN 202311235003A CN 116977827 A CN116977827 A CN 116977827A
- Authority
- CN
- China
- Prior art keywords
- iron ore
- image
- pixel point
- binarization
- pixel
- 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
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 title claims abstract description 681
- 229910052742 iron Inorganic materials 0.000 title claims abstract description 341
- 238000001514 detection method Methods 0.000 title claims abstract description 55
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 42
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 40
- 230000000877 morphologic effect Effects 0.000 claims abstract description 40
- 238000005457 optimization Methods 0.000 claims abstract description 35
- 238000001914 filtration Methods 0.000 claims abstract description 18
- 230000009467 reduction Effects 0.000 claims abstract description 15
- 238000006243 chemical reaction Methods 0.000 claims abstract description 3
- 239000011159 matrix material Substances 0.000 claims description 38
- 238000000034 method Methods 0.000 claims description 22
- 230000009466 transformation Effects 0.000 claims description 18
- 230000000295 complement effect Effects 0.000 claims description 14
- 230000007797 corrosion Effects 0.000 claims description 14
- 238000005260 corrosion Methods 0.000 claims description 14
- 230000011218 segmentation Effects 0.000 claims description 13
- 230000004927 fusion Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 9
- 239000012535 impurity Substances 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 20
- 230000000694 effects Effects 0.000 description 13
- 229910052500 inorganic mineral Inorganic materials 0.000 description 10
- 239000011707 mineral Substances 0.000 description 10
- 230000003628 erosive effect Effects 0.000 description 9
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 6
- 238000011176 pooling Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 5
- 239000002245 particle Substances 0.000 description 5
- 230000010339 dilation Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000003709 image segmentation Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 102100037651 AP-2 complex subunit sigma Human genes 0.000 description 1
- 101000806914 Homo sapiens AP-2 complex subunit sigma Proteins 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 150000002505 iron Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000004062 sedimentation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/02—Investigating particle size or size distribution
- G01N15/0205—Investigating particle size or size distribution by optical means
- G01N15/0227—Investigating particle size or size distribution by optical means using imaging; using holography
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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
- G06V10/30—Noise filtering
-
- 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
- G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
-
- 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
- G06V10/36—Applying a local operator, i.e. means to operate on image points situated in the vicinity of a given point; Non-linear local filtering operations, e.g. median filtering
-
- 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
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
- G06V10/422—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation for representing the structure of the pattern or shape of an object therefor
-
- 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
- G06V10/52—Scale-space analysis, e.g. wavelet analysis
-
- 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
- G06V10/54—Extraction of image or video features relating to texture
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Chemical & Material Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Nonlinear Science (AREA)
- Dispersion Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于人工智能的铁矿石检测方法和系统,通过获取待处理的铁矿石图像,将所述铁矿石图像进行降噪处理、灰度变换以及图像增强处理,得到铁矿石二值化图像;基于形态学算法对所述铁矿石二值化图像进行滤波处理,以消除所述二值化图像中的噪声和空洞,得到铁矿石优化图像;对所述铁矿石优化图像进行分割,以确定铁矿石优化图像中铁矿石的闭合边缘,得到铁矿石边缘图像;最后将所述铁矿石边缘图像输入预设的目标检测模型,以确定所述铁矿石边缘图像中铁矿石粒度信息,所述铁矿石粒度信息包括铁矿石边缘图像铁矿石的大小、排布以及数量。
Description
技术领域
本发明涉及智能检测技术,尤其涉及一种基于人工智能的铁矿石检测方法和系统。
背景技术
破碎矿石的粒度信息一直是矿物加工过程中的一项关键数据指标,是评价破碎效果好坏的一项重要标准,尤其对选矿生产中选矿设备的工艺参数优化调整和实现选矿自动化具有非常重要的指导意义,通过对选矿矿石粒度的检测分析,能够及时地了解当前破碎机的工作状态,从而根据实际情况来及时地调节破碎机排矿口的大小,提高破碎机选矿的工作效率和破碎精度。
在当前传统的选矿生产中,对于矿石粒度的检测主要通过人工筛分和沉降法检测等方法来实现,这些检测方法存在检测时间长,反馈矿石粒度的分布信息滞后,人为干扰影响大,导致检测的粒度的精确度比较低,效率不高。
发明内容
本发明实施例提供一种基于人工智能的铁矿石检测方法和系统,能够至少解决现有技术中的部分问题,也即,解决现有技术需要检测的粒度的精确度比较低,效率不高的问题。
本发明实施例的第一方面,提供一种基于人工智能的铁矿石检测方法,包括:获取待处理的铁矿石图像,所述铁矿石图像中包含铁矿石和杂质物;将所述铁矿石图像进行降噪处理得到铁矿石中间图像;对铁矿石中间图像进行灰度变换和图像增强处理,得到铁矿石二值化图像;基于形态学算法对所述铁矿石二值化图像进行滤波处理,以消除所述二值化图像中的噪声和空洞,得到铁矿石优化图像;对所述铁矿石优化图像进行分割,以确定铁矿石优化图像中铁矿石的闭合边缘,得到铁矿石边缘图像;将所述铁矿石边缘图像输入预设的目标检测模型,以确定所述铁矿石边缘图像中铁矿石粒度信息,所述铁矿石粒度信息包括铁矿石边缘图像铁矿石的大小、排布以及数量。
可选地,将所述铁矿石图像进行降噪处理得到铁矿石中间图像的步骤,包括:确定所述铁矿石中间图像中的中心像素点;提取所述铁矿石中间图像中的像素点,计算各像素点与所述中心像素点的距离,以根据高斯函数计算各像素点的权重,得到各像素点的权重;将所述各像素点的权重进行归一化处理,并针对各个像素点,将高斯核中心放在该像素点位置上,并计算高斯核中每个位置的权重;将权重与对应位置的像素值相乘,并将所有乘积求和,得到该像素点的加权平均值,作为该像素点的新值;重复以上步骤,遍历整个所述铁矿石图像,直到各像素点都更新像素点的新值,得到高斯滤波处理后的铁矿石中间图像。
可选地,对铁矿石中间图像进行灰度变换和图像增强处理,得到铁矿石二值化图像的步骤,包括:计算所述铁矿石中间图像中各像素点的灰度值;将所述铁矿石中间图像中各像素点的灰度值设置成一维数组,并设置矩形窗口遍历所述一维数组,以确定各像素点的二值化阈值;根据各像素点的灰度值和所述二值化阈值确定所述铁矿石二值化图像。
可选地,将所述铁矿石中间图像中各像素点的灰度值设置成一维数组,并设置矩形窗口遍历所述一维数组,以确定各像素点的二值化阈值的计算公式如下:
;
其中,为所述铁矿石中间图像中位于点n处的像素点的灰度值,/>表示其i点处的灰度值,所述一维数组里第n点处的用于分割的二值化阈值为位于该点之前的s个像素点的灰度值的均值,用/>来表示前的s个像素点的灰度值的均值,即n处像素点的二值化阈值。
可选地,根据各像素点的灰度值和所述二值化阈值确定所述铁矿石二值化图像的计算公式如下:
;
;
;
;
表示使用所述二值化阈值分割后的二值化中间图像,/>表示各像素点的二值化阈值用其所处的矩形窗口内平均灰度值计算出的值,/>表示所述各像素点对应的所述二值化阈值,/>表示所述铁矿石二值化图像。
可选地,基于形态学算法对所述铁矿石二值化图像进行滤波处理,以消除所述二值化图像中的噪声和空洞,得到铁矿石优化图像的步骤,包括:确定所述形态学算法对应的结构元素矩阵,以对消除所述铁矿石二值化图像中的噪声点与灰暗孔洞;根据所述结构元素矩阵将所述铁矿石二值化图像进行形态学腐蚀重构,并进行取反,得到与所述铁矿石二值化图像对应的补图像;对所述补图像进行形态学腐蚀重构并进行取反,得到与所述补图像对应的优化图像;基于所述优化图像进行形态学开运算,得到所述铁矿石优化图像。
可选地,对所述铁矿石优化图像进行分割,以确定铁矿石优化图像中铁矿石的闭合边缘,得到铁矿石边缘图像的步骤,包括:基于所述铁矿石优化图像设定初始化参数,以使聚类类别数目c(2≤c≤255);基于所述铁矿石优化图像计算初始隶属度矩阵,所述隶属度矩阵公式如下:
;
其中,表示隶属度矩阵中的一个元素,表示数据点/>属于聚类中心/>的隶属度,/>的值的范围在0到1之间,越接近1表示隶属度越高,/>表示数据点/>和聚类中心/>之间的欧氏距离,用于度量数据点/>和聚类中心/>之间的空间距离,/>表示数据点/>和另一个聚类中心/>之间的欧氏距离,m表示模糊指数,用于控制隶属度矩阵的模糊程度。
基于所述铁矿石优化图像确定聚类中心,所述聚类中心的表达式如下:
;
其中,表示第j个聚类中心的坐标,表示该聚类中心的位置,/>表示隶属度矩阵中的一个元素,是基于所述初始隶属度矩阵更新得到的,n表示数据点的总量,/>表示数据点的坐标,表示第i个数据点的位置。
通过迭代计算所述隶属度矩阵和所述聚类中心,以使目标函数的值不断减小,当所述目标函数的值满足收敛条件或达到预设的最大迭代次数时,则输出聚类结果;判断所述目标函数是否满足预设收敛条件;若满足,则停止计算,并确定所述聚类中心和所述隶属矩阵,并将所述聚类中心作为最佳阈值并对所述铁矿石优化图像进行分割,得到中间分割图像;将所述中间分割图像二值化,并利用距离变换、腐蚀和膨胀操作生成所述中间分割图像的掩膜;利用基于距离变换的 WA算法对所述掩膜中的矿石粘连边缘进行分割,并基于FCM-WA算法进行去除小空洞操作,以保证矿石的完整性,得到所述铁矿石边缘图像。
可选地,所述目标检测模型包括主干网络、特征融合网络以及检测头网络,所述铁矿石边缘图像输入预设的目标检测模型,以确定所述铁矿石边缘图像中铁矿石粒度信息,所述铁矿石粒度信息包括铁矿石边缘图像铁矿石的大小、排布以及数量的步骤,包括:将所述铁矿石边缘图像输入主干网络,以采用卷积层提取特征分别输出三个分支,得到特征图像;将所述特征图像输入特征融合网络,以将不同大小的特征图信息进行整合,得到中间特征图像;将所述中间特征图像进入检测头网络,以通过两次卷积运算改变通道维度, 输出先验框的预测参数,所述预测参数包括目标的坐标信息、类别信息以及置信度信息;根据所述先验框的预测参数确定所述铁矿石边缘图像的粒度信息。
第二方面,本发明提供了一种基于人工智能的铁矿石检测系统,包括:获取模块,用于获取待处理的铁矿石图像,所述铁矿石图像中包含铁矿石和杂质物;降噪模块,用于将所述铁矿石图像进行降噪处理得到铁矿石中间图像;增强模块,用于对铁矿石中间图像进行灰度变换和图像增强处理,得到铁矿石二值化图像;形态学处理模块,用于基于形态学算法对所述铁矿石二值化图像进行滤波处理,以消除所述二值化图像中的噪声和空洞,得到铁矿石优化图像;分割模块,用于对所述铁矿石优化图像进行分割,以确定铁矿石优化图像中铁矿石的闭合边缘,得到铁矿石边缘图像;确定模块,用于将所述铁矿石边缘图像输入预设的目标检测模型,以确定所述铁矿石边缘图像中铁矿石粒度信息,所述铁矿石粒度信息包括铁矿石边缘图像铁矿石的大小、排布以及数量。
本发明实施例的第三方面,提供一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现前述所述的方法。
本发明通过获取待处理的铁矿石图像,将所述铁矿石图像进行降噪处理、灰度变换以及图像增强处理,得到铁矿石二值化图像;基于形态学算法对所述铁矿石二值化图像进行滤波处理,以消除所述二值化图像中的噪声和空洞,得到铁矿石优化图像;对所述铁矿石优化图像进行分割,以确定铁矿石优化图像中铁矿石的闭合边缘,得到铁矿石边缘图像;最后将所述铁矿石边缘图像输入预设的目标检测模型,以确定所述铁矿石边缘图像中铁矿石粒度信息,所述铁矿石粒度信息包括铁矿石边缘图像铁矿石的大小、排布以及数量,基于现场获取的铁矿石图像可以直接分析出铁矿石的粒度信息,代替人工分拣和机器筛选的传统方式,在实际生产中可以更加快捷的反馈铁矿石的粒度信息。
本发明实施例的有益效果可以参考具体实施方式中技术特征对应的技术效果,在此不再赘述。
附图说明
图1为本发明实施例一种基于人工智能的铁矿石检测方法流程示意图;
图2为本发明提供得步骤S102的流程示意图;
图3为本发明提供得步骤S103的流程示意图;
图4为本发明提供得步骤S104的流程示意图;
图5为本发明提供得步骤S105的流程示意图;
图6为本发明提供得步骤S106的流程示意图;
图7为本发明实施例一种基于人工智能的铁矿石检测系统模块示意图;
图8为本发明10次迭代情况下位置损失对应的效果图;
图9为本发明10次迭代情况下置信度损失对应的效果图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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、完整地描述,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。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
首先,本发明实施例提供了一种基于人工智能的铁矿石检测方法,如图1所示,包括:
步骤S101,获取待处理的铁矿石图像,所述铁矿石图像中包含铁矿石和杂质物。
在本发明实施例中,获取待处理的铁矿石图像。这里的铁矿石图像是指通过摄像机、扫描仪或其他图像采集设备获取的包含铁矿石和可能存在的杂质物的图像。例如,我们将待处理的铁矿石样本放置在一个特定的装置上,利用高分辨率的摄像机对其进行拍摄。这样就得到了一系列的铁矿石图像,其中每个图像都包含了铁矿石的形状、颜色和纹理等特征。
步骤S102,将所述铁矿石图像进行降噪处理得到铁矿石中间图像。
在本发明实施例中,降噪处理是指通过图像处理算法去除图像中的噪声,使得图像更加清晰和可分析。在这一步骤中,我们可以使用高斯滤波算法对铁矿石图像进行降噪处理。高斯滤波是一种线性平滑滤波器,它通过计算每个像素点周围像素的加权平均值来减少图像中的噪声。例如,对于某个铁矿石图像中的每个像素点,我们可以计算它周围像素的灰度值的加权平均值,并将该平均值作为该像素点的新灰度值。这样就可以去除图像中的噪声,得到铁矿石中间图像。
步骤S103,对铁矿石中间图像进行灰度变换和图像增强处理,得到铁矿石二值化图像。
在本发明实施例中,我们可以使用直方图均衡化等方法对铁矿石中间图像进行灰度变换和增强处理。直方图均衡化是一种常用的图像增强技术,通过调整图像灰度值的分布,使得图像中的细节更加清晰可见。例如,对于某个铁矿石中间图像,我们可以计算其灰度直方图,并根据直方图的分布特征进行灰度变换。通过调整图像的灰度值,我们可以增强铁矿石的对比度和细节,得到铁矿石二值化图像。
步骤S104,基于形态学算法对所述铁矿石二值化图像进行滤波处理,以消除所述二值化图像中的噪声和空洞,得到铁矿石优化图像。
在本发明实施例中,形态学算法是一种基于图像的形状和结构特征的图像处理方法,通过对图像进行腐蚀和膨胀等操作,改变图像的形态和结构,达到滤波和去噪的目的。我们可以使用腐蚀和膨胀等形态学操作对铁矿石二值化图像进行滤波处理。腐蚀操作可以缩小图像中目标物体的大小,去除图像中的小噪点和空洞;膨胀操作可以扩大图像中目标物体的大小,填补图像中的空隙和断裂。例如,对于某个铁矿石二值化图像,我们可以使用腐蚀操作去除图像中的小噪点,然后使用膨胀操作填补图像中的空洞,得到铁矿石优化图像。
步骤S105,对所述铁矿石优化图像进行分割,以确定铁矿石优化图像中铁矿石的闭合边缘,得到铁矿石边缘图像。
在本发明实施例中,图像分割是指将图像中的目标物体从背景中分离出来,得到目标物体的边缘信息。在这一步骤中,我们可以使用图像分割算法对铁矿石优化图像进行分割。常用的图像分割算法包括阈值分割、区域生长和边缘检测等方法。例如,对于某个铁矿石优化图像,我们可以使用阈值分割算法,将图像中灰度值高于某个阈值的像素标记为目标物体,灰度值低于阈值的像素标记为背景。这样就可以得到铁矿石边缘图像,其中包含了铁矿石的边缘信息。
步骤S106,将所述铁矿石边缘图像输入预设的目标检测模型,以确定所述铁矿石边缘图像中铁矿石粒度信息,所述铁矿石粒度信息包括铁矿石边缘图像铁矿石的大小、排布以及数量。
在这一步骤中,我们将铁矿石边缘图像输入预先训练好的目标检测模型,该模型是通过深度学习算法构建的神经网络模型。目标检测模型具备识别和定位图像中目标物体的能力,可以自动检测并标记出铁矿石的边缘。例如,我们将铁矿石边缘图像输入目标检测模型,并利用模型对图像进行特征提取和分析。模型会识别出图像中的铁矿石边缘,并给出每个铁矿石边缘的位置和大小信息。
通过目标检测模型,我们可以得到铁矿石的粒度信息,包括铁矿石的大小、排布和数量等。例如,模型可以给出每个铁矿石边缘的像素坐标,通过计算像素坐标之间的距离和相对位置,可以确定铁矿石的大小和排布情况。同时,根据边缘的数量,可以推断出铁矿石的数量。
综上所示,通过本发明实施例我们可以获得准确的铁矿石粒度信息,这些信息对于评估破碎效果和优化选矿设备的工艺参数具有重要意义。根据得到的粒度信息,我们可以及时调节破碎机排矿口的大小,提高破碎机选矿的工作效率和破碎精度,从而提高选矿生产的效益。
在本发明提供的又一实施例中,步骤S102,将所述铁矿石图像进行降噪处理得到铁矿石中间图像的步骤,如图2所示,包括:
步骤S1021,确定所述铁矿石中间图像中的中心像素点。
在这一步骤中,我们需要确定铁矿石中间图像的中心像素点。可以根据图像的尺寸和像素坐标计算得到中心像素点的位置。例如,对于一个铁矿石中间图像,假设图像的宽度为W,高度为H,则中心像素点的坐标可以计算为(W/2, H/2)。
步骤S1022,提取所述铁矿石中间图像中的像素点,计算各像素点与所述中心像素点的距离,以根据高斯函数计算各像素点的权重,得到各像素点的权重。
在这一步骤中,我们需要提取铁矿石中间图像中的每个像素点,并计算每个像素点与中心像素点之间的距离。根据高斯函数的定义,我们可以使用距离来计算每个像素点的权重。例如,假设某个像素点的坐标为(x, y),中心像素点的坐标为(cx, cy),则该像素点与中心像素点之间的距离可以计算为:distance = sqrt((x-cx)^2 + (y-cy)^2)。然后,根据高斯函数的定义,我们可以使用距离来计算每个像素点的权重。高斯函数可以使用以下公式表示:weight = exp(-(distance^2) / (2 * sigma^2)),其中sigma是高斯函数的标准差,通过计算,我们可以得到每个像素点的权重。
步骤S1023,将所述各像素点的权重进行归一化处理,并针对各个像素点,将高斯核中心放在该像素点位置上,并计算高斯核中每个位置的权重。将权重与对应位置的像素值相乘,并将所有乘积求和,得到该像素点的加权平均值,作为该像素点的新值。
在这一步骤中,我们需要对各个像素点的权重进行归一化处理。通过将各个像素点的权重除以权重的总和,可以将权重归一化为和为1的概率分布。然后,针对每个像素点,我们将高斯核中心放在该像素点的位置上,并计算高斯核中每个位置的权重。将权重与对应位置的像素值相乘,并将所有乘积求和,得到该像素点的加权平均值,作为该像素点的新值。
步骤S1024,重复以上步骤,遍历整个所述铁矿石图像,直到各像素点都更新像素点的新值,得到高斯滤波处理后的铁矿石中间图像。
在这一步骤中,我们需要重复以上步骤,遍历整个铁矿石图像,对每个像素点进行高斯滤波处理,直到所有像素点都更新了新值。这样,我们就可以得到经过高斯滤波处理后的铁矿石中间图像。
通过本发明实施例,我们可以对铁矿石图像进行高斯滤波处理,去除图像中的噪声,使图像更加清晰和可分析。这样就可以在后续步骤中对铁矿石图像进行进一步的分析和处理,以获得铁矿石的粒度信息。
在本发明提供又一实施例中,步骤S103,对铁矿石中间图像进行灰度变换和图像增强处理,得到铁矿石二值化图像的步骤,如图3所示,包括:
步骤S1031,计算所述铁矿石中间图像中各像素点的灰度值。
在这一步骤中,我们需要计算铁矿石中间图像中各个像素点的灰度值。灰度值表示了图像中像素点的亮度程度,通常使用0到255的整数表示。对于彩色图像,可以将每个像素点的RGB值进行加权平均,得到一个灰度值。常用的加权平均公式是:gray = 0.299 * R+ 0.587 * G + 0.114 * B,其中R、G、B分别表示红、绿、蓝通道的值,对于灰度图像,灰度值就是像素点的值本身,通过计算,可以得到铁矿石中间图像中各个像素点的灰度值。
步骤S1032,将所述铁矿石中间图像中各像素点的灰度值设置成一维数组,并设置矩形窗口遍历所述一维数组,以确定各像素点的二值化阈值。
在这一步骤中,我们需要将铁矿石中间图像中各个像素点的灰度值设置成一维数组,并通过设置矩形窗口遍历该一维数组,以确定各个像素点的二值化阈值。首先,我们将图像中各个像素点的灰度值按照从左到右、从上到下的顺序排列成一维数组。然后,我们设置一个矩形窗口,该窗口的大小和位置可以根据具体需求进行设定。通过遍历该一维数组,我们可以依次获取窗口内的灰度值。在窗口内,我们可以统计灰度值的分布情况,例如计算灰度值的平均值、方差等统计指标。根据统计结果,可以确定一个合适的二值化阈值。
具体地,本发明实施例还提供了一种步骤S1032的具体实施方式,步骤S1032,将所述铁矿石中间图像中各像素点的灰度值设置成一维数组,并设置矩形窗口遍历所述一维数组,以确定各像素点的二值化阈值的计算公式如下:
;
其中,为所述铁矿石中间图像中位于点n处的像素点的灰度值,/>表示其i点处的灰度值,所述一维数组里第n点处的用于分割的二值化阈值为位于该点之前的s个像素点的灰度值的均值,用/>来表示前的s个像素点的灰度值的均值,即n处像素点的二值化阈值。
步骤S1033,根据各像素点的灰度值和所述二值化阈值确定所述铁矿石二值化图像。
在这一步骤中,我们根据各个像素点的灰度值和之前确定的二值化阈值,来确定铁矿石的二值化图像。对于每个像素点,我们比较其灰度值和二值化阈值的大小关系。如果灰度值大于等于阈值,则将该像素点设置为白色(表示目标物体),否则设置为黑色(表示背景)。通过这样的处理,我们就可以得到一个二值化图像,其中铁矿石区域被提取出来,便于后续的分析和处理,综合以上步骤,可以通过计算灰度值和二值化处理,得到铁矿石的二值化图像,从而可以更好地进行后续的矿石粒度分析和处理。
具体地,本发明实施例还提供了一种步骤S1033的具体实施方式,步骤S1033,根据各像素点的灰度值和所述二值化阈值确定所述铁矿石二值化图像的计算公式如下:
;
;
;
;
表示使用所述二值化阈值分割后的二值化中间图像,/>表示各像素点的二值化阈值用其所处的矩形窗口内平均灰度值计算出的值,/>表示所述各像素点对应的所述二值化阈值,/>表示所述铁矿石二值化图像。
在本发明提供的又一实施例中,步骤S104,基于形态学算法对所述铁矿石二值化图像进行滤波处理,以消除所述二值化图像中的噪声和空洞,得到铁矿石优化图像的步骤,如图4所示,包括:
步骤S1041:确定所述形态学算法对应的结构元素矩阵,以对消除所述铁矿石二值化图像中的噪声点与灰暗孔洞。
在这一步骤中,我们需要确定形态学算法所使用的结构元素矩阵,以对消除铁矿石二值化图像中的噪声点和灰暗孔洞。结构元素矩阵可以是各种形状的矩阵,如矩形、圆形、十字等。根据具体情况,我们可以选择合适的结构元素矩阵。对于噪声点的消除,我们可以选择较小的结构元素矩阵,使其能够覆盖到噪声点,并对其进行形态学腐蚀操作,从而将噪声点消除。对于灰暗孔洞的消除,我们可以选择较大的结构元素矩阵,使其能够覆盖到孔洞,并对其进行形态学腐蚀操作,从而填充孔洞。通过确定合适的结构元素矩阵,我们可以更好地对铁矿石二值化图像中的噪声点和灰暗孔洞进行消除。
步骤S1042:根据所述结构元素矩阵将所述铁矿石二值化图像进行形态学腐蚀重构,并进行取反,得到与所述铁矿石二值化图像对应的补图像。
在这一步骤中,我们需要根据之前确定的结构元素矩阵,对铁矿石二值化图像进行形态学腐蚀重构操作,并将结果取反,得到与铁矿石二值化图像对应的补图像。形态学腐蚀重构操作是通过将结构元素矩阵与图像进行逐像素的比较,并将结构元素矩阵中的所有元素都与图像对应位置的像素值进行比较。只有当结构元素矩阵中的所有元素都与图像对应位置的像素值相匹配时,该位置的像素值才被保留,否则被置为0。通过形态学腐蚀重构操作,我们可以消除图像中的细小结构和噪声点,并得到对应的补图像。
步骤S1043:对所述补图像进行形态学腐蚀重构并进行取反,得到与所述补图像对应的优化图像。
在这一步骤中,我们需要对补图像进行形态学腐蚀重构操作,并将结果取反,得到与补图像对应的优化图像。形态学腐蚀重构操作与之前的步骤相似,通过将结构元素矩阵与图像进行逐像素的比较,并根据比较结果进行像素值的更新。不同的是,这次我们对补图像进行操作。通过形态学腐蚀重构操作,并将结果取反,我们可以进一步消除图像中的细小结构和噪声点,并得到对应的优化图像。
步骤S1044:基于所述优化图像进行形态学开运算,得到所述铁矿石优化图像。
在这一步骤中,我们需要基于优化图像进行形态学开运算,以得到铁矿石的优化图像。形态学开运算是先进行形态学腐蚀操作,再进行形态学膨胀操作的组合。形态学腐蚀操作可以去除图像中的细小结构和噪声点,而形态学膨胀操作可以填充图像中的空洞和连接断裂的区域。
通过形态学开运算,我们可以进一步优化铁矿石的图像,去除残余的噪声和孔洞,得到更加清晰和准确的铁矿石优化图像。综合以上步骤,可以通过形态学算法对铁矿石二值化图像进行处理,消除噪声点和灰暗孔洞,并得到优化图像,从而为后续的矿石粒度分析和处理提供更好的基础。
在本发明提供的又一实施例中,步骤S105,对所述铁矿石优化图像进行分割,以确定铁矿石优化图像中铁矿石的闭合边缘,得到铁矿石边缘图像的步骤,如图5所示,包括:
步骤S1051,基于所述铁矿石优化图像设定初始化参数,以使聚类类别数目c(2≤c≤255)。
在这一步骤中,我们需要基于铁矿石优化图像设定初始化参数,以确定聚类的类别数目c。聚类是将数据集按照某种相似性度量划分为若干个类别的过程。初始化参数包括聚类的类别数目c,一般可以根据经验或领域知识来设定。在本情境中,我们需要设定合适的类别数目来对铁矿石图像进行聚类分割。根据具体需求和实际情况,我们可以设定聚类的类别数目c,确保其满足2≤c≤255的范围。
步骤S1052,基于所述铁矿石优化图像计算初始隶属度矩阵。
在这一步骤中,我们需要基于铁矿石优化图像计算初始的隶属度矩阵。隶属度矩阵用于表示每个像素点属于每个聚类的隶属度,所述隶属度矩阵公式如下:
;
其中,表示隶属度矩阵中的一个元素,表示数据点/>属于聚类中心/>的隶属度,/>的值的范围在0到1之间,越接近1表示隶属度越高,/>表示数据点/>和聚类中心/>之间的欧氏距离,用于度量数据点/>和聚类中心/>之间的空间距离,/>表示数据点/>和另一个聚类中心/>之间的欧氏距离,m表示模糊指数,用于控制隶属度矩阵的模糊程度。
步骤S1053,基于所述铁矿石优化图像确定聚类中心。
在这一步骤中,我们需要基于铁矿石优化图像确定聚类的中心。聚类中心是代表每个类别的中心点,用于度量像素点与类别中心的相似度,所述聚类中心的表达式如下:
;
其中,表示第j个聚类中心的坐标,表示该聚类中心的位置,/>表示隶属度矩阵中的一个元素,是基于所述初始隶属度矩阵更新得到的,n表示数据点的总量,/>表示数据点的坐标,表示第i个数据点的位置。
步骤S1054,通过迭代计算所述隶属度矩阵和所述聚类中心,以使目标函数的值不断减小,当所述目标函数的值满足收敛条件或达到预设的最大迭代次数时,则输出聚类结果。
通过迭代计算隶属度矩阵和聚类中心,我们可以不断减小目标函数的值,从而得到更好的聚类结果。迭代计算的具体方法可以采用FCM算法或其他聚类算法的变种。当目标函数的值满足收敛条件或达到预设的最大迭代次数时,我们可以输出最终的聚类结果。
步骤S1055:判断所述目标函数是否满足预设收敛条件。
在这一步骤中,我们需要判断目标函数是否满足预设的收敛条件。收敛条件是指目标函数的变化足够小,即聚类结果已经趋于稳定,不再发生明显的变化。具体的收敛条件可以根据实际情况来设定,如目标函数的变化率小于某个阈值或目标函数的绝对值变化小于某个阈值等。通过判断目标函数是否满足预设的收敛条件,我们可以确定是否需要继续迭代计算或停止计算。
步骤S1056:若满足,则停止计算,并确定所述聚类中心和所述隶属矩阵,并将所述聚类中心作为最佳阈值并对所述铁矿石优化图像进行分割,得到中间分割图像。
在这一步骤中,如果目标函数满足预设的收敛条件,我们将停止计算,并确定最终的聚类中心和隶属矩阵。聚类中心可以作为最佳阈值,用于将铁矿石优化图像进行分割。通过与聚类中心的比较,我们可以将像素点划分为不同的类别,得到中间分割图像。
步骤S1057:将所述中间分割图像二值化,并利用距离变换、腐蚀和膨胀操作生成所述中间分割图像的掩膜。
在这一步骤中,我们将中间分割图像进行二值化操作,将各个类别的像素点设为前景(白色),其余像素点设为背景(黑色)。然后,我们可以利用距离变换、腐蚀和膨胀等形态学操作,生成中间分割图像的掩膜。距离变换可以计算出每个像素点到最近前景像素点的距离,腐蚀操作可以去除边缘部分的噪声点,膨胀操作可以填充空洞。通过生成掩膜,我们可以更好地区分矿石和背景,并为下一步的矿石边缘分割做准备。
步骤S1058:利用基于距离变换的WA算法对所述掩膜中的矿石粘连边缘进行分割,并基于FCM-WA算法进行去除小空洞操作,以保证矿石的完整性,得到所述铁矿石边缘图像。
在这一步骤中,我们利用基于距离变换的WA(Watershed Algorithm)算法对掩膜中的矿石粘连边缘进行分割,基于FCM(Fuzzy C-means,模糊C均值聚类)-WA算法进行去除小空洞操作。
具体举例说明如下:首先,我们有一个生成的掩膜图像,其中白色表示矿石区域,黑色表示背景区域。掩膜图像经过距离变换操作,计算每个像素点到最近前景像素点的距离。距离变换可以得到一个灰度图像,其中像素值表示该像素点到最近前景像素点的距离。掩膜图像经过WA算法进行分水岭分割。WA算法基于距离变换图像,将图像看作地形,距离变换图像的像素值表示地形高度。通过在地形中的低洼处放置水,然后让水从低洼处开始流动,最终形成分水岭。分水岭将图像划分为多个区域,其中每个区域代表一个独立的目标。
分水岭分割会产生很多细小的区域和噪声,为了去除这些小空洞并保持矿石的完整性,我们可以基于FCM-WA算法进行去除小空洞操作。FCM-WA算法结合了模糊C均值(FCM)聚类和WA算法,能够更准确地去除小空洞。通过对分割后的图像进行FCM聚类,将每个像素点分配到最接近的矿石类别。然后,再次使用WA算法进行分割,但这次将只考虑矿石类别的像素点。这样可以去除小空洞并保持矿石的完整性。
最终,我们得到了铁矿石边缘图像,其中矿石边缘被清晰地分割出来,并且小空洞被去除,保持了矿石的完整性。这个边缘图像可以用于进一步的矿石形状分析和处理。
在本发明提供的又一实施例中,所述目标检测模型包括主干网络、特征融合网络以及检测头网络,所述铁矿石边缘图像输入预设的目标检测模型,以确定所述铁矿石边缘图像中铁矿石粒度信息,所述铁矿石粒度信息包括铁矿石边缘图像铁矿石的大小、排布以及数量的步骤,如图6所示,包括:
步骤S1061:将所述铁矿石边缘图像输入主干网络,以采用卷积层提取特征分别输出三个分支,得到特征图像。
在这一步骤中,我们将铁矿石边缘图像输入主干网络,主干网络采用卷积层来提取特征。通常情况下,主干网络是一个深度卷积神经网络(CNN,Convolutional NeuralNetwork),通过多层卷积操作可以逐渐提取出图像的高级语义特征。
在本发明实施例描述的方法中,主干网络输出的特征图像有三个分支。这三个分支可能是不同尺度的特征图像,这样可以捕捉到不同层次的特征信息。通过这样的多尺度特征提取,可以提高模型对不同大小的铁矿石颗粒的检测能力。
步骤S1062:将所述特征图像输入特征融合网络,以将不同大小的特征图信息进行整合,得到中间特征图像。
在这一步骤中,我们将前一步得到的特征图像输入特征融合网络,目的是将不同尺度的特征图信息进行整合。特征融合网络可以采用一些特定的结构,如残差连接、金字塔池化等,以有效地融合不同尺度的特征信息。通过特征融合网络的操作,我们可以得到一个中间特征图像,其中包含了来自不同尺度的特征信息。这样的中间特征图像可以更全面地表示铁矿石的特征,有助于后续的目标检测操作。
步骤S1063:将所述中间特征图像进入检测头网络,以通过两次卷积运算改变通道维度,输出先验框的预测参数,所述预测参数包括目标的坐标信息、类别信息以及置信度信息。
在这一步骤中,我们将中间特征图像输入检测头网络,检测头网络利用两次卷积运算来改变通道维度,最终输出先验框的预测参数。先验框的预测参数包括目标的坐标信息、类别信息以及置信度信息。目标的坐标信息用于确定铁矿石颗粒在图像中的位置和大小,类别信息用于判断铁矿石的类型,置信度信息用于评估预测结果的可靠性。通过检测头网络的操作,我们可以得到对铁矿石边缘图像进行目标检测的预测结果。
步骤S1064:根据所述先验框的预测参数确定所述铁矿石边缘图像的粒度信息。
在这一步骤中,我们根据先验框的预测参数来确定铁矿石边缘图像的粒度信息。先验框的预测参数中包含了目标的坐标信息,我们可以根据目标在图像中的位置和大小来确定铁矿石的粒度。通过对预测结果的分析和处理,我们可以得到铁矿石边缘图像的粒度信息,这可以作为评价破碎效果和矿石加工质量的重要指标。具体地,在实际应用中,我们将结合上述步骤进行更进一步的解释:
步骤S1061:将所述铁矿石边缘图像输入主干网络,以采用卷积层提取特征分别输出三个分支,得到特征图像。
具体举例,假设我们的主干网络采用了ResNet-50模型,其输入为铁矿石边缘图像。我们可以使用卷积层对图像进行特征提取,例如采用3x3的卷积核进行卷积操作,得到一个特征图像。
ResNet-50模型具有多个残差块,每个残差块包含多个卷积层和标识映射(identity mapping)。通过堆叠这些残差块,我们可以逐渐提取出图像的高级语义特征。
对于每个残差块,我们可以分别输出三个分支的特征图像。例如,第一个分支可以在残差块的第一个卷积层后输出特征图像,第二个分支可以在残差块的第二个卷积层后输出特征图像,第三个分支可以在残差块的最后一个卷积层后输出特征图像。
步骤S1062:将所述特征图像输入特征融合网络,以将不同大小的特征图信息进行整合,得到中间特征图像。
具体举例,假设我们的特征融合网络采用了金字塔池化(pyramid pooling)的方法来整合不同大小的特征图信息。金字塔池化将不同大小的特征图像分别进行池化操作,然后将池化后的特征图像进行拼接。例如,对于第一个分支的特征图像,我们可以使用不同大小的池化核进行池化操作,得到不同大小的特征图像。然后,将这些不同大小的特征图像进行拼接,得到一个整合了不同大小特征图信息的中间特征图像。
步骤S1063:将所述中间特征图像进入检测头网络,以通过两次卷积运算改变通道维度,输出先验框的预测参数,所述预测参数包括目标的坐标信息、类别信息以及置信度信息。
具体举例,假设我们的检测头网络采用了YOLOv3的结构,其中包括两次卷积运算来改变通道维度,并输出先验框的预测参数。首先,我们可以使用1x1的卷积核对中间特征图像进行卷积操作,以减少通道维度。例如,如果中间特征图像的通道数为256,我们可以使用1x1的卷积核将通道数减少为75(5个先验框的预测参数,每个先验框包括目标的坐标信息、类别信息以及置信度信息)。然后,我们再次使用1x1的卷积核对减少通道维度后的特征图像进行卷积操作,以得到最终的预测参数。这些预测参数包括目标的坐标信息、类别信息以及置信度信息,用于确定铁矿石边缘图像中的粒度信息。
步骤S1064:根据所述先验框的预测参数确定所述铁矿石边缘图像的粒度信息。
具体举例,假设我们的先验框的预测参数中包含了目标的坐标信息,我们可以根据目标在图像中的位置和大小来确定铁矿石的粒度。例如,我们可以计算目标的宽度和高度,然后根据一定的规则将其映射为具体的粒度信息。具体的映射规则可以根据实际情况和需求来确定,例如可以使用像素值或者与实际粒度相关的参数进行映射。通过对预测结果的分析和处理,我们可以得到铁矿石边缘图像的粒度信息,从而评估破碎效果和矿石加工质量。
示例性地,本申请为了提高目标检测模型的精度,可以隔一段时间对模型的精准度进行测试。测试时,将测试集图片经预处理输入到训练过后的目标检测模型中去,得到输出预测框位置值和置信度值。 对预测框位置值进行解码( decode),并和24564个先验框比较,通过筛选规则将conf值小于给定阈值的框筛除掉。可以得到很多互相重叠的框,对这些框运用NMS(非极大值抑制)算法,即可得到最终的框选结果,根据预测结果可以分析出此时目标检测模型的学习情况。
其中,图8和图9分别是10次迭代情况下位置损失对应的效果图,以及10次迭代情况下置信度损失对应的效果图,在0-500次迭代时,训练损失下降较慢,在迭代500次后,训练损失下降速度开始加快,在迭代1000次后,训练损失趋于平滑其中位置损失值在0.15附近波动,置信度损失值在0.75附近波动,网络趋于稳定。
为了进一步说明本申请的检测效果,给出与现有技术的对比结果数据如下表1所示:
表1:不同算法的检测效果偏差值
实际应用中,偏差值越大,说明目标检测效果越差,偏差值越小,说明目标检测效果越好,本申请的方法明显优于现有的技术手段。
本发明还提供了一种基于人工智能的铁矿石检测系统,如图7所示,包括:
获取模块01,用于获取待处理的铁矿石图像,所述铁矿石图像中包含铁矿石和杂质物;降噪模块02,用于将所述铁矿石图像进行降噪处理得到铁矿石中间图像;增强模块03,用于对铁矿石中间图像进行灰度变换和图像增强处理,得到铁矿石二值化图像;形态学处理模块04,用于基于形态学算法对所述铁矿石二值化图像进行滤波处理,以消除所述二值化图像中的噪声和空洞,得到铁矿石优化图像;分割模块05,用于对所述铁矿石优化图像进行分割,以确定铁矿石优化图像中铁矿石的闭合边缘,得到铁矿石边缘图像;确定模块06,用于将所述铁矿石边缘图像输入预设的目标检测模型,以确定所述铁矿石边缘图像中铁矿石粒度信息,所述铁矿石粒度信息包括铁矿石边缘图像铁矿石的大小、排布以及数量。
本发明实施例还提供一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为调用所述存储器存储的指令,以执行前述所述的方法。
本发明实施例的第四方面,提供一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现前述所述的方法。
本发明可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于执行本发明的各个方面的计算机可读程序指令。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (8)
1.一种基于人工智能的铁矿石检测方法,其特征在于,包括:
获取待处理的铁矿石图像,所述铁矿石图像中包含铁矿石和杂质物;
将所述铁矿石图像进行降噪处理得到铁矿石中间图像;
对铁矿石中间图像进行灰度变换和图像增强处理,得到铁矿石二值化图像;
基于形态学算法对所述铁矿石二值化图像进行滤波处理,以消除所述二值化图像中的噪声和空洞,得到铁矿石优化图像;
对所述铁矿石优化图像进行分割,以确定铁矿石优化图像中铁矿石的闭合边缘,得到铁矿石边缘图像;
将所述铁矿石边缘图像输入预设的目标检测模型,以确定所述铁矿石边缘图像中铁矿石粒度信息,所述铁矿石粒度信息包括铁矿石边缘图像铁矿石的大小、排布以及数量;
其中,所述目标检测模型是基于深度卷积神经网络构建,通过多层卷积操作逐渐提取出铁矿石边缘图像的高级语义特征;
所述目标检测模型包括主干网络、特征融合网络以及检测头网络,所述铁矿石边缘图像输入预设的目标检测模型,以确定所述铁矿石边缘图像中铁矿石粒度信息,所述铁矿石粒度信息包括铁矿石边缘图像铁矿石的大小、排布以及数量的步骤,包括:
将所述铁矿石边缘图像输入主干网络,以采用卷积层提取特征分别输出三个分支,得到特征图像;
将所述特征图像输入特征融合网络,以将不同大小的特征图信息进行整合,得到中间特征图像;
将所述中间特征图像进入检测头网络,以通过两次卷积运算改变通道维度, 输出先验框的预测参数,所述预测参数包括目标的坐标信息、类别信息以及置信度信息;
根据所述先验框的预测参数确定所述铁矿石边缘图像的粒度信息。
2.根据权利要求1所述的方法,其特征在于,将所述铁矿石图像进行降噪处理得到铁矿石中间图像的步骤,包括:
确定所述铁矿石中间图像中的中心像素点;
提取所述铁矿石中间图像中的像素点,计算各像素点与所述中心像素点的距离,以根据高斯函数计算各像素点的权重,得到各像素点的权重;
将所述各像素点的权重进行归一化处理,并针对各个像素点,将高斯核中心放在该像素点位置上,并计算高斯核中每个位置的权重;将权重与对应位置的像素值相乘,并将所有乘积求和,得到该像素点的加权平均值,作为该像素点的新值;
重复以上步骤,遍历整个所述铁矿石图像,直到各像素点都更新像素点的新值,得到高斯滤波处理后的铁矿石中间图像。
3.根据权利要求1所述的方法,其特征在于,对铁矿石中间图像进行灰度变换和图像增强处理,得到铁矿石二值化图像的步骤,包括
计算所述铁矿石中间图像中各像素点的灰度值;
将所述铁矿石中间图像中各像素点的灰度值设置成一维数组,并设置矩形窗口遍历所述一维数组,以确定各像素点的二值化阈值;
根据各像素点的灰度值和所述二值化阈值确定所述铁矿石二值化图像。
4.根据权利要求3所述的方法,其特征在于,将所述铁矿石中间图像中各像素点的灰度值设置成一维数组,并设置矩形窗口遍历所述一维数组,以确定各像素点的二值化阈值的计算公式如下:
;
其中,为所述铁矿石中间图像中位于点n处的像素点的灰度值,/>表示其i点处的灰度值,所述一维数组里第n点处的用于分割的二值化阈值为位于该点之前的s个像素点的灰度值的均值,用/>来表示前的s个像素点的灰度值的均值,即n处像素点的二值化阈值。
5.根据权利要求4所述的方法,其特征在于,根据各像素点的灰度值和所述二值化阈值确定所述铁矿石二值化图像的计算公式如下:
;
;
;
;
表示使用所述二值化阈值分割后的二值化中间图像,/>表示各像素点的二值化阈值用其所处的矩形窗口内平均灰度值计算出的值,/>表示所述各像素点对应的所述二值化阈值,/>表示所述铁矿石二值化图像。
6.根据权利要求1所述的方法,其特征在于,基于形态学算法对所述铁矿石二值化图像进行滤波处理,以消除所述二值化图像中的噪声和空洞,得到铁矿石优化图像的步骤,包括:
确定所述形态学算法对应的结构元素矩阵,以对消除所述铁矿石二值化图像中的噪声点与灰暗孔洞;
根据所述结构元素矩阵将所述铁矿石二值化图像进行形态学腐蚀重构,并进行取反,得到与所述铁矿石二值化图像对应的补图像;
对所述补图像进行形态学腐蚀重构并进行取反,得到与所述补图像对应的优化图像;
基于所述优化图像进行形态学开运算,得到所述铁矿石优化图像。
7.一种基于人工智能的铁矿石检测系统,其特征在于,包括:
获取模块,用于获取待处理的铁矿石图像,所述铁矿石图像中包含铁矿石和杂质物;
降噪模块,用于将所述铁矿石图像进行降噪处理得到铁矿石中间图像;
增强模块,用于对铁矿石中间图像进行灰度变换和图像增强处理,得到铁矿石二值化图像;
形态学处理模块,用于基于形态学算法对所述铁矿石二值化图像进行滤波处理,以消除所述二值化图像中的噪声和空洞,得到铁矿石优化图像;
分割模块,用于对所述铁矿石优化图像进行分割,以确定铁矿石优化图像中铁矿石的闭合边缘,得到铁矿石边缘图像;
确定模块,用于将所述铁矿石边缘图像输入预设的目标检测模型,以确定所述铁矿石边缘图像中铁矿石粒度信息,所述铁矿石粒度信息包括铁矿石边缘图像铁矿石的大小、排布以及数量。
8.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至6中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311235003.9A CN116977827A (zh) | 2023-09-25 | 2023-09-25 | 一种基于人工智能的铁矿石检测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311235003.9A CN116977827A (zh) | 2023-09-25 | 2023-09-25 | 一种基于人工智能的铁矿石检测方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116977827A true CN116977827A (zh) | 2023-10-31 |
Family
ID=88477140
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311235003.9A Pending CN116977827A (zh) | 2023-09-25 | 2023-09-25 | 一种基于人工智能的铁矿石检测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116977827A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117994318A (zh) * | 2024-04-07 | 2024-05-07 | 山东瑞福锂业有限公司 | 一种矿石传送过程中的粒度检测方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210090219A1 (en) * | 2020-01-13 | 2021-03-25 | Jiangxi University Of Science And Technology | Salt and pepper noise filtering method and device based on morphological component analysis |
CN113240663A (zh) * | 2021-05-31 | 2021-08-10 | 西安建筑科技大学 | 一种基于边缘响应融合算法的传送带矿石粒度检测方法 |
CN114494696A (zh) * | 2022-01-26 | 2022-05-13 | 安徽理工大学 | 一种多尺度煤矸图像快速检测的方法、系统及装置 |
CN114862883A (zh) * | 2022-05-05 | 2022-08-05 | 长安大学 | 一种目标边缘提取方法、图像分割方法及系统 |
CN114897816A (zh) * | 2022-05-09 | 2022-08-12 | 安徽工业大学 | 基于改进掩膜的Mask R-CNN矿物颗粒识别以及粒度检测方法 |
CN115294066A (zh) * | 2022-08-09 | 2022-11-04 | 重庆科技学院 | 一种砂石粒径检测方法 |
CN115375660A (zh) * | 2022-08-24 | 2022-11-22 | 陕西陕煤曹家滩矿业有限公司 | 一种放顶煤过程中煤矸石质量确定方法及系统 |
WO2023132935A1 (en) * | 2022-01-07 | 2023-07-13 | Schlumberger Technology Corporation | Systems and methods for segmenting rock particle instances |
CN116452506A (zh) * | 2023-03-13 | 2023-07-18 | 中国矿业大学(北京) | 一种基于机器学习的井下煤矸石智能视觉识别分选方法 |
-
2023
- 2023-09-25 CN CN202311235003.9A patent/CN116977827A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210090219A1 (en) * | 2020-01-13 | 2021-03-25 | Jiangxi University Of Science And Technology | Salt and pepper noise filtering method and device based on morphological component analysis |
CN113240663A (zh) * | 2021-05-31 | 2021-08-10 | 西安建筑科技大学 | 一种基于边缘响应融合算法的传送带矿石粒度检测方法 |
WO2023132935A1 (en) * | 2022-01-07 | 2023-07-13 | Schlumberger Technology Corporation | Systems and methods for segmenting rock particle instances |
CN114494696A (zh) * | 2022-01-26 | 2022-05-13 | 安徽理工大学 | 一种多尺度煤矸图像快速检测的方法、系统及装置 |
CN114862883A (zh) * | 2022-05-05 | 2022-08-05 | 长安大学 | 一种目标边缘提取方法、图像分割方法及系统 |
CN114897816A (zh) * | 2022-05-09 | 2022-08-12 | 安徽工业大学 | 基于改进掩膜的Mask R-CNN矿物颗粒识别以及粒度检测方法 |
CN115294066A (zh) * | 2022-08-09 | 2022-11-04 | 重庆科技学院 | 一种砂石粒径检测方法 |
CN115375660A (zh) * | 2022-08-24 | 2022-11-22 | 陕西陕煤曹家滩矿业有限公司 | 一种放顶煤过程中煤矸石质量确定方法及系统 |
CN116452506A (zh) * | 2023-03-13 | 2023-07-18 | 中国矿业大学(北京) | 一种基于机器学习的井下煤矸石智能视觉识别分选方法 |
Non-Patent Citations (3)
Title |
---|
杨露菁等: "《智能图像处理及应用》", 中国铁道出版社, pages: 66 - 67 * |
汪毅;郭显久;于晓静;尹祥贵;: "基于二值化的数学形态学生物图像边缘检测算法", 大连水产学院学报, no. 06 * |
蔡改贫;刘占;汪龙;张丹荣;: "基于形态学优化处理的标记符分水岭矿石图像分割", 科学技术与工程, no. 23 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117994318A (zh) * | 2024-04-07 | 2024-05-07 | 山东瑞福锂业有限公司 | 一种矿石传送过程中的粒度检测方法及系统 |
CN117994318B (zh) * | 2024-04-07 | 2024-06-07 | 山东瑞福锂业有限公司 | 一种矿石传送过程中的粒度检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113538433B (zh) | 基于人工智能的机械铸件缺陷检测方法及系统 | |
CN107833220B (zh) | 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法 | |
CN115601374A (zh) | 一种染色体图像分割方法 | |
CN107437243B (zh) | 基于x光图像的轮胎杂质检测方法及装置 | |
CN111681249B (zh) | 基于Grabcut的砂石颗粒的改进分割算法研究 | |
CN116205919B (zh) | 基于人工智能的五金零件生产质量检测方法及系统 | |
CN111815564B (zh) | 一种检测丝锭的方法、装置及丝锭分拣系统 | |
CN110263660A (zh) | 一种自适应场景变化的交通目标检测识别方法 | |
Almogdady et al. | A flower recognition system based on image processing and neural networks | |
CN116977827A (zh) | 一种基于人工智能的铁矿石检测方法和系统 | |
CN115131325A (zh) | 一种基于图像识别分析的断路器故障运维监测方法及系统 | |
CN116823824A (zh) | 基于机器视觉的井下带式输送机降尘检测系统 | |
CN116664565A (zh) | 一种光伏太阳能电池片的隐裂检测方法及系统 | |
CN115272350A (zh) | 一种计算机pcb主板生产质量检测方法 | |
Pushpa et al. | Diseased leaf segmentation from complex background using indices based histogram | |
CN117635615B (zh) | 基于深度学习实现冲孔模具的缺陷检测方法及系统 | |
CN113077452B (zh) | 基于dnn网络和斑点检测算法的苹果树病虫害检测方法 | |
CN117522864B (zh) | 基于机器视觉的欧松板表面瑕疵检测方法 | |
RU2476932C1 (ru) | Автоматизированная система анализа биомедицинских микроизображений для обнаружения и характеризации информативных объектов заданных классов на неоднородном фоне | |
CN116934761B (zh) | 一种乳胶手套缺陷自适应检测方法 | |
CN113850792A (zh) | 一种基于计算机视觉的细胞分类计数方法及系统 | |
CN111210449B (zh) | 一种前列腺癌病理图像中腺体空腔的自动化分割方法 | |
CN109615630A (zh) | 基于图像处理技术的半连续铸造铝硅合金微观组织分析方法 | |
CN115082741A (zh) | 基于图像处理的废旧纺织品分类方法 | |
RU118774U1 (ru) | Автоматизированная система анализа биомедицинских микроизображений для обнаружения и характеризации информативных объектов заданного вида на неоднородном фоне |
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 |