CN118122658B - 一种基于数据深度学习的智能干选系统 - Google Patents
一种基于数据深度学习的智能干选系统 Download PDFInfo
- Publication number
- CN118122658B CN118122658B CN202410571793.6A CN202410571793A CN118122658B CN 118122658 B CN118122658 B CN 118122658B CN 202410571793 A CN202410571793 A CN 202410571793A CN 118122658 B CN118122658 B CN 118122658B
- Authority
- CN
- China
- Prior art keywords
- information
- sample
- image
- shape
- module
- 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
Links
- 238000000926 separation method Methods 0.000 title claims abstract description 81
- 238000013135 deep learning Methods 0.000 title claims abstract description 19
- 230000005540 biological transmission Effects 0.000 claims abstract description 50
- 238000005096 rolling process Methods 0.000 claims abstract description 50
- 238000003709 image segmentation Methods 0.000 claims abstract description 26
- 238000001514 detection method Methods 0.000 claims abstract description 18
- 238000004458 analytical method Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims description 29
- 238000000034 method Methods 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 21
- 238000010276 construction Methods 0.000 claims description 13
- 230000011218 segmentation Effects 0.000 claims description 9
- 239000003245 coal Substances 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 8
- 238000003066 decision tree Methods 0.000 claims description 7
- 239000002699 waste material Substances 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 5
- 239000000463 material Substances 0.000 abstract description 10
- 230000000694 effects Effects 0.000 abstract description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于数据深度学习的智能干选系统,涉及数据处理技术领域。包括:采集干选传送装置内的第一图像,进行图像分割和识别,获得目标物的形状信息;对目标物通过X射线检测,获得目标物特征信息,对多个目标物进行分类,获得分类信息;根据分类信息,进行翻滚状态预测,获得预测翻滚状态信息集,并获取预测形状信息集和预测特征信息集;在传送过程中,持续采集干选传送装置内的第二图像以及进行特征检测,形成第二图像序列和特征信息序列;进行目标物跟踪分析,获得目标物跟踪结果,对目标物进行干选。解决了现有技术中在不同场景下物料分选不够准确的技术问题,达到了提高不同场景下物料分选准确性的技术效果。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种基于数据深度学习的智能干选系统。
背景技术
随着工业自动化技术的飞速发展,干选传送系统在煤炭、矿石等资源的开采和加工过程中扮演着愈发重要的角色,智能化的干选传送系统不仅能够帮助煤矿和矿石加工企业提高生产效率,降低成本,还能够改善工作环境,减少事故风险,为行业的可持续发展注入新的动力。现有的干选系统在面对不同场景下不同的物料,尤其是面对不同尺寸的矿石,难以精确高效地完成物料分选。
发明内容
本申请实施例提供了一种基于数据深度学习的智能干选系统,解决了现有技术中在不同场景下物料分选不够准确的技术问题。
鉴于上述问题,本申请实施例提供了一种基于数据深度学习的智能干选系统。
本申请实施例提供了一种基于数据深度学习的智能干选系统,所述系统包括:
形状信息获取模块,所述形状信息获取模块用于在干选传送装置的第一位置,采集所述干选传送装置内的第一图像,基于深度学习,进行图像分割和识别,获得多个目标物的形状信息,所述多个目标物包括煤矿和废物;
分类模块,所述分类模块用于对所述多个目标物通过X射线检测,获得多个目标物特征信息,结合多个形状信息,对所述多个目标物进行分类,获得多个分类信息;
预测模块,所述预测模块用于根据所述多个分类信息,进行所述多个目标物在所述干选传送装置内传送时的翻滚状态预测,获得多个预测翻滚状态信息集,并获取在所述多个预测翻滚状态信息集下的多个预测形状信息集和多个预测特征信息集;
特征检测模块,所述特征检测模块用于在干选传送装置的传送过程中,持续采集所述干选传送装置内的第二图像以及进行特征检测,形成第二图像序列和特征信息序列;
分析模块,所述分析模块用于基于第二图像序列和特征信息序列,结合所述多个预测形状信息集和多个预测特征信息集,进行目标物跟踪分析,获得多个目标物跟踪结果,对所述多个目标物进行干选。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
形状信息获取模块通过在干选传送装置的第一位置采集第一图像,并应用深度学习技术进行图像分割和识别,从而获取多个目标物,包括煤矿和废物的形状信息。分类模块利用X射线检测获取多个目标物的特征信息,并结合形状信息对目标物进行分类,得到多个分类信息。预测模块根据多个分类信息预测目标物在干选传送装置内传送时的翻滚状态,生成多个预测翻滚状态信息集,并获取在多个预测翻滚状态信息集下的多个预测形状信息集和预测特征信息集。特征检测模块在干选传送装置的传送过程中,持续采集第二图像并进行特征检测,形成第二图像序列和特征信息序列。分析模块基于第二图像序列和特征信息序列,结合多个预测形状信息集和预测特征信息集,进行目标物跟踪分析,得到多个目标物的跟踪结果,从而对这些目标物进行干选处理。解决了现有技术中在不同场景下物料分选不够准确的技术问题,达到了提高不同场景下物料分选准确性的技术效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍,显而易见的,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为本申请实施例提供的一种基于数据深度学习的智能干选系统的结构示意图;
图2为本申请实施例提供的一种基于数据深度学习的智能干选系统的执行流程示意图。
附图标记说明:形状信息获取模块11,分类模块12,预测模块13,特征检测模块14,分析模块15。
具体实施方式
本申请实施例通过提供一种基于数据深度学习的智能干选系统,解决了现有技术中在不同场景下物料分选不够准确的技术问题。
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、完整的描述。显然,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。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要说明的是,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其他步骤或模块。
如图1所示,本申请提供了一种基于数据深度学习的智能干选系统,用于执行如图2所示的流程。其中,所述系统包括:
形状信息获取模块11,所述形状信息获取模块11用于在干选传送装置的第一位置,采集所述干选传送装置内的第一图像,基于深度学习,进行图像分割和识别,获得多个目标物的形状信息,所述多个目标物包括煤矿和废物;
形状信息获取模块11用于获取目标物的形状信息,在干选传送装置的第一位置,第一位置通常是传送带的起始段或某个特定的检测点,采集目标物在传送装置内的图像即第一图像。利用深度学习技术对采集到的图像进行分割和识别,获取多个目标物的形状信息包括目标物的轮廓、大小、长宽比、面积等几何特征,以区分图像中的不同目标物,如煤矿和废物。
进一步而言,所述形状信息获取模块11,包括:
图像采集模块,所述图像采集模块用于在干选传送装置的第一位置,采集所述干选传送装置内的第一图像,所述第一图像包括所述多个目标物的图像;
识别器获取模块,所述识别器获取模块用于构建图像分割分支和形状识别分支并进行连接,获得目标物识别器;
图像处理模块,所述图像处理模块用于基于所述目标物识别器,对所述第一图像进行分割和识别,获得所述多个目标物的多个形状信息。
图像采集模块用于采集目标物的图像,在干选传送装置的第一位置,采集干选传送装置内的第一图像,第一图像包括多个目标物的图像。识别器获取模块通过构建图像分割分支和形状识别分支,并将两个分支相连接,组成目标物识别器。图像分割分支负责将图像中的不同物体或区域分割开来,而形状识别分支则负责对分割后的目标物进行形状识别,目标识别器用于识别目标物的形状信息。图像处理模块利用识别器获取模块构建好的目标物识别器,对图像采集模块获取的第一图像进行分割和识别,具体来说,将图像中的目标物与背景或其他物体进行分割。然后,对分割后的目标物进行形状识别,提取出每个目标物的形状信息。
进一步而言,所述识别器获取模块,包括:
图像分割模块,所述图像分割模块用于基于干选历史数据,获取样本第一图像集合,对每个样本第一图像内多个目标物的图像进行分割和标识,获取样本目标物分割图像集合;
分支构建模块,所述分支构建模块用于基于所述样本第一图像集合和所述样本目标物分割图像集合,构建所述图像分割分支;
标识模块,所述标识模块用于对所述样本目标物分割图像集合内目标物的形状进行标识,获取样本形状信息集合;
识别器构建模块,所述识别器构建模块用于采用所述样本目标物分割图像集合和样本形状信息集合,构建所述形状识别分支,连接所述图像分割分支,获得所述目标物识别器。
图像分割模块用于分割图像,根据干选历史数据,获取样本第一图像集合,样本第一图像集合包含了干选传送装置中不同目标物的形态和位置。对每个样本图像内的多个目标物进行分割和标识,确保每个目标物都被准确地从背景或其他目标物中分离出来,获得样本目标物分割图像集合,样本目标物分割图像集合中每个样本图像中的目标物都被清晰地分割出来。分支构建模块利用样本第一图像集合和样本目标物分割图像集合来构建图像分割分支。通过样本第一图像集合和样本目标物分割图像集合训练卷积神经网络,使卷积神经网络能够根据输入的图像自动识别和分割出目标物,完成图像分割分支的构建。在图像分割完成后,标识模块对样本目标物分割图像集合内的目标物进行形状标识,包括提取目标物的轮廓、大小、面积、长宽比等形状特征,并将这些特征作为样本形状信息集合进行存储。识别器构建模块利用样本目标物分割图像集合和样本形状信息集合来构建形状识别分支,采用深度学习技术,如卷积神经网络(CNN),来学习和优化识别过程,通过训练卷积神经网络模型,使其能够准确识别目标物并提取其形状特征,从而完成形状识别分支的构建。将形状识别分支与图像分割分支进行连接,组成目标物识别器。
分类模块12,所述分类模块12用于对所述多个目标物通过X射线检测,获得多个目标物特征信息,结合多个形状信息,对所述多个目标物进行分类,获得多个分类信息;
分类模块12利用X射线对传送装置内的多个目标物进行非接触式的检测,X射线能够穿透物质并在穿透过程中与物质发生相互作用,产生不同的衰减或散射效果。成分不同透射强度不同,通过识别X射线透射的强度,可以获取目标物的内部结构、密度、成分等特征信息。结合形状信息对多个目标物进行分类,比如什么形状的、多大尺寸的、纯度多少的煤矿等,获取多个分类信息,每个分类信息对应一个属性。
进一步而言,所述分类模块12,包括:
信息获取模块,所述信息获取模块用于根据干选数据记录,获取样本形状信息集合和样本特征信息集合;
信息分类模块,所述信息分类模块用于根据每个样本形状信息和样本特征信息的组合,进行分类和标记,获得样本分类信息集合;
分类器构建模块,所述分类器构建模块用于基于决策树,采用所述样本形状信息集合和样本特征信息集合作为决策输入,采用所述样本分类信息集合作为决策输出,构建目标物分类器,对所述多个形状信息和多个目标物特征信息进行分类,获得所述多个分类信息。
信息获取模块、信息分类模块和分类器构建模块共同协作,以实现准确的目标物分类。信息获取模块根据干选数据记录,提取并整理出样本形状信息集合和样本特征信息集合,干选数据记录包含了过去干选过程中收集的大量数据,其中包括目标物的形状信息、特征信息以及对应的分类结果等。样本形状信息集合包含了从干选历史数据中提取的多个样本目标物的形状信息,如轮廓、大小、长宽比等。样本特征信息集合包含了通过X射线检测或其他传感器获得的样本目标物的特征信息,如密度、成分比例等。信息分类模块利用样本形状信息集合和样本特征信息集合,对每个样本进行分类和标记,根据每个样本的形状信息和特征信息的组合,将其划分为相应的类别,并生成对应的样本分类信息集合。分类器构建模块基于决策树算法,利用样本形状信息集合、样本特征信息集合和样本分类信息集合来构建目标物分类器。决策树是一种常用的分类算法,它通过树状结构来表示分类决策过程,每个节点代表一个特征或属性的判断条件,每个分支代表一个可能的决策结果,最终的叶子节点则代表分类结果。在构建分类器的过程中,分类器构建模块会利用样本数据来训练决策树模型。根据样本的形状信息和特征信息来构建决策树的节点和分支,并根据样本分类信息来确定叶子节点的类别标签。通过不断调整和优化决策树的结构和参数,使得分类器能够尽可能准确地根据输入的形状信息和特征信息来预测目标物的类别。一旦分类器构建完成,就可以用于对实时采集的多个形状信息和多个目标物特征信息进行分类。通过将这些信息输入到分类器中,分类器会根据其学习到的决策规则来进行判断,并输出相应的分类信息。
预测模块13,所述预测模块13用于根据所述多个分类信息,进行所述多个目标物在所述干选传送装置内传送时的翻滚状态预测,获得多个预测翻滚状态信息集,并获取在所述多个预测翻滚状态信息集下的多个预测形状信息集和多个预测特征信息集;
预测模块13主要根据多个分类信息对目标物在传送过程中的翻滚状态进行预测,并获取预测状态下的形状信息和特征信息。根据多个分类信息,对干选传送装置内的多个目标物进行翻滚状态的预测,得到多个预测翻滚状态信息集包含了每个目标物在传送过程中的可能翻滚状态。在获得预测翻滚状态信息集后,进一步获取不同翻滚状态下的形状和特征信息,从而得到多个预测形状信息集和多个预测特征信息集。
进一步而言,所述预测模块13,包括:
传送信息获取模块,所述传送信息获取模块用于根据所述干选传送装置的传送数据记录,获取样本分类信息集合和样本传送量信息集合;
状态信息获取模块,所述状态信息获取模块用于获取不同样本分类信息的目标物在不同传送量下在所述干选传送装置的多种翻滚状态,获得多个样本翻滚状态信息集;
信息集获取模块,所述信息集获取模块用于获取不同样本分类信息的目标物在不同样本翻滚状态信息下的形状信息和特征信息,获得多个样本形状信息集和多个样本特征信息集;
翻滚状态预测模块,所述翻滚状态预测模块用于采用所述样本分类信息集合、样本传送量信息集合和多个样本翻滚状态信息集,构建传送状态预测器,获取当前所述干选传送装置的传送量信息,结合所述多个分类信息,进行翻滚状态预测,获得所述多个预测翻滚状态信息集;
映射模块,所述映射模块用于结合所述多个预测翻滚状态信息集和多个分类信息,映射获取对应的多个预测形状信息集和多个预测特征信息集。
传送信息获取模块、状态信息获取模块、信息集获取模块、翻滚状态预测模块以及映射模块共同协作,以实现对目标物在传送过程中的翻滚状态、形状信息和特征信息的准确预测。传送信息获取模块可以从干选传送装置的传送数据记录中提取样本分类信息集合和样本传送量信息集合,传送数据记录包含了装置在运行过程中收集的大量数据,其中包括每次传送的目标物的分类信息以及对应的传送量信息。状态信息获取模块用于获取不同样本分类信息的目标物在不同传送量下在干选传送装置的多种翻滚状态。通过记录不同分类的目标物在不同传送量下可能出现的翻滚状态,生成多个样本翻滚状态信息集。信息集获取模块用于获取不同样本分类信息的目标物在不同样本翻滚状态信息下的形状信息和特征信息,生成多个样本形状信息集和多个样本特征信息集。翻滚状态预测模块利用样本分类信息集合、样本传送量信息集合和多个样本翻滚状态信息集,构建传送状态预测器,通过训练和学习样本数据,使其能够根据当前的传送量信息和目标物分类信息,预测目标物在传送过程中的翻滚状态。当获取到当前干选传送装置的传送量信息和多个分类信息后,翻滚状态预测模块将利用构建好的传送状态预测器进行翻滚状态预测,输出多个预测翻滚状态信息集。映射模块的作用是结合多个预测翻滚状态信息集和多个分类信息,映射获取对应的多个预测形状信息集和多个预测特征信息集。通过多个预测翻滚状态信息集和多个分类信息,建立映射关系,从而获取对应的多个预测形状信息集和多个预测特征信息集。
特征检测模块14,所述特征检测模块14用于在干选传送装置的传送过程中,持续采集所述干选传送装置内的第二图像以及进行特征检测,形成第二图像序列和特征信息序列;
特征检测模块14在传送过程中持续采集干选传送装置内的第二图像,并进行特征检测,从而生成第二图像序列和特征信息序列。在干选传送装置的传送过程中,持续采集干选传送装置内的第二图像,第二图像为传送过程中的图像,对传送过程中的图像进行特征检测,形成第二图像序列和特征信息序列,这些序列反映了目标物在传送过程中的动态变化。
分析模块15,所述分析模块15用于基于第二图像序列和特征信息序列,结合所述多个预测形状信息集和多个预测特征信息集,进行目标物跟踪分析,获得多个目标物跟踪结果,对所述多个目标物进行干选。
分析模块15基于第二图像序列和特征信息序列,结合多个预测形状信息集和多个预测特征信息集,进行目标物跟踪分析,并最终实现目标物的干选。第二图像序列和特征信息序列提供了目标物在传送过程中的实时图像和特征变化,结合多个预测形状信息集和多个预测特征信息集,进行目标物跟踪分析,从而完成对多个目标物的干选。
进一步而言,所述分析模块15,包括:
特征信息获取模块,所述特征信息获取模块用于基于所述第二图像序列内的多个第二图像,进行图像分割和识别,获得多个实际形状信息集合,基于所述特征信息序列,获得多个实际特征信息集合;
计算模块,所述计算模块用于根据所述多个实际形状信息集合和多个实际特征信息集合,结合所述多个预测形状信息集和多个预测特征信息集,进行目标物匹配度计算,获得多个目标物匹配度集合;
匹配度选择模块,所述匹配度选择模块用于根据所述多个目标物匹配度集合,分别选择匹配度最大的多个分类信息集合,结合所述多个分类信息,获得多个目标物跟踪结果。
特征信息获取模块用于从第二图像序列中提取目标物的实际形状信息和实际特征信息。基于多个第二图像进行图像分割,将目标物从背景中分离出来,获取目标物的实际形状信息集合。利用特征信息序列,提取目标物的实际特征信息集合,如颜色、纹理、亮度等。计算模块根据实际形状信息集合和实际特征信息集合,结合预测形状信息集和预测特征信息集,进行目标物的匹配度计算。通过计算每个目标物在不同分类信息下的匹配度,生成多个目标物匹配度集合。目标物匹配度集合反映了目标物与不同分类信息之间的匹配程度。匹配度选择模块根据计算模块输出的多个目标物匹配度集合,进行匹配度的比较和选择,分别针对每个目标物,选择匹配度最大的分类信息集合。根据实际信息与预测信息的匹配程度,确定最符合当前目标物状态的分类信息。通过这一选择过程,结合多个分类信息,获得多个目标物跟踪结果,跟踪结果不仅标识了目标物的分类,还反映了传送过程中的实时状态。
进一步而言,所述计算模块,包括:
匹配度计算模块,所述匹配度计算模块用于根据所述多个实际形状信息集合和多个实际特征信息集合内的第一实际形状信息集合和第一实际特征信息集合,与所述多个预测形状信息集和多个预测特征信息集进行匹配度计算,获得第一形状匹配度集合和第一特征匹配度集合,其中,所述第一形状匹配度集合内包括所述第一实际形状信息集合内的多个第一实际形状信息和任意的多个预测形状信息的匹配度;
加权计算模块,所述加权计算模块用于根据所述第一形状匹配度集合和第一特征匹配度集合,加权计算获得第一目标物匹配度集合;
匹配度集合获取模块,所述匹配度集合获取模块用于继续计算获得所述多个目标物匹配度集合。
匹配度计算模块用于将实际获取的目标物信息与预测信息进行匹配度计算。根据多个实际形状信息集合和多个实际特征信息集合中的第一实际形状信息集合和第一实际特征信息集合,与多个预测形状信息集和多个预测特征信息集进行逐一对比和计算。在形状匹配方面,计算第一实际形状信息集合中的每一个第一实际形状信息与预测形状信息集中的每一个预测形状信息之间的匹配度,形成第一形状匹配度集合。同样地,在特征匹配方面,计算第一实际特征信息集合中的特征与预测特征信息集中的特征之间的匹配度,生成第一特征匹配度集合。加权计算模块用于将形状匹配度和特征匹配度进行加权合并,以得出更全面的目标物匹配度。根据第一形状匹配度集合和第一特征匹配度集合,采用合适的加权策略进行计算。通过加权计算,生成第一目标物匹配度集合,该集合中的每个元素都代表了实际目标物与某一预测信息的综合匹配度。匹配度集合获取模块用于继续执行匹配度计算的过程,以获取多个目标物的匹配度集合。对剩余的实际形状信息集合和实际特征信息集合重复上述匹配度计算和加权计算的步骤,直至所有的目标物都完成了匹配度计算,获得多个目标物匹配度集合,目标物匹配度集合包含了该目标物与所有预测信息的匹配度信息。
进一步而言,所述加权计算模块,包括:
权重分配模块,所述权重分配模块用于分配获取形状匹配权重和特征匹配权重;
权重计算模块,所述权重计算模块用于根据所述形状匹配权重和特征匹配权重,对所述第一形状匹配度集合和第一特征匹配度集合进行加权计算,获得所述第一目标物匹配度集合。
权重分配模块用于根据实际需要和算法要求,分配形状匹配权重和特征匹配权重。形状匹配权重和特征匹配权重的分配通常基于多种因素,如形状和特征在目标物识别中的重要性、历史数据的分析结果、专家经验等。通过深入分析和综合这些因素,为每个匹配度计算步骤分配合适的权重。这样,权重分配模块为后续的加权计算提供了关键参数,确保了匹配度计算的针对性和有效性。权重计算模块则负责根据权重分配模块提供的形状匹配权重和特征匹配权重,对第一形状匹配度集合和第一特征匹配度集合进行加权计算。通过计算,能够生成第一目标物匹配度集合,该集合中的每个元素都是基于形状和特征匹配度以及相应权重的综合计算结果。
综上所述,本申请实施例至少具有如下技术效果:
形状信息获取模块11通过在干选传送装置的第一位置采集第一图像,并应用深度学习技术进行图像分割和识别,从而获取多个目标物,包括煤矿和废物的形状信息。分类模块12利用X射线检测获取多个目标物的特征信息,并结合形状信息对目标物进行分类,得到多个分类信息。预测模块13根据多个分类信息预测目标物在干选传送装置内传送时的翻滚状态,生成多个预测翻滚状态信息集,并获取在多个预测翻滚状态信息集下的多个预测形状信息集和预测特征信息集。特征检测模块14在干选传送装置的传送过程中,持续采集第二图像并进行特征检测,形成第二图像序列和特征信息序列。分析模块15基于第二图像序列和特征信息序列,结合多个预测形状信息集和预测特征信息集,进行目标物跟踪分析,得到多个目标物的跟踪结果,从而对这些目标物进行干选处理。解决了现有技术中在不同场景下物料分选不够准确的技术问题,达到了提高不同场景下物料分选准确性的技术效果。
需要说明的是,上述本申请实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本申请的较佳实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
本说明书和附图仅仅是本申请的示例性说明,且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (6)
1.一种基于数据深度学习的智能干选系统,其特征在于,所述系统包括:
形状信息获取模块,所述形状信息获取模块用于在干选传送装置的第一位置,采集所述干选传送装置内的第一图像,基于深度学习,进行图像分割和识别,获得多个目标物的形状信息,所述多个目标物包括煤矿和废物;
分类模块,所述分类模块用于对所述多个目标物通过X射线检测,获得多个目标物特征信息,结合多个形状信息,对所述多个目标物进行分类,获得多个分类信息;
预测模块,所述预测模块用于根据所述多个分类信息,进行所述多个目标物在所述干选传送装置内传送时的翻滚状态预测,获得多个预测翻滚状态信息集,并获取在所述多个预测翻滚状态信息集下的多个预测形状信息集和多个预测特征信息集;
传送信息获取模块,所述传送信息获取模块用于根据所述干选传送装置的传送数据记录,获取样本分类信息集合和样本传送量信息集合;
状态信息获取模块,所述状态信息获取模块用于获取不同样本分类信息的目标物在不同传送量下在所述干选传送装置的多种翻滚状态,获得多个样本翻滚状态信息集;
信息集获取模块,所述信息集获取模块用于获取不同样本分类信息的目标物在不同样本翻滚状态信息下的形状信息和特征信息,获得多个样本形状信息集和多个样本特征信息集;
翻滚状态预测模块,所述翻滚状态预测模块用于采用所述样本分类信息集合、样本传送量信息集合和多个样本翻滚状态信息集,构建传送状态预测器,获取当前所述干选传送装置的传送量信息,结合所述多个分类信息,进行翻滚状态预测,获得所述多个预测翻滚状态信息集;
映射模块,所述映射模块用于结合所述多个预测翻滚状态信息集和多个分类信息,映射获取对应的多个预测形状信息集和多个预测特征信息集;特征检测模块,所述特征检测模块用于在干选传送装置的传送过程中,持续采集所述干选传送装置内的第二图像以及进行特征检测,形成第二图像序列和特征信息序列;
分析模块,所述分析模块用于基于第二图像序列和特征信息序列,结合所述多个预测形状信息集和多个预测特征信息集,进行目标物跟踪分析,获得多个目标物跟踪结果,对所述多个目标物进行干选;
特征信息获取模块,所述特征信息获取模块用于基于所述第二图像序列内的多个第二图像,进行图像分割和识别,获得多个实际形状信息集合,基于所述特征信息序列,获得多个实际特征信息集合;
计算模块,所述计算模块用于根据所述多个实际形状信息集合和多个实际特征信息集合,结合所述多个预测形状信息集和多个预测特征信息集,进行目标物匹配度计算,获得多个目标物匹配度集合;
匹配度选择模块,所述匹配度选择模块用于根据所述多个目标物匹配度集合,分别选择匹配度最大的多个分类信息集合,结合所述多个分类信息,获得多个目标物跟踪结果。
2.根据权利要求1所述的系统,其特征在于,所述形状信息获取模块,包括:
图像采集模块,所述图像采集模块用于在干选传送装置的第一位置,采集所述干选传送装置内的第一图像,所述第一图像包括所述多个目标物的图像;
识别器获取模块,所述识别器获取模块用于构建图像分割分支和形状识别分支并进行连接,获得目标物识别器;
图像处理模块,所述图像处理模块用于基于所述目标物识别器,对所述第一图像进行分割和识别,获得所述多个目标物的多个形状信息。
3.根据权利要求2所述的系统,其特征在于,所述识别器获取模块,包括:
图像分割模块,所述图像分割模块用于基于干选历史数据,获取样本第一图像集合,对每个样本第一图像内多个目标物的图像进行分割和标识,获取样本目标物分割图像集合;
分支构建模块,所述分支构建模块用于基于所述样本第一图像集合和所述样本目标物分割图像集合,构建所述图像分割分支;
标识模块,所述标识模块用于对所述样本目标物分割图像集合内目标物的形状进行标识,获取样本形状信息集合;
识别器构建模块,所述识别器构建模块用于采用所述样本目标物分割图像集合和样本形状信息集合,构建所述形状识别分支,连接所述图像分割分支,获得所述目标物识别器。
4.根据权利要求1所述的系统,其特征在于,所述分类模块,包括:
信息获取模块,所述信息获取模块用于根据干选数据记录,获取样本形状信息集合和样本特征信息集合;
信息分类模块,所述信息分类模块用于根据每个样本形状信息和样本特征信息的组合,进行分类和标记,获得样本分类信息集合;
分类器构建模块,所述分类器构建模块用于基于决策树,采用所述样本形状信息集合和样本特征信息集合作为决策输入,采用所述样本分类信息集合作为决策输出,构建目标物分类器,对所述多个形状信息和多个目标物特征信息进行分类,获得所述多个分类信息。
5.根据权利要求1所述的系统,其特征在于,所述计算模块,包括:
匹配度计算模块,所述匹配度计算模块用于根据所述多个实际形状信息集合和多个实际特征信息集合内的第一实际形状信息集合和第一实际特征信息集合,与所述多个预测形状信息集和多个预测特征信息集进行匹配度计算,获得第一形状匹配度集合和第一特征匹配度集合,其中,所述第一形状匹配度集合内包括所述第一实际形状信息集合内的多个第一实际形状信息和任意的多个预测形状信息的匹配度;
加权计算模块,所述加权计算模块用于根据所述第一形状匹配度集合和第一特征匹配度集合,加权计算获得第一目标物匹配度集合;
匹配度集合获取模块,所述匹配度集合获取模块用于继续计算获得所述多个目标物匹配度集合。
6.根据权利要求5所述的系统,其特征在于,所述加权计算模块,包括:
权重分配模块,所述权重分配模块用于分配获取形状匹配权重和特征匹配权重;
权重计算模块,所述权重计算模块用于根据所述形状匹配权重和特征匹配权重,对所述第一形状匹配度集合和第一特征匹配度集合进行加权计算,获得所述第一目标物匹配度集合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410571793.6A CN118122658B (zh) | 2024-05-10 | 2024-05-10 | 一种基于数据深度学习的智能干选系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410571793.6A CN118122658B (zh) | 2024-05-10 | 2024-05-10 | 一种基于数据深度学习的智能干选系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118122658A CN118122658A (zh) | 2024-06-04 |
CN118122658B true CN118122658B (zh) | 2024-06-25 |
Family
ID=91242057
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410571793.6A Active CN118122658B (zh) | 2024-05-10 | 2024-05-10 | 一种基于数据深度学习的智能干选系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118122658B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107159589A (zh) * | 2017-04-28 | 2017-09-15 | 深圳大数点科技有限公司 | 基于特征聚类的固体材料一致性分选系统和方法 |
CN113000409A (zh) * | 2021-04-13 | 2021-06-22 | 中国矿业大学(北京) | 一种井下煤矸石分级高精度智能分选系统及方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4194107A1 (en) * | 2021-12-10 | 2023-06-14 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Apparatus and method for classifying material objects |
CN115389376B (zh) * | 2022-10-28 | 2023-04-07 | 佛山科学技术学院 | 基于层析滤纸采样的静态煤泥浮选图像灰分检测方法 |
CN116524017B (zh) * | 2023-03-13 | 2023-09-19 | 明创慧远科技集团有限公司 | 一种用于矿山井下检测识别定位系统 |
-
2024
- 2024-05-10 CN CN202410571793.6A patent/CN118122658B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107159589A (zh) * | 2017-04-28 | 2017-09-15 | 深圳大数点科技有限公司 | 基于特征聚类的固体材料一致性分选系统和方法 |
CN113000409A (zh) * | 2021-04-13 | 2021-06-22 | 中国矿业大学(北京) | 一种井下煤矸石分级高精度智能分选系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN118122658A (zh) | 2024-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Automatic detection and classification system of domestic waste via multimodel cascaded convolutional neural network | |
Liming et al. | Automated strawberry grading system based on image processing | |
Gyawali et al. | Comparative analysis of multiple deep CNN models for waste classification | |
EP3896602A1 (en) | A method and system for training a machine learning model for classification of components in a material stream | |
CN109284779A (zh) | 基于深度全卷积网络的物体检测方法 | |
CN109446964A (zh) | 基于端到端单级多尺度检测器的面部检测分析方法及装置 | |
CN114898220A (zh) | 一种高空作业车结构件的智能生产控制方法 | |
Mitra | Detection of waste materials using deep learning and image processing | |
Sreedevi et al. | Wild animal detection using deep learning | |
CN118122658B (zh) | 一种基于数据深度学习的智能干选系统 | |
CN117315380A (zh) | 一种基于深度学习的肺炎ct图像分类方法及系统 | |
CN117252459A (zh) | 一种基于深度学习的水果质量评估系统 | |
CN116032790A (zh) | 调度自动化系统海量数据流异常辨识、诊断和预测方法、装置和系统 | |
Wang et al. | Strawberry ripeness classification method in facility environment based on red color ratio of fruit rind | |
CN115188031A (zh) | 指纹识别方法、计算机程序产品、存储介质及电子设备 | |
Baskaran et al. | Steel frame structure defect detection using image processing and artificial intelligence | |
CN114627333A (zh) | 一种改进深度主动学习的锌浮选泡沫图像分类算法及系统 | |
CN114742850A (zh) | 基于ugnx模型分析的电极形体自动识别的实现方法 | |
CN114463667A (zh) | 基于视频识别的小样本学习方法 | |
Patel et al. | Surface defect detection using SVM‐based machine vision system with optimized feature | |
CN110163106A (zh) | 一体式纹身检测与识别方法和系统 | |
Santos et al. | Towards Robust Ferrous Scrap Material Classification with Deep Learning and Conformal Prediction | |
Singh et al. | Deep Learning-based Rice Leaf Disease Diagnosis using Convolutional Neural Networks | |
CN118195597A (zh) | 一种基于数据处理的再生资源回收循环利用控制系统 | |
Setyawan et al. | AVIG: A Real-Time Visual Inspection for Guava Grading System Using Computer Vision and XGBoost |
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 |