矿物识别分类方法、系统、设备及存储介质

技术领域

本申请涉及矿物分选技术领域，尤其是涉及一种矿物识别分类方法、系统、设备及存储介质。

背景技术

矿产资源是人类社会赖以生存的一种重要物质基础，是国家安全与经济发展的重要保证。随着科技的发展与进步，国家对环境保护的重视以及生产企业需要提高效率和降低成本，矿物的分选也开始慢慢地转型，由传统的湿选法，如浮选法等成本高、对环境污染大的方法，转为绿色环保的干选法，而采用干选法的最关键环节就是要准确地把矿物分类识别出来并进行有效筛选。

现有的矿物识别方法是采用彩色相机或单能X射线作为图像采集系统，但彩色相机只能拍摄矿物表面，不能渗透到里面，会丢失很多具有参考意义的信息，而单能X射线虽然能穿透矿物内部，但能采集到的信息只有单通道，信息量少；现在采用的方式基本是采集了图片后，图像不经强化处理和特征提取，直接把原始图片放入神经网络进行训练识别，这样无差别训练模型，难以达到理想效果，而且现有的方法仅对模型进行一次训练，难以根据现场生产情况进行动态优化模型，造成矿物识别分类的效果不准确，从而影响分选效果和生产效率。

发明内容

为了解决获取矿物图像特征信息量不够丰富导致对矿物识别分类不准确进而造成分选效果不好生产效率低的问题，本申请提供一种矿物识别分类方法、系统、设备及存储介质。

第一方面，本申请提供的一种矿物识别分类方法，包括：

获取待训练矿物样品；

对所述待训练矿物样品进行双能X射线扫描，得到所述待训练矿物样品的第一能量图和第二能量图；

对所述第一等量图和所述第二能量图进行图像预处理，获得所述待训练矿物样品的图像特征信息；

采用神经网络算法对所述图像特征信息进行特征模型训练，并对所述神经网络算法中的算法参数进行调整，得到最优模型作为分类模型，用于采用所述分类模型对矿物进行分类。

通过采用上述技术方案，对获取的待训练矿物样品进行X射线扫描，得到待训练矿物样品的第一能量图和第二能量图，对上述第一能量图和第二能量图进行图像预处理后，得到待训练矿物样品的图像特征信息，然后采用神经网络算法对上述图像特征信息进行特征模型训练，并在训练过程中同步进行算法参数调整，以得到最优模型作为分类模型进行矿物分类，采用双能X射线采集图像能够获取更多更丰富的矿物图像特征信息，使训练的模型多样化，且训练的同时同步进行算法参数的调整，使采用的训练模型更合理更合适，从而提升了矿物识别的准确度，提高了分选效果和生产效率。

优选的，在所述采用所述分类模型对矿物进行分类之后，还包括：

获取将所述待训练矿物样品进行分类后得到的矿物标记特征，并将所述矿物标记特征保存至数据库；

当所述矿物标记特征满足模型更新数据存储阈值时，从所述数据库中提取所有所述矿物标记特征作为更新训练数据，采用所述更新训练数据对所述分类模型进行更新训练。

通过采用上述技术方案，将待训练矿物样品分类后得到的矿物标记特征保存至数据库，当需要进行模型更新时，采用所有的矿物标记特征作为更新训练数据对分类模型进行更新训练，更新训练过程中对新的特征数据进行训练的同时，也能够加深对旧数据的记忆，使模型的鲁棒性更好，以提升矿物识别的准确度，从而提高分选效果和生产效率。

优选的，所述采用所述分类模型对矿物进行分类，包括：

将所述分类模型嵌入到控制程序中；

基于所述分类模型对所述图像特征信息进行分类识别并标记，形成矿物标记特征；

获取所述矿物标记特征的目标坐标值，用以分类机构基于所述目标坐标值进行矿物分类。

通过采用上述技术方案，将分类模型嵌入到控制程序中，并基于分类模型对上述图像特征信息进行分类识别和标记得到矿物标记特征，分类机构根据矿物标记特征的目标坐标值对矿物进行分类。

优选的，所述基于所述最优模型对所述图像特征信息进行分类识别并标记，包括：

对待喷吹的矿物进行定位，得到所述待喷吹的矿物的坐标值；

基于所述坐标值对所述待喷吹的矿物进行喷吹。

通过采用上述技术方案，对需要喷吹的矿物进行定位以得到该矿物的坐标值，根据坐标值对需要喷吹的矿物进行喷吹，使矿物喷吹更准确，从而喷吹后对矿物的分类也更准确。

优选的，所述对所述第一能量图和所述第二能量图进行图像预处理，包括：

对所述第一能量图和所述第二能量图进行增强锐化处理，获取第一处理结果；

对所述第一处理结果进行特征融合处理，用于获取图像预处理结果。

通过采用上述技术方案，增强锐化处理使图像更清晰，边缘更鲜明，便于后期识别和处理，特征融合处理使每个特征信息量更丰富，将多层的特征进行融合再进行模型训练使检测率得到提升。

优选的，所述对所述第一能量图和所述第二能量图进行增强锐化处理，获取第一处理结果，包括：

基于所述待训练矿物样品的密度值，对有用的灰度信息进行增强突出，对无用的灰度信息进行抑制。

通过采用上述技术方案，对有用的灰度信息进行增强突出，对无用的灰度信息进行抑制，能够更清晰地识别第一能量图和所述第二能量图上有用的信息。

优选的，所述获取待训练矿物样品，包括：

控制粉碎机对原矿进行粉碎；

控制筛分设备基于设定的分选颗粒范围对粉碎后的原矿进行筛分得到矿物样品；

对所述矿物样品进行初步挑选并分类得到待训练矿物样品。

通过采用上述技术方案，如此获取到的待训练矿物样品，能够使得到的关于矿物内部的图像特征信息更丰富以及过滤掉矿物中的一些杂质，提高分选速率和准确率。

第二方面，本申请提供的一种矿物识别分类系统，包括：

获取模块，用于获取待训练矿物样品；

扫描模块，用于对所述待训练矿物样品进行双能X射线扫描，得到所述待训练矿物样品的第一能量图和第二能量图；

图像处理模块，用于对所述第一能量图和所述第二能量图进行图像预处理，获得所述待训练矿物样品的图像特征信息；

模型训练模块，采用神经网络算法对所述图像特征信息进行特征模型训练，并对所述神经网络算法中的算法参数进行调整，得到最优模型作为分类模型，用于采用所述分类模型对矿物进行分类。

通过采用上述技术方案，扫描模块对获取模块获取的待训练矿物样品进行双能X射线扫描得到待训练矿物样品的第一能量图和第二能量图，图像处理模块对上述第一能量图和第二能量图进行图像预处理，得到待训练矿物样品的图像特征信息，初次模型训练模块采用神经网络算法对上述图像特征信息进行特征模型训练，训练过程中并同步进行参数的调整以得到最优模型作为分类模型对矿物进行识别分类，以提升矿物识别的准确度。

第三方面，本申请提供一种设备，采用如下的技术方案：

一种设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述矿物识别分类方法。

通过采用上述技术方案，通过将上述的一种矿物识别分类方法生成计算机指令，并存储于存储器中，以被处理器加载并执行，从而，根据存储器及处理器制作终端设备，方便使用。

第四方面，本申请提供一种计算机可读存储介质，采用如下的技术方案：

一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述矿物识别分类方法。

通过采用上述技术方案，通过将上述的一种矿物识别分类方法生成计算机指令，并存储于计算机可读存储介质中，以被处理器加载并执行，通过计算机可读存储介质，方便计算机指令的可读及存储。

本申请包括以下至少一种有益技术效果：

1.通过利用双能X射线对经过粉碎并初步挑选的待训练矿物样品的图像进行采集，并且对采集后的图像进行增强锐化和特征融合处理，使进行模型训练的特征信息更具有针对性以及每个特征信息包含的信息量更丰富，并且在进行模型训练过程中同时进行算法参数的调整，以得到最优模型作为分类模型对矿物进行分类，以改善矿物识别准确度的问题，提升分选效率。

2.在矿物分类之后能够进行在线数据优化，将待训练矿物样品分类后的矿物标记特征保存至数据库，需要进行更新训练时，采用所有的矿物标记特征作为更新训练数据进行更新训练，这样使模型的鲁棒性更好，识别效果也更好。

附图说明

图1是本申请实施例一种矿物识别分类方法的应用环境示意图；

图2是本申请实施例一种矿物识别分类方法的第一流程框图；

图3是本申请实施例一种矿物识别分类方法的第二流程框图；

图4是本申请实施例一种矿物识别分类方法的第三流程框图；

图5是本申请实施例一种矿物识别分类方法的第四流程框图；

图6是本申请实施例一种矿物识别分类方法的MLP神经网络的模型图；

图7是本申请实施例一种矿物识别分类方法的线性分类的示意图；

图8是本申请实施例一种矿物识别分类方法的第五流程框图；

图9是本申请实施例一种矿物识别分类方法的第六流程框图；

图10是本申请实施例一种矿物识别分类方法的第七流程框图；

图11是本申请实施例一种矿物识别分类系统的流程框图；

图12是本申请实施例一种矿物识别分类设备的内部结构框图。

具体实施方式

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作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。

本发明实施例提供的矿物识别分类方法，可应用在如图1的应用环境中，该矿物识别分类方法应用在矿物识别分类系统中，该矿物识别分类系统包括客户端和服务器，其中，客户端通过网络与服务器进行通信。客户端又称为用户端，是指与服务器相对应，为客户端提供本地服务的程序。进一步地，客户端为计算机端程序、智能设备的APP程序或嵌入其他APP的第三方小程序。该客户端可安装在但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备等计算机设备上。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

本申请实施例公开一种矿物识别分类方法。参照图2，包括：

S10.获取待训练矿物样品。

S20.对待训练矿物样品进行双能X射线扫描，得到待训练矿物样品的第一能量图和第二能量图。

S30.对第一能量图和第二能量图进行图像预处理，获得待训练矿物样品的图像特征信息。

S40.采用神经网络算法对图像特征信息进行特征模型训练，并对神经网络算法中的算法参数进行调整，得到最优模型作为分类模型，用于采用分类模型对矿物进行分类。

其中，第一能量图为待训练矿物样品的高层特征图，第二能量图为待训练矿物样品的低层特征图。

具体地，图像特征信息包括灰度值、纹理、密度、对比度、相关性、能量值和均方差。

其作用在于，对获取的待训练矿物样品进行双能X射线扫描后，能够得到待训练矿物样品的第一能量图和第二能量图，对待训练矿物样品内的各种物质进行很好的区分识别，再对第一能量图和第二能量图进行图像预处理，得到待训练矿物样品的图像特征信息，接着采用神经网络算法对上述图像特征信息进行特征模型训练，并同时对使用的算法参数进行调整，得到最优模型作为分类模型，以对矿物进行分类。由于双能X射线能够获取矿物更多更丰富的特征信息值，使得建立模型时更完整，识别时才能够对矿物的图像特征信息进行更为准确的识别，从而提升矿物识别分类的准确度。

参照图3，在采用分类模型对矿物进行分类之后，还包括：

S50.获取将待训练矿物样品进行分类后得到的矿物标记特征，并将矿物标记特征保存至数据库；

S60.当矿物标记特征满足模型更新数据存储阈值时，从数据库中提取所有矿物标记特征作为更新训练数据，采用更新训练数据对分类模型进行更新训练。

其作用在于，待训练矿物样品分类后得到矿物标记特征，将获得的矿物标记特征保存至数据库，当矿物标记特征满足模型更新数据的存储阈值时，从数据库中提取所有的矿物标记特征在原有模型的基础上进行更新训练，更新训练对新的特征数据进行训练的同时，也能够加深对旧数据的记忆，不断的丰富模型数据，使模型的鲁棒性更好，从而实现对图像特征信息更准确地识别分类。

参照图4，对第一能量图和第二能量图进行图像预处理，包括：

S301.对第一能量图和第二能量图进行增强锐化处理，获取第一处理结果。

S302.对第一处理结果进行特征融合处理，用于获取图像预处理结果。

其中，增强锐化处理是基于上述待训练矿物样品的密度值，对有用的灰度信息进行增强突出，对无用的灰度信息进行抑制。

具体地，增强锐化处理的公式为：

result：＝(orig-mean)*Factor+orig，orig表示原始值，mean表示均值，Factor表示权重因素。

其作用在于，对第一高能图和第二高能图进行增强锐化处理，根据各种物质的密度值不同，突出其中有用的灰度信息，抑制无用的灰度信息，提升图像的清晰度，使边缘更鲜明，便于后期识别和处理，再对上述增强锐化处理后的结果信息进行特征融合处理，使每个特征信息更丰富，更具有判别能力。

参照图5，采用神经网络算法对图像特征信息进行特征模型训练，包括：

提取图像特征信息中的至少一个矿物特征形成矿石特征组。

根据矿物特征组，匹配对应的神经网络算法作为目标算法，从而对图像特征信息进行特征模型训练。

其中，神经网络算法包括：MLP神经网络、GMM高斯混合模型、KNN最近邻算法以及支持向量机SVM算法。

具体地，MLP神经网络包括输入层，隐藏层以及输出层，最简单的MLP神经网络有三层，一般根据实际情况会对隐藏层数量进行调整，MLP神经网络线性模型的一般公式：

y＝w[0]*x[0]+w[1]*x[1]+…+w[p]*x[p]+b,

w为加权系数值，x为输入为特征值，特征值通过隐藏层的重复加权和置信度系数，置信度系数越高，判断越准确。

GMM高斯混合模型的核心思想是，假设数据可以看作从多个高斯分布中生成出来的。在该假设下，每个单独的分模型都是标准高斯模型，其均值ui和方差∑i是待估计的参数，此外，每个分模型都还有一个参数π

KNN最近邻算法是通过欧式距离算法，通过计算寻找未知样本和训练样本的“距离”，计算出来的距离更靠近哪个分类，未知样品就判定属于该类物质，欧式距离公式如下：

当D(a,b)的距离值更接近矿石，则识别该物质为矿石，否则识别为废石。

支持向量机SVM算法是一种二分类算法，用于两种类型的分类效果比较好，通过寻找不同的分类函数就可以把类别分开，最简单的分类就是线性分类f(x)＝wx+b，参照图7，

不同的线性及非线性函数能产生不同平面的分类，根据实际情况调整参数。

其作用在于，提取上述图像特征信息中的至少一个作为矿物特征组，再基于该矿物特征组匹配到相对应的神经网络算法，从而对上述图像特征信息进行特征模型训练，以使模型能够针对性地识别矿物。

参照图6，采用分类模型对矿物进行分类，包括：

将分类模型嵌入到控制程序中。

基于分类模型对图像特征信息进行分类识别并标记，形成矿物标记特征。

获取矿物标记特征的目标坐标值，用以分类机构基于目标坐标值进行矿物分类。

其作用在于，将分类模型应用到控制程序中，再根据分类模型对图像特征信息进行分类识别并标记，得到矿物标记特征，分类机构根据矿物标记特征的目标坐标值对矿物进行分类。

参照图7，基于分类模型对图像特征信息进行分类识别并标记，包括：

对待喷吹的矿物进行定位，得到待喷吹的矿物的坐标值。

基于坐标值对待喷吹的矿物进行喷吹并标记。

具体地，对待训练矿物样品的图像特征信息进行分类后，能够对待喷吹的矿物进行定位并得到其坐标值，将待喷吹矿物的坐标值传送至分类机构，分类机构进行喷吹操作并标记，从而将待训练矿物样品实际地分开，以进行准确、有效地分类。

参照图8，获取待训练矿物样品，包括：

S101.控制粉碎机对原矿进行粉碎。

S102.控制筛分设备基于设定的分选颗粒范围对粉碎后的原矿进行筛

分得到矿物样品。

S103.对矿物样品进行初步挑选并分类得到待训练矿物样品。

具体地，把开采的大块原矿进行粉碎，并根据设定的分选颗粒范围用筛分器对粉碎后的原矿进行筛分，即得到矿物样品，矿物样品内包括矿物和废石，用矿物成分检测仪对矿物样品进行初步挑选并分类，挑选若干块矿物以及废石即待训练矿物样品以作模型训练使用。

在一实施例中，提供了一种矿物识别分类系统，参照图9，包括：

获取模块10，用于获取待训练矿物样品；

扫描模块20，用于对待训练矿物样品进行双能X射线扫描，得到第一矿物样品的第一能量图和第二能量图；

图像处理模块30，用于对第一能量图和第二能量图进行图像预处理，获得待训练矿物样品的图像特征信息；

模型训练模块40，采用神经网络算法对所述图像特征信息进行特征模型训练，并对所述神经网络算法中的算法参数进行调整，得到最优模型作为分类模型，用于采用所述分类模型对矿物进行分类。

其作用在于，扫描模块20对获取模块10获取的待训练矿物样品进行双能X射线扫描，得到待训练矿物样品的第一能量图和第二能量图，图像处理模块30对上述第一能量图和第二能量图进行图像预处理，得到待训练矿物样品的图像特征信息，初次模型训练模块40采用神经网络算法对上述图像特征信息进行特征模型训练，并在训练过程中同步进行算法参数的调整，得到最优模型作为分类模型对矿物进行分类，以提升矿物识别分选的准确率。

关于一种矿物识别分类系统的具体限定可以参见上文中对于一种矿物识别分类系统的限定，在此不再赘述。上述一种矿物识别分类系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于设备中的处理器中，也可以以软件形式存储于设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一实施例中，提供了一种设备，该设备可以是服务器，其内部结构图可以如图10所示。该设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该设备的处理器用于提供计算和控制能力。该设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该设备的数据库用于一种定向增强的本地扩音方法相关的数据。该设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种矿物识别分类方法。

在一实施例中，提供一种设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例一种矿物识别分类方法，例如图2所示S10至步骤S40。或者，处理器执行计算机程序时实现上述实施例中一种定向增强的本地扩音装置的各模块/单元的功能，例如图9所示模块10至模块40的功能。为避免重复，此处不再赘述。

在一实施例中，提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例一种矿物识别分类方法，例如图2所示S10至步骤S40。或者，该计算机程序被处理器执行时实现上述装置实施例中一种矿物识别分类系统中各模块/单元的功能，例如图9所示模块10至模块40的功能。为避免重复，此处不再赘述。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(RON)、可编程RON(PRON)、电可编程RON(EPRON)、电可擦除可编程RON(EEPRON)或闪存。易失性存储器可包括随机存取存储器(RAN)或者外部高速缓冲存储器。作为说明而非局限，RAN以多种形式可得，诸如静态RAN(SRAN)、动态RAN(DRAN)、同步DRAN(SDRAN)、双数据率SDRAN(DDRSDRAN)、增强型SDRAN(ESDRAN)、同步链路(SyNchliNk)DRAN(SLDRAN)、存储器总线(RaNbus)直接RAN(RDRAN)、直接存储器总线动态RAN(DRDRAN)、以及存储器总线动态RAN(RDRAN)等。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。

以上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精神和范围，均应包含在本发明的保护范围之内。