一种深海多金属结核矿产的实时丰度探测系统及方法

技术领域

本发明涉及采矿设备技术领域，尤其涉及一种深海多金属结核矿产的实时丰度探测系统及方法。

背景技术

矿物资源，又名矿产资源，是指经过地质成矿作用而形成的，天然赋存于地壳内部或地表，埋藏于地下或出露于地表，呈固态、液态或气态的，并具有开发利用价值的矿物或有用元素的集合体。

近年来，随着经济的发展，对矿产资源的需求也越来越大，大量的资源开发造成地球陆地矿产资源日益枯竭，陆地矿产资源已难以满足人类对矿产资源的需求，因此人类需要探索新的矿产资源供给方式。海底蕴含着丰富的矿产资源，合理的开采海洋矿产资源有助于解决陆地矿产资源供给不足的问题；多金属结核富含锰、铁、镍等几十种元素，是一种极具经济价值的矿产资源，多处在四千米至六千米的深海区域。一方面，其输送方式完全不同，输送难度较大；另一方面，生产效率和经济性也是一个重要的考虑因素，同时，由于在深海开采，技术难度和复杂性都非常高，这就对技术要求方案提出了很大的挑战。

现有技术中需要一套中间仓装备，一般来说采矿车采集的矿浆通过软管会与立管底部的中间仓相连，中间仓是用来缓冲矿浆浓度的变化给矿浆提升泵造成影响的重要装备，该装备的存在将使海上立管系统的收放更为复杂，且成本更高，还存在无法保证深海多金属结核采矿系统的产量和采收率，导致产量和采收率偏低，因此如何简单节能的提升深海多金属结核采矿系统的产量和采收率是当前亟需解决的问题。

因此，现有技术还有待于改进和发展。

发明内容

本发明的主要目的在于提供一种深海多金属结核矿产的实时丰度探测系统及方法，旨在解决现有技术深海多金属结核采矿系统的复杂程度高，收放采矿缓冲仓作业难度大、产量不稳定，从而造成综合采收率较低的问题。

为实现上述目的，本发明提供一种深海多金属结核矿产的实时丰度探测系统，所述深海多金属结核矿产的实时丰度探测系统包括：

前扫声呐FLS声学背向散射水平分析模块、前视声呐FLS处理凸显度检测与分析模块、图像处理模块、侧视声呐SLS处理模块、多维度结核计数和尺寸测量模块、丰度映射模块、机器学习模块和机器传感器；

所述机器学习模块分别与所述前扫声呐FLS声学背向散射水平分析模块、所述前视声呐FLS处理凸显度检测与分析模块、所述图像处理模块、所述侧视声呐SLS处理模块、所述机器传感器和丰度映射模块连接，所述多维度结核计数和尺寸测量模块分别与所述前扫声呐FLS声学背向散射水平分析模块、所述前视声呐FLS处理凸显度检测与分析模块、所述图像处理模块、所述侧视声呐SLS处理模块和所述丰度映射模块连接；

所述前扫声呐FLS声学背向散射水平分析模块用于对FLS声呐返回的信号进行整体强度的全面分析，并将分析后的结果信息输入至所述机器学习模块和所述多维度结核计数和尺寸测量模块；

所述前视声呐FLS处理凸显度检测与分析模块用于将检测与分析后的目标信号输入至所述机器学习模块和所述多维度结核计数和尺寸测量模块；

所述图像处理模块用于对图像进行处理得到处理结果，并将所述处理结果输入至所述机器学习模块和所述多维度结核计数和尺寸测量模块；

所述侧视声呐SLS处理模块用于将每个扫描扇区多金属结核的数据输入至所述机器学习模块和所述多维度结核计数和尺寸测量模块；

所述多维度结核计数和尺寸测量模块用于通过概率估计和数据融合方法计算出每个扇区的多金属结核密度及平均大小；

所述丰度映射模块用于接收目标数据以确定每个区域的丰度检测值，并存储传感器融合数据与相应的比例相关联的数据。

可选地，所述的深海多金属结核矿产的实时丰度探测系统，其中，所述结果信息包括全面声学背向散射水平、海底覆盖物的每个扇区的背向散射强度直方图、高反射物体的背向散射总和、深海多金属结核的海底背景数据与结核强度的平均值及标准值和浊度及声呐参数相关的平均水柱背向散射水平。

可选地，所述的深海多金属结核矿产的实时丰度探测系统，其中，所述目标信号包括每个区域扇区、峰值数和几何区域描述符；其中，所述几何区域描述符包括平均面积和几何矩。

可选地，所述的深海多金属结核矿产的实时丰度探测系统，其中，所述处理结果包括：采矿车视野FOV的每个扇区、扇区中检测到的多金属结核的计数和几何描述符的平均面积。

可选地，所述的深海多金属结核矿产的实时丰度探测系统，其中，所述机器传感器采集的信号包括采矿车的速度、传送带的速度、当前测量的浆液浓度和每个几何区域的丰度的初始估计。

可选地，所述的深海多金属结核矿产的实时丰度探测系统，其中，所述目标数据包括：用于每个区域的视觉分析数据和视觉数据与实际矿石浓度之间的比率。

可选地，所述的深海多金属结核矿产的实时丰度探测系统，其中，所述机器学习模块具体用于：

获取多金属结核收集量和浆料测量的参数，将所述多金属结核收集量和所述浆料测量的参数进行对比得到比值；

基于所述比值将视觉与声呐检测信号和实际开采的矿石输出量进行关联。

可选地，所述的深海多金属结核矿产的实时丰度探测系统，其中，所述机器学习模块还用于：

存储感测数据序列，基于所述感测数据序列得到与矿浆数据相关的过去测量值

此外，本发明还提供一种深海多金属结核矿产的实时丰度探测方法，其中，所述深海多金属结核矿产的实时丰度探测方法包括：所述前扫声呐FLS声学背向散射水平分析模块和所述前视声呐FLS处理凸显度检测与分析模块对前扫声呐数据进行分析得到分析结果，所述图像处理模块对摄像机图像进行处理得到处理结果，所述侧视声呐SLS处理模块对结构光系统点云得到多金属结核数据；

所述多维度结核计数和尺寸测量模块基于所述分析结果、所述处理结果和所述多金属结核数据计算得到每个扇区的多金属结核密度及平均大小，所述机器学习模块基于所述分析结果、所述处理结果、所述多金属结核数据和附加信息进行处理得到结核采集参数；

所述丰度映射模块基于所述多金属结核密度及平均大小、所述结核采集参数及采矿车位置得到结核丰度图。

可选地，所述的深海多金属结核矿产的实时丰度探测系统方法，其中，所述附加信息包括采矿车行进速度、提升带速度、碎矿机喂料高度、矿浆浓度和初始丰度估计。

本发明公开了一种深海多金属结核矿产的实时丰度探测系统及方法，所述深海多金属结核矿产的实时丰度探测系统包括：前扫声呐FLS声学背向散射水平分析模块、前视声呐FLS处理凸显度检测与分析模块、图像处理模块、侧视声呐SLS处理模块、多维度结核计数和尺寸测量模块、丰度映射模块、机器学习模块和机器传感器。本发明为深海多金属结核采矿作业区探知和测绘局部多金属结核矿产丰度变化趋势图，由工作级ROV或AUV进行测绘前预扫描，由深海多金属结核采矿车一边进行采矿作业，一边实时扫描测绘结核矿石，实时丰度探测用于对深海采矿车行走路径、速度和采集作业进行自动控制，对保证深海多金属结核采矿系统的产量和采收率起到重大作用，通过准确探测实时丰度，自动调整采矿车行走速度，当矿石丰度较低时，采矿车加快行走速度，以免浪费能源，当矿石丰度较高时，采矿车减慢行走速度，从而让采矿车采集的矿石流速始终保持在一个恒定的设定值，使矿浆提升泵工作在一个最佳的效率区间，节省能源消耗的同时免除了一套中间仓装备。

附图说明

图1是本发明中深海多金属结核矿产的实时丰度探测系统的原理示意图；

图2是Norbit WBMS-FLS前扫声呐装置示意图；

图3是本发明中深海多金属结核矿产的实时丰度探测系统的前扫声呐图像示意图；

图4是本发明中深海多金属结核矿产的实时丰度探测系统的前扫声呐FLS的影像扇区示意图；

图5是本发明中深海多金属结核矿产的实时丰度探测系统中结核图像处理示意图；

图6是本发明中深海多金属结核矿产的实时丰度探测系统中摄像机位置示意图；

图7是本发明中基于滚动窗口视觉的结核丰度评估示意图；

图8是本发明中采矿车摄像机仿真视示意图；

图9是结构光系统及摄像机示意图；

图10是本发明中深海多金属结核矿产的实时丰度探测系统中用于结核丰度测绘的传感器示意图；

图11是本发明中深海多金属结核矿产的实时丰度探测系统中的轮廓线分析示意图；

图12是本发明中丰度图测绘软件的系统架构示意图；

图13是本发明中深海多金属结核矿产的实时丰度探测方法的较佳实施例的流程图。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

需要说明，若本发明实施例中有涉及方向性指示(诸如上、下、左、右、前、后……)，则该方向性指示仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。

另外，若本发明实施例中有涉及“第一”、“第二”等的描述，则该“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。

本发明较佳实施例所述的深海多金属结核矿产的实时丰度探测系统，如图1所示，所述深海多金属结核矿产的实时丰度探测系统包括：前扫声呐FLS声学背向散射水平分析模块1、前视声呐FLS处理凸显度检测与分析模块2、图像处理模块3、侧视声呐SLS处理模块4、多维度结核计数和尺寸测量模块5、机器学习模块6和丰度映射模块7，除图1中另外还包括机器传感器8；所述机器学习模块6分别与所述前扫声呐FLS声学背向散射水平分析模块1、所述前视声呐FLS处理凸显度检测与分析模块2、所述图像处理模块3、所述侧视声呐SLS处理模块4、所述机器传感器8和丰度映射模块7连接，所述多维度结核计数和尺寸测量模块5分别与所述前扫声呐FLS声学背向散射水平分析模块1、所述前视声呐FLS处理凸显度检测与分析模块2、所述图像处理模块3、所述侧视声呐SLS处理模块4和所述丰度映射模块7连接。

所述前扫声呐FLS声学背向散射水平分析模块1用于对FLS声呐返回的信号进行整体强度的全面分析，并将分析后的结果信息输入至所述机器学习模块6和所述多维度结核计数和尺寸测量模块5。

具体地，结核丰度图的主要信息来源是安装在采矿车前部的前扫声呐，所述前扫声呐包括所述前扫声呐FLS声学背向散射水平分析模块1和所述前视声呐FLS处理凸显度检测与分析模块2；结核的声反射率与海底沉积物不同，前扫声呐被用于丰度测绘已经得到广泛的研究，但并没有在深海多金属结核采矿系统中得到应用，当条件困难时，也可以使用侧扫声呐用来测量结核丰度；在目前的情况下，接近采矿车底部，近距离(4米到10米)的多波束声后向散射数据可以提供更详细的图像，在距离较近的情况下，可以使用更高的频率，例如在400kHz–700kHz范围内(图2给出了一种典型可采用的前扫声呐产品型号Norbit WBMS-FLS)，而前扫声呐图像的示例如图3所示；在选定区域，平均后向散射声回波取决于结核分布，但结核丰度、大小和声级之间的确切关系尚不清楚，因为它还取决于声呐配置参数和海底淤泥的特定声反射率和形态；然而，已有预期结核丰度的初步估计，加上泥浆浓度和破碎机料斗喂料高度提供了实际收集结核的指示性测量。因此，将这些信息与前方摄像机的视觉图像信息耦合起来，可以用于机器学习算法，这样就将测量的声级与结节密度参数关联起来。此外，对于前扫声呐图像，图像分辨率足以表示直径超过3cm的单个结核，该声呐图像也可以处理，以检测每个结核的单个声回波。

进一步地，所述前扫声呐FLS声学背向散射水平分析模块1是基于对FLS声呐返回信号的整体强度的全面分析，所述前扫声呐FLS声学背向散射水平分析模块1输出全面声学背向散射水平数据，作为声呐增益和地形对比的结果，所述结果可用于确定声呐回波中峰值检测的阈值大小(所述阈值用于体现多金属结核的反射结果)；由所述阈值得到的背向散射强度直方图展现了动态表征背向散射强度的分布情况，并展示海底(背景)和海底结核和其他高反射物体的平均背向散射水平；这些前端信号处理分析的结果可以作为机器学习模块6的输入信息，将包括：全面声学背向散射水平，即反向散射强度的归一化因子、FLS为海底覆盖物的每个扇区提供背向散射强度直方图、高反射物体的背向散射总和(按扇区)、深海多金属结核的海底背景数据与结核强度的平均值及标准值、浊度与声呐参数相关的平均水柱背向散射水平。

其中，扇区是FLS扫描区域内以距离和角度进行划分的空间分区，以便于对扫描区域分别进行测量，如图4所示。

所述前视声呐FLS处理凸显度检测与分析模块2用于将检测与分析后的目标信号输入至所述机器学习模块6和所述多维度结核计数和尺寸测量模块5。

具体地，所述前视声呐FLS处理凸显度检测与分析模块2向所述机器学习模块6输出的信号包括：每个区域扇区、峰值数(检测到的凸显度)和几何区域描述符(平均面积、几何矩)；这些对应于检测到的超过自适应阈值的声呐回波，体现了由多金属结核反射引起的“亮”点(因为它们的反射信号比柔软沙质海底更多)；平均几何描述提供了粗略的尺寸测量，因此与多金属结核大小相关，也就是与原矿石材料的丰度间接相关；FLS图像中的扇区划分(以及扫描的海床区域)可以具有不同的FLS峰值计数并具有空间离散的声呐信息检测。

所述图像处理模块3用于对图像进行处理得到处理结果，并将所述处理结果输入至所述机器学习模块6和所述多维度结核计数和尺寸测量模块5。

具体地，使用摄像机图像进行短距离结核检测和特征分析是一个非常有价值的工具；从相对较短距离到底部(4到8米之间)拍摄的图像已被广泛用于地面声学测量中的结核特征描述和地面真实情况分析；因为结核与海床具有不同的灰度，图像处理可用于通过分析颜色/灰度和斑点区域提供结核丰度的总体估算，在这些图像中还可以通过边缘检测、数学形态法和区域拟合检测到单个可见结核(见图5)；这些结果不仅可以提供相对结核丰度的估算，而且还可以用来确定结核平均直径或粒径分布以及结核计数；实际结核直径与基于视觉的估算之间的实际关系(因为许多结节部分被掩埋)可以通过观察和测量格栅上的结核来调整，并使用机器学习模块6进行校正；来自图像处理模块3的输入到机器学习模块6的是采矿车视野FOV的每个扇区、扇区中检测到的块数的计数(扇区中检测到的多金属结核数)以及几何描述符的平均面积(从面积描述符和几何矩)。

进一步地，采矿车有两个正面摄像头，可以观察收集格栅、螺旋耙和格栅前面的海床附近区域；这些摄像机放置在大约3米高的地方，并且根据视场和纵向定位可以观测到海床前方6米的海床；如图6所示，以一台60度角垂直视场的相机为例安装在采矿车3米高处可以观察到前方大约6米处，考虑到采矿车行进速度为1.5米/秒，以20帧/秒的速率进行拍摄，每帧覆盖约30厘米的地面条块；因此可以分析在采矿头前方的多个条块，并确定每个条块的结核数量，包括离集矿头最近的条块结核数量的最新估计；图7是矿机向左移动的俯视图，图7中是视觉相机对采矿车前方地形的覆盖，所示的两个摄像头可以观察前方的收集路径以及相邻轨道的一小段，突出显示了两条地形；这些对应于在一帧捕获期间由采矿车以标称速度完成的预期区域遍历；因此，在这种情况下，对于图像帧的持续时间(例如：20fps相机为50毫秒)，大约30到50厘米的一条带被遍历；由于相机可以看到海里前方几米，通过对每一帧的连续分析，可以分析一帧中的这些多个条带并估计每个条带的多金属结核信息；随着机器向前移动，一条新条带从顶部进入图像，底部条带退出；因此，多个观察有助于对应于较近的条带的数据(就在进入收集格栅之前)；考虑到典型的300万像素照相机很容易获得，在长达2米的距离内，可以获得每平方厘米超过9像素的密度，这种分辨率足以用于单个结核的检测和精确计算。

图8展示了一个模拟视图的示例，该模拟视图由一个3m高的摄像机拍摄，水平视场为90度，观察0.5m等间距的结核和一个1m正方形网格，结核直径为10cm(图上部)和5cm(图下部)，结核露出50％(图右部)或30％(图左部)构成；从图中可以看出，在这种配置中，每台摄像机在机器正前方5米宽，在机器前方3米的远处为8米宽，机器前部两侧的两个摄像头可以覆盖整个采道，并能覆盖相邻采道几米宽的范围；考虑到摄像机和结构光系统的使用要求，前置摄像机需要使用结构光闪光灯；此外，相对较快的采矿车运动(约1.5m/s)和脉动光将要求在选择的相机时需要具有全局快门，以消除滚动快门图像传感器的滚动带效应。

进一步地，采矿车配备的结构光系统与摄像机配合使用(如图9所示)，可以获得近距离(高达2-3米)物体的3D点云，这些结构光系统的操作性和范围受到浑浊度和整体水中能见度的严重制约；摄像机位于结构光系统的正下方，以便能够扫描前方海底格栅，以及其旁边的附近区域；当能见度条件允许时，结构光系统在采矿车附近提供一条移动的三维点线，如图10所示，这条非常依赖于实际的海底淤泥条件的线投影在螺旋采集头的前面，这条线还可以用来提供更多的信息，以说明马上就要收集的结核集合，这有助于丰度测量的过程；通过对该轮廓线的分析，可以评估其不规则性和与海底轮廓有关的小轮廓偏差，从而提供关于结核数量和大小的补充信息。

所述侧视声呐SLS处理模块4用于将每个扫描扇区多金属结核的数据输入至所述机器学习模块6和所述多维度结核计数和尺寸测量模块5。

具体地，所述侧视声呐SLS处理模块4向所述机器学习模块6输出的信号是每个扫描扇区(类似于FLS的扇区，具有范围/角度细分)多金属结核的数据(即在海床上检测到的结核的数量、平均大小、平均体积或平均投影面积)；由于基于激光的结构光系统可以提供精确的尺寸测量，因此当海水浊度较低时，仍可准确检测到多金属结核的横截面。

进一步地，所述机器传感器8所采集的信号包括：采矿车速度、传送带速度、当前测量的浆液浓度以及每个几何区域的丰度的初始估计(被视为海底区域的矩形分区)；这些信号输入对于确定收集区域和泥浆测量之间的延迟很重要；采矿车上用于结核丰度探测的的主要传感器如图11所示，带有圆圈的为主要传感器。

所述多维度结核计数和尺寸测量模块5用于通过概率估计和数据融合方法计算出每个扇区的多金属结核密度及平均大小。

具体地，所述多维度结核计数和尺寸测量模块5将所述机器学习模块6的输入传感器信号引入本模块作为输入信号，并将每个几何区域的多金属结核数量和平均尺寸作为输出(相同的区域)以评估所述机器学习模块6的输出；所述多维度结核计数和尺寸测量模块5使用经典的概率估计和数据融合方法将多个传感器数据组合成全局测算，以结合多个冗余和互补测量，以平稳估计每个扇区/几何区域的多金属结核密度和平均大小。

所述丰度映射模块7用于接收目标数据以确定每个区域的丰度检测值，并存储传感器融合数据与相应的比例相关联的数据。

具体地，所述丰度映射模块7的目标是获得采矿车行走路径前方每个区域的丰度(Kg/m2)；其中，前端模块提供了两种数据作为所述丰度映射模块7的输入：一种用于每个区域的视觉分析(计数检测和形态信息)，另一种是视觉数据与实际矿石浓度之间的比率(即机器学习)；这两个输入在所述丰度映射模块7进行分析和整合，以得出每个区域多金属结核的计数和平均结核尺寸，并与实际比率(对于以前的段落)确定每个区域的最终丰度检测值，并以Kg/m2为单位；并且所述丰度映射模块7害具备存储功能，将用于存储传感器融合数据与相应的比率相关联的数据。

进一步地，所述机器学习模块6的过程输出是多金属结核收集量与浆料测量的参数对比，即按单位面积可以检测到的多金属结核的数量和大小与测量的浆液含量浓度之间的关系，可以系统地将视觉和声呐检测信号与实际开采的矿石输出量相关联；其中，结核丰度评估窗口是位于海底的采矿车前方的矩形分区，对应过去的某个时段(包括预计的信号延迟)滚动窗口，如图7所示。

所述机器学习模块6将执行相应的测量，其初始设有延迟机构，所述延迟机构反映了感测数据与浆液浓度测量的相对时间差的关系，体现了当前浆料读数是过去一段很短时间(延时)获取的传感器数据，此延迟的持续时间是估算器的估算时间，可根据采矿车速度、传送带速度和估计的浆料运输延迟来估算该时间延迟设定值；另外，所述机器学习模块6还设置了存储功能，其中存储了感测数据序列，以便获得与矿浆数据相关的过去测量值；最后在确定的时间内，将机器传感器8、前扫声呐FLS声学背向散射水平分析模块1、前视声呐FLS处理凸显度检测与分析模块2、图像处理模块3和侧视声呐SLS处理模块4等的信号输入数据与所述机器学习模块6输出结果进行比对；因此，输出将包括一组比率，用于对比每个单位区域的传感器测量数据与与实际矿物测量之间关系。

进一步地，所述机器学习模块6还可以：(1)从可用的异构传感器数据中估计和检测多金属结核；(2)根据多金属结核收集量与浆液测量值计算结核丰度(理想情况下，应该能够对一小部分地形这样做以获得“弱”的地面实况信息)；(3)可以使用多元回归模型将丰度与获得的数据联系起来；(4)可以基于学习模型进行矿物丰度的估计，该学习模型可以使用强化学习方案根据浆液测量信息实时不断更新；其中，为了解决多元回归问题，可以测试和实施不同的算法，即：随机森林回归，通常用于只有很少的训练样本可用，支持向量回归，在高度非线性模型的情况下使用基于核的SVMS或ANN。

进一步地，预计丰度估计输出(Kg/m2)是多个来源(声呐、视觉和潜在的三维激光扫描)数据融合的结果，对于这一估计，在采矿车上还可以获得其他信息，例如破碎机上的喂料的堆积高度和矿浆浓度(这主要是结核，因为淤泥已经在很大程度上被清除)；该信息融合将集成人工神经网络或向量机等机器学习算法，可以调整多个参数，因此，在实际运行中，系统通过学习声学后向散射水平或图像特征等可观测参数与实际丰度值之间的关系，可以实现连续丰度映射校准；在使用工作级ROV进行初步调查时，通过分析初步调查获取的声学和图像信息可得到该区域的初始结核估计值，在实际采矿作业时，采矿车与工作级ROV上的传感器获取的声学图像以及视频图像一起通过机器学习和数据融合可以进一步提高丰度映射的精度；此外，在采矿支持船上进行矿浆脱水分离处理后，实际矿石采出量的测量值可用于输入机器学习过程，从而进一步提高丰度映射精度；对于每个几何区域，将测量的计数与测量的浆液浓度进行比较，这是在确定的时间(过去检测到的数据)完成的；调整内部估计器参数(例如，在采矿车中，权重通过反向传播进行调整)以使传感器的计数/尺寸与测量的破碎矿物相匹配(因为从一定数量的多金属结核中，预期的比率与浆料可以导出)。

进一步地，如图12的深海多金属结核矿产的实时丰度探测系统架构示意图所示，图中包括前扫声呐FLS声学背向散射水平分析模块、前视声呐FLS处理凸显度检测与分析模块、图像处理模块、侧视声呐SLS处理模块、多维度结核计数和尺寸测量模块、丰度映射模块和机器学习模块；其中，前扫声呐FLS声学背向散射水平分析模块和前视声呐FLS处理凸显度检测与分析模块对前扫声呐数据进行处理，并将处理结果发送至所述机器学习模块和所述多维度结核计数和尺寸测量模块；所述图像处理模块用于对图像进行处理得到处理结果，并将所述处理结果输入至所述机器学习模块和所述多维度结核计数和尺寸测量模块；所述侧视声呐SLS处理模块用于将每个扫描扇区多金属结核的数据输入至所述机器学习模块和所述多维度结核计数和尺寸测量模块；所述机器学习模块将接收到的数据与采矿车行进速度、提升带速度、碎矿机喂料高度、矿浆浓度和初始丰度估计进行处理，并将处理结果发送至所述丰度映射模块；所述多维度结核计数和尺寸测量模块用于通过概率估计和数据融合方法计算出每个扇区的多金属结核密度及平均大小；所述丰度映射模块基于接收的数据及采矿车位置得出结核丰度图。

进一步地，基于图1所示的深海多金属结核矿产的实时丰度探测系统，本发明较佳实施例所述的深海多金属结核矿产的实时丰度探测系统的深海多金属结核矿产的实时丰度探测方法，如图13所示，所述深海多金属结核矿产的实时丰度探测方法包括以下步骤：

步骤S10、所述前扫声呐FLS声学背向散射水平分析模块和所述前视声呐FLS处理凸显度检测与分析模块对前扫声呐数据进行分析得到分析结果，所述图像处理模块对摄像机图像进行处理得到处理结果，所述侧视声呐SLS处理模块对结构光系统点云得到多金属结核数据；

步骤S20、所述多维度结核计数和尺寸测量模块基于所述分析结果、所述处理结果和所述多金属结核数据计算得到每个扇区的多金属结核密度及平均大小，所述机器学习模块基于所述分析结果、所述处理结果、所述多金属结核数据和附加信息进行处理得到结核采集参数；

步骤S30、所述丰度映射模块基于所述多金属结核密度及平均大小、所述结核采集参数及采矿车位置得到结核丰度图。

进一步地，所述附加信息包括采矿车行进速度、提升带速度、碎矿机喂料高度、矿浆浓度和初始丰度估计。

综上所述，本发明可以带来如下有益效果：本发明为深海多金属结核采矿作业区探知和测绘局部多金属结核矿产丰度变化趋势图，由工作级ROV或AUV进行测绘前预扫描，由深海多金属结核采矿车一边进行采矿作业，一边实时扫描测绘结核矿石，实时丰度探测用于对深海采矿车行走路径、速度和采集作业进行自动控制，对保证深海多金属结核采矿系统的产量和稳定采收率起到重大作用，并通过准确探测实时丰度，调整采矿车行走速度，让采矿车采集的矿石流速始终保持在一个恒定的设定值，从而矿浆提升泵工作在一个最佳的效率期间，节省能源消耗的同时免除了一套中间仓装备。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者智慧终端不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者智慧终端所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者智慧终端中还存在另外的相同要素。

当然，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硬件(如处理器，控制器等)来完成，所述的程序可存储于一计算机可读取的计算机可读存储介质中，所述程序在执行时可包括如上述各方法实施例的流程。其中所述的计算机可读存储介质可为存储器、磁碟、光盘等。

应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。