一种钨矿矿石识别分选方法

摘要

一种钨矿矿石识别分选方法，包括：S1、使得多个矿石跌落并依次经过拍摄区域和喷射区域；S2、设置在拍摄区域中的摄像装置对所述矿石进行拍照并将获得的矿石照片发送到图像处理装置；S3、所述图像处理装置处理所述矿石照片以找出钨矿矿石以及所述钨矿矿石的空间坐标；S4、控制器基于所述钨矿矿石的空间坐标计算所述钨矿矿石落到喷射区域中喷阀位置处的跌落时间并控制基于所述跌落时间控制所述喷阀向所述钨矿矿石喷射压缩空气进行分选。实施本发明的钨矿矿石识别分选方法，可以进行矿石自动识别分选，因此与人工手选相比速度快、生产效率高、成本低且分选率高。

说明书

技术领域

本发明涉及矿石识别领域，更具体地说，涉及一种钨矿矿石识别分选方法。

背景技术

钨在冶金和金属材料领域中属高熔点稀有金属或称难熔稀有金属。钨及其合金是现代工业、国防及高新技术应用中的极为重要的功能材料之一，广泛应用于航天、原子能、船舶、汽车工业、电气工业、电子工业、化学工业等诸多领域。在现有技术中，通常采用手选方式对钨矿矿石进行识别采选，因此存在生产效率低、成本高、工人劳动强度大且分选率低的缺陷。

发明内容

本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种钨矿矿石识别分选方法，可以采用机械设备自动对钨矿矿石进行自动识别和分选，因此与人工手选相比速度快、生产效率高且成本低

本发明解决其技术问题所采用的技术方案是：构造一种钨矿矿石识别分选方法，包括：

S1、使得多个矿石跌落并依次经过拍摄区域和喷射区域；

S2、设置在拍摄区域中的摄像装置对所述矿石进行拍照并将获得的矿石照片发送到图像处理装置；

S3、所述图像处理装置处理所述矿石照片以找出钨矿矿石以及所述钨矿矿石的空间坐标；

S4、控制器基于所述钨矿矿石的空间坐标计算所述钨矿矿石落到喷射区域中喷阀位置处的跌落时间并控制基于所述跌落时间控制所述喷阀向所述钨矿矿石喷射压缩空气进行分选。

在本发明所述的钨矿矿石识别分选方法中，所述步骤S1进一步包括：

S11、对原始矿石进行筛选分级预处理；

S12、采用振动给料斗板对预处理后的矿石进行振动给料以使得所述矿石均匀自由跌落以依次经过所述拍摄区域和所述喷射区域。

在本发明所述的钨矿矿石识别分选方法中，所述步骤S3进一步包括：

S31、所述图像处理装置将所述矿石照片进行分割以区分背景区域和矿石区域；

S32、所述图像处理装置提取所述矿石区域的多个矿石特征以及位置；

S33、采用BP神经网络基于所述多个矿石特征进行矿石识别，并输出识别为钨矿矿石的所述矿石区域的位置。

在本发明所述的钨矿矿石识别分选方法中，所述步骤S31进一步包括：

S311、所述图像处理装置获取所述矿石照片并且对所述矿石照片进行预处理；

S312、所述图像处理装置根据预定的背景均值设定欧式距离阈值，并基于下列公式将所述矿石照片分割成背景区域和矿石区域以生成二值图像；

其中，z为所述矿石照片中的任意一点的向量，b为预定的背景均值向量。

在本发明所述的钨矿矿石识别分选方法中，所述步骤S311进一步包括：

S3111、调整所述矿石照片的大小；

S3112、采用顶帽换算法校正所述矿石照片。

在本发明所述的钨矿矿石识别分选方法中，所述步骤S32进一步包括：

S321、判断所述矿石区域的数量是否为零，如果是则返回步骤S2重新获取新的矿石照片，否则执行步骤S322；

S322、进行连通区域分析以对每个矿石区域进行标号并获取每个矿石区域的位置；

S323、获取每个矿石区域的多个矿石特征。

在本发明所述的钨矿矿石识别分选方法中，所述步骤S3进一步包括：

S3A、获取矿石训练图像并基于深度学习训练所述矿石训练图像以获得多个建模系数；

S3B、采用卷积神经网络基于所述多个建模系数构建所述处理模型；

S3C、基于所述处理模型测试所述矿石照片以获得掩膜图像；

S3D、基于所述矿石照片和所述掩膜图像获得矿石图像以识别钨矿矿石并输出所述钨矿矿石的空间坐标。

在本发明所述的钨矿矿石识别分选方法中，所述步骤S3A进一步包括：

S3A1、获取矿石训练图像并且提取所述矿石训练图像的特征性质和矿石空间坐标；

S3A2、基于所述特征性质构获得所述矿石训练图像的性质显著图且基于所述矿石空间坐标获得所述矿石训练图像的位置显著图；

S3A3、基于所述性质显著图和所述位置显著图计算所述多个建模系数。

在本发明所述的钨矿矿石识别分选方法中，所述步骤S3C进一步包括：

S3C1、获取所述矿石照片；

S3C2、采用所述处理模型测试所述矿石照片以生成测试显著图；

S3C3、优化处理所述测试显著图以生成所述掩膜图像。

在本发明所述的钨矿矿石识别分选方法中，所述步骤S3D进一步包括：

S3D1、对所述矿石照片进行边角点检测以获得边角点特征点集；

S3D2、将所述边角点特征点集与所述掩膜图像相乘以获得矿石预处理图像；

S3D3、对所述矿石图像进行分割处理以获得所述矿石图像；

S3D4、将所述矿石图像区域识别为钨矿矿石并输出所述钨矿矿石的空间坐标。

实施本发明的钨矿矿石识别分选方法，可以进行矿石自动识别分选，因此与人工手选相比速度快、生产效率高、成本低且分选率高。进一步地，通过对矿石照片的预处理以及BP神经网络的采用，可以进一步提高矿石识别的识别率和稳定性。进一步地，通过基于深度学习训练获得的处理模型识别矿石，可以以很高的精度快速准确地自动识别矿石。进一步地，通过采用CCD面阵相机可以在同一时刻获得更多的矿石特征性质，提高空间分辨率，处理量大。再进一步地，通过基于采用ReLU激活函数的卷积神经网络构建处理模型，能够更加有效地对即使发生位移、变形的待测试的所述矿石照片进行识别，进而进一步提高识别的准确性。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1是本发明的钨矿矿石识别分选方法的第一实施例的流程图；

图2是本发明的钨矿矿石识别分选方法的原理示意图；

图3是本发明的钨矿矿石识别分选方法的工艺流程示意图；

图4是本发明的钨矿矿石识别分选方法的第二实施例采用的图像处理方法的流程图；

图5是本发明的钨矿矿石识别分选方法的第三实施例采用的图像处理方法的流程图；

图6A-6C是采用图5所示的图像处理方法对矿石照片进行分割识别的效果示意图；

图7是3层BP神经网络的结构示意图；

图8是图5的图像处理方法采用的BP神经网络的结构示意图；

图9是本发明的钨矿矿石识别分选方法的第四实施例采用的图像处理方法的流程图；

图10是本发明的钨矿矿石识别分选方法的第五实施例采用的图像处理方法的流程图；

图11是图10所示的图像处理方法中采用的卷积神经网络的模型结构图；

图12A-12E是采用图11所示的图像处理方法识别的第一矿场的矿石的效果示意图；

图13A-13D是采用图11所示的图像处理方法识别的第二矿场的矿石的效果示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。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。

本发明涉及一种钨矿矿石识别分选方法。本发明的各个方面包括首先使得多个矿石跌落并依次经过拍摄区域和喷射区域。然而设置在拍摄区域中的摄像装置对所述矿石进行拍照并将获得的矿石照片发送到图像处理装置。所述图像处理装置处理所述矿石照片以找出钨矿矿石以及所述钨矿矿石的空间坐标。控制器基于所述钨矿矿石的空间坐标计算所述钨矿矿石落到喷射区域中喷阀位置处的跌落时间并控制基于所述跌落时间控制所述喷阀向所述钨矿矿石喷射压缩空气进行分选。实施本发明的钨矿矿石识别分选方法，可以进行矿石自动识别分选，因此与人工手选相比速度快、生产效率高、成本低且分选率高。

图1是本发明的钨矿矿石识别分选方法的第一实施例的流程图。图2是本发明的钨矿矿石识别分选方法的原理示意图。如图1-2所示，在步骤S1中，使得多个矿石跌落并依次经过拍摄区域A和喷射区域B。在拍摄区域A中，设置摄像装置3，在喷射区域B设置喷阀4。在本发明的优选实施例中，可以采用振动给料斗板振动给料以使得所述矿石均匀自由跌落以依次经过所述拍摄区域A和所述喷射区域B。例如在本发明的一个优选实施例中，可以采用整流器和电磁振动给料机构成的振动给料系统，均匀给料矿石。

在本发明的一个优选实施例中，可以原始矿石进行筛选分级预处理。图3示出了本发明的钨矿矿石识别分选方法的工艺流程示意图。如图3所示，对于从矿场刚刚挖出来的出窿原矿，可以先采圆筒筛进行筛选，然后通过双层振动筛进行分级(-55mm),双层振动筛筛分成+55mm、+45～-55mm、+20～-45mm、+12～-20mm、-12mm等五个粒级。然后在通过皮带将+45～-55mm、+20～-45mm两个粒级矿石通过皮带运输机运输至进行钨矿矿石识别分选的位置。

在步骤S2中，设置在拍摄区域A中的摄像装置3对所述矿石进行拍照并将获得的矿石照片发送到图像处理装置。在本发明一个优选实施例中，可以采用工业相机，例如面阵相机和线阵相机进行拍摄。然后将拍摄的矿石训练图像通过千兆网、camera link、USB3.0等接口直接传入图像处理装置，例如计算机。

在步骤S3中，所述图像处理装置处理所述矿石照片以找出钨矿矿石以及所述钨矿矿石的空间坐标。在本发明中，所述图像处理装置可以采用本领域中已知的任何图像处理方法处理所述矿石照片从而识别出其中的钨矿矿石并获得其坐标。

在步骤S4中，控制器基于所述钨矿矿石的空间坐标计算所述钨矿矿石落到喷射区域B中喷阀位置处的跌落时间并控制基于所述跌落时间控制所述喷阀4向所述钨矿矿石喷射压缩空气进行分选。如2所示，喷阀4设置在喷射区域B，在所述钨矿矿石正好落到喷阀4面前时，强力开启，钨矿矿石将被高速气流击中，偏离水平位置，这样自然就落到通过间隔板5分割的合格矿仓中了。进一步如图3所示，分选出的钨矿矿石下一步与+12～-20mm的矿石一起进入合格矿仓，废石则进入废石矿仓；-12mm的矿石经6-S跳汰机选出粗精矿，跳汰尾矿也进入合格矿仓。在本发明的一个优选实施例中，可以采用控制器、阵列喷阀、储气罐、喷阀驱动器、空压机构成的气动系统实现所述钨矿矿石的分选。在该实施例中，优选还可以包括干燥机。在该实施例中，空压机将大气压下的空气吸入后压缩并以较高的压力输出。输出的高压气体可以输入到干燥机等空气净化设备中进行进一步地除水、除油等进行净化。然后洁净的压缩空气通过管道输送至阵列喷阀处。控制器基于所述钨矿矿石的空间坐标计算所述钨矿矿石落到喷射区域B中喷阀位置处的跌落时间，然后控制喷阀驱动器在该跌落时间启动，进而控制阵列喷阀开启，然后高压气流将准确的喷射到刚好下落的喷阀前的矿石。控制器可以采用本领域中已知的任何算法计算合适的跌落时间，基于本发明的教导，本领域技术人员能够对各种算法进行合适的选择。

实施本发明的钨矿矿石识别分选方法，可以进行矿石自动识别分选，因此与人工手选相比速度快、生产效率高、成本低且分选率高。

图4是本发明的钨矿矿石识别分选方法的第二实施例采用的图像处理方法的流程图。如图4所示，本发明的图像处理方法包括以下步骤。在步骤S1中，所述图像处理装置获取所述矿石照片并且对所述矿石照片进行预处理。在本发明的优选实施例中，可以采用工业相机，例如面阵相机和线阵相机进行拍摄。然后将拍摄的图片通过千兆网、camera link、USB3.0等接口直接传入处理器。对于线阵相机拍摄的照片，通常需要在相机端设定扫描频率，再合成一张大的图片。无论是面阵相机还是线阵相机，考虑到实际矿石下落的范围，速度、相机成像平面等因素，通常会需要对照片的大小进行一定的调整。因此，预处理可以包括调整所述矿石照片的大小，例如从较大的拍摄区域中选取一个合适的范围，例如矩形范围。当拍摄区域较大时，虽然光源可以稳定，但光照很难均匀，这时预处理可以包括采用顶帽算法校正所述矿石照片，从而矫正光照。顶帽变换算法由该照片(RGB三个分量)减去对其进行开操作的结果。

在步骤S2中，所述图像处理装置采用欧式距离变换将预处理后的所述矿石照片分割成背景区域和矿石区域。在本发明的一个优选实施例中，可以根据预定的背景均值设定欧式距离阈值，并基于下列公式将所述矿石照片分割成背景区域和矿石区域以生成二值图像

其中，z为所述矿石照片中的任意一点的向量，b为预定的背景均值向量。下标R、G和B表示向量的三个分量值。对于所述矿石照片中满足上述公式的图像点，可以将其划分为背景区域。对于所述矿石照片中不满足上述公式的图像点，可以将其划分为矿石区域。这样，可以获得二值图像。

当然，在本发明的简化实施例中，所述步骤S1和S2可以简化成可以不对所述矿石照片进行预处理，而是所述图像处理装置将所述矿石照片进行分割以区分背景区域和矿石区域。

在步骤S3中，提取所述矿石区域的多个矿石特征以及位置。在本发明的优选实施例中，可以获取每个矿石区域的一个或者多个矿石特征以及其位置。例如可以采用两次扫描法、联合查找法等等进行连通区域分析，从而获得每个矿石区域。所述一个或多个矿石特征可以包括：灰度最大值、灰度最小值、面积、对比度、红色分量的均值、绿色分量的均值和蓝色分量的均值。

在步骤S4中，采用BP神经网络基于所述多个矿石特征进行矿石识别，并输出识别为矿石的所述矿石区域的位置。在采用BP神经网络进行矿石识别之前，BP神经网络已经对矿石样本和废石样本进行学习以确定权值和学习率。在矿石识别完成之后，可以将识别为矿石的所述矿石区域的在矿石照片中的位置(即行和列)发送给控制器。

图5是本发明的钨矿矿石识别分选方法的第三实施例采用的图像处理方法的流程图。图6A-6C是采用图5所示的图像处理方法对矿石照片进行分割识别的效果示意图；图7是3层BP神经网络的结构示意图；图8是图5的图像处理方法采用的BP神经网络的结构示意图。

下面参照图5-8对本发明的钨矿矿石识别分选方法在钨矿矿石领域的应用说明如下。

如图5所示，本发明的钨矿矿石识别分选方法包括以下步骤。在步骤S1中，调整所述矿石照片的大小，例如从较大的拍摄区域中选取一个合适的范围，例如矩形范围。

在步骤S2中，采用顶帽算法校正所述矿石照片，从而矫正光照。顶帽变换算法由该照片(RGB三个分量)减去对其进行开操作的结果。

在步骤S3中，采用欧式距离变换将预处理后的所述矿石照片分割成背景区域和矿石区域。在RGB色彩空间中，预先设定好光源的参数(位置，光照强度等)可以很稳定的估计好背景板的色彩空间位置，从而获得预定的背景均值，其可记做向量b，向量z为所述矿石照片中的任意一点的向量；两者之间的欧式距离由下述公式给出：

其中R，G，B下标表示向量的三个分量值。设定好threshold的值，则满下标R、G和B表示向量的三个分量值。对于所述矿石照片中满足上述公式的图像点，可以将其划分为背景区域。对于所述矿石照片中不满足上述公式的图像点，可以将其划分为矿石区域。这样，在步骤S4中，可以获得二值图像。图6A示出了原始的矿石照片，图6B示出了分割后的二值图像。在实施例中，可以将背景板设置成纯色，例如红色，这样在RGB色彩模型下，通过界定背景色彩占据的空间可以找到矿石照片的背景区域，剩下的区域即为矿石区域。而该矿石区域中可以包括废石，也可以包括矿石。

在步骤S5中，判断所述矿石区域的数量是否为零。当矿石区域的数量为零时，这说明这张矿石照片中没有发现可能包含矿石的矿石区域，这时无需进行后续识别，将返回步骤S1，读取下一张矿石照片进行判定。当矿石区域的数量为1时，这说明这张矿石照片中发现可能包含矿石的矿石区域，这时需进行后续识别，继续执行步骤S6。

在步骤S6中，进行连通区域分析以对每个矿石区域进行标号并获取每个矿石区域的位置。在本发明的一个优选实施例中，执行步骤S6的目的有两个，一个是给每个矿石区域进行标号以便于后面对每个矿石区域的矿石特性单独进行获取，而此时背景区域就不需要参加计算。二是获取每个矿石区域的位置，即计算每个矿石区域的面积以及其相对区域中心的位置。此后，该面积可以作为识别矿石区域的矿石特征。当然，在本发明的其他优选实施例中，可以后续步骤中获取该面积。连通区域分析的方法有很多种，均可以用于本发明。在本发明的优选实施例中，采用两次扫描法，或是联合查找法。

在步骤S7中，提取一个矿石区域的多个矿石特征。在本实施例中，由于是对钨矿矿石进行识别，根据钨矿矿石以及废石的颜色、光泽、纹理等特性，选用了7个特征值：最大灰度值，最小灰度值，面积，对比度，红色分量的均值，绿色分量的均值，蓝色分量的均值。在这几个矿石特征中，前四个均有灰度图算出。RGB彩色图到灰度图的转换关系如下：

0.2989*R+0.5870*G+0.1140*B

对比度采用如下公式计算：

其中max、min分别表示灰度的最大值和最小值。

由于仅计算矿石区域中的矿石特征，而背景区域不会参与计算。这样会得到理想的分选效果。

本领域技术人员知悉，虽然本实施例是选择了7个特征值对钨矿矿石进行识别，但是本领域技术人员可以根据矿石的种类，产地等等实际因素增加或者减少所需的特征值。

在步骤S8中，采用BP神经网络基于所述多个矿石特征进行矿石识别，并判定识别结果是否为1。图7示出了3层BP网络的结构图，输入节点X_i,隐节点Y_j，输出节点O_l，输入节点与隐层节点间的网络权值为ω_ij，隐层节点与输出节点间的网络权值为V_lj。本领域技术人员知悉，在识别工作之前，首先采用该BP神经网络学习含钨矿矿石石和废石的特征以实现任意非线性关系的映射。学习含钨矿矿石石和废石的特征阶段用来确定算法的参数即权值。而工作阶段即可根据输入的特征和训练好的权值之间的运算得到输出。在本实施例中，选取了1000个样本，其中700个废石样本，300个钨矿矿石样本。在综合计算时间、内存消耗、分选效果等诸多因素后，经过大量的测试，确定了隐藏层节点数为11个，学习速率为0.8，迭代次数为5000。当然，在本发明的其他优选实施例中，可以采用其他数量的样本进行学习测试。基于本发明的教导以及已知的BP神经网络相关知识，本领域技术人员能够实现BP神经网络的设计和完善。

图8是本发明的钨矿矿石识别分选方法采用的BP神经网络的结构示意图。如图8所示，输入节点为7个，对应为上述7个特征：1-灰度最大值，2-灰度最小值，3-面积，4-对比度，5-红色分量的均值，6-绿色分量的均值以及7-蓝色分量的均值。输出节点为1个，值为0或者1。隐藏层节点为11个。当输出结果为0时，表示识别该矿石区域为废石，而输出结果为1时，表示识别该矿石区域为钨矿矿石。

当在步骤S8中，输出结果为1，表示识别该矿石区域为钨矿矿石，这时执行步骤S9，输出所述矿石区域的位置，然后执行步骤S10，判断是否全部矿石区域分析完毕。当在步骤S8中，输出结果为0，表示识别该矿石区域为废石，这时执行步骤S10，判断是否全部矿石区域分析完毕。

优选地，在步骤S9中，由于输出是在矿石区域中钨矿矿石的中心位置(行和列)。该位置将返回给处理器，将该图像中的行和列变换成实际中的钨矿矿石的运动位置，进而驱动喷射装置喷射所述矿石。

在步骤S10中，如果判定全部矿石区域并未分析完毕，那么将返回步骤S6，读取下一张个矿石区域，重复上述处理过程S6-S10，直到本张矿石照片的全部矿石区域分析完毕。在步骤S10中，如果判定全部矿石区域分析完毕，那么这一张矿石照片分析完毕，将返回步骤S1，读取下一张矿石照片，重复上述处理过程S1-S10，直到全部的矿石照片处理完毕。图6C示出了采用本发明的方法识别出的矿石图像，其中识别出的矿石用蓝色的线圈出了它们的边界。

在本实施例中，通过对矿石照片的预处理以及BP神经网络的采用，可以进一步提高矿石识别的识别率和稳定性。本发明的钨矿矿石识别分选方法在实际应用中，该方法识别率在90％以上，且其快速、稳定、符合工业要求。

图9是本发明的钨矿矿石识别分选方法的第四实施例采用的图像处理方法的流程图。如图9所示，本发明的图像处理方法包括以下步骤。在步骤S1中，获取矿石训练图像并基于深度学习训练所述矿石训练图像以获得多个建模系数。在本发明的一个优选实施例中，可以采用工业相机，例如面阵相机和线阵相机进行拍摄。然后将拍摄的矿石训练图像通过千兆网、camera link、USB3.0等接口直接传入处理器，例如计算机。然后，计算机利用这些矿石训练图像，基于深度学习训练所述矿石训练图像，从而构造出所需的建模系数。例如可以对属于不同矿山的矿石训练图像进行大量的采样，自组织地建立关于待测石料的颜色、亮度、透明度和反射率等特征参数与该待测石料是否为矿石之间的可选关系，通过学习和训练，构建所需的建模系数。

在所述步骤S2中，基于所述多个建模系数构建处理模型。例如，在本发明的一个优选实施例中，可以采用卷积神经网络基于所述多个建模系数构建所述处理模型。在本发明中，由于对于矿石的识别是将图像识别问题作为一能量函数最小化问题来处理,能量函数决定了网络结构。基于神经网络的图像识别分割的基本思想是通过训练多层感知机来得到线性决策函数,然后用决策函数对像素进行分类来达到分割的目的。神经网络一般要用训练样本对其进行训练。图像识别可以看作一个约束满足问题(CSP),并利用约束满足神经网络来解决。神经认知机对模式信号的识别比认知机强得多，无论信号的变换、转换、失真、大小的改变都可以处理。神经认知机将一个视觉模式分解成许多子模式(特征)，然后进入分层递阶式相连的特征平面进行处理，它试图将视觉系统模型化，使其能够在即使物体有位移或轻微变形的时候，也能完成识别。通常神经认知机包含两类神经元，即承担特征抽取的S-元和抗变形的C-元。S-元中涉及两个重要参数，即感受野与阈值参数，前者确定输入连接的数目，后者则控制对特征子模式的反应程度。因此，在本发明的一个优选实施例中，可以采用卷积神经网络LeNet-5。在本发明中，所述步骤S1-S2可以提前执行从而生成所述处理模型，并将该处理模型存储在图像处理装置中。在实际实施钨矿矿石识别分选时，图像处理装置可以直接调用该处理模型执行后续步骤。

在步骤S3中，基于所述处理模型测试待测试的所述矿石照片以获得掩膜图像。在本发明的一个优选实施例中，可以采用工业相机，例如面阵相机和线阵相机进行拍摄。然后将拍摄的图像通过千兆网、camera link、USB3.0等接口直接传入处理器，例如计算机。然后可以将这些图像作为待测试的所述矿石照片。将这些待测试的所述矿石照片采用所述处理模型测试之后，就可以直接生成掩膜图像。当然，在本发明的其他优选实施例中，还可以对生成的图像进行优化处理，然后再将优化后的图像作为掩膜图像。

在步骤S4中，基于待测试的所述矿石照片和所述掩膜图像获得矿石图像以识别矿石。在本发明的一个优实施例中，可以对待测试矿石图像进行预处理，也可以直接将所述待测试的所述矿石照片和所述掩膜图像相乘直接获得矿石图像。这时可以将矿石图像直接分割处理成矿石图像区域和背景区域。然后将矿石图像区域识别为矿石。在本发明的进一步的优选实施例中，还可以将所述矿石图像区域的位置转换成所述矿石的运动位置，然后驱动喷射装置基于所述运动位置喷射所述矿石。

本领域技术人员知悉，在本发明中，建立处理模型的步骤S1-S2和测试识别步骤S3-S4并不一定需要连续顺序执行。例如，可以首先执行步骤S1-S2以获得合适的处理模型，然后将该处理模型重复用于执行步骤S3-S4以完成矿石识别。实施上述图像处理方法，通过基于深度学习训练获得的处理模型识别矿石，可以以很高的精度快速准确地自动识别矿石。

图10是本发明的钨矿矿石识别分选方法的第五实施例采用的图像处理方法的流程图。如图10所示，在步骤S1中，获取矿石训练图像并且提取所述矿石训练图像的特征性质和矿石空间坐标。在本发明的一个优选实施例中，可以采用工业相机，例如面阵相机和线阵相机进行拍摄。然后将拍摄的矿石训练图像通过千兆网、camera link、USB3.0等接口直接传入处理器，例如计算机。然后，可以分别提取所述矿石训练图像的特征性质和矿石空间坐标。例如可以提取一个、两个、三个或者多个特征性质。所述特征性质可以包括颜色、亮度、透明度和反射率等等特征参数中的一者或以上。在本发明的一个优选实施例中，可以多线程同时提取多个特征性质以及矿石空间坐标。

在步骤S2中，基于所述特征性质获得所述矿石训练图像的性质显著图且基于所述矿石空间坐标获得所述矿石训练图像的位置显著图。在本发明的一个优选实施例中，可以同时多线程分别采用高斯金字塔和中央周边差算法基于多个所述特征性质构建所述矿石训练图像的多个特征性质图。然后，采用交叉尺度组合和归一化算子基于多个所述特征性质图获得所述矿石训练图像的多个所述性质显著图。与此同时，或者之后，可以采用二维高斯分布基于所述矿石空间坐标获得所述矿石训练图像的位置显著图。

在步骤S3中，基于所述性质显著图和所述位置显著图计算所述多个建模系数。在本发明的一个优选实施例中，可以采用尺度不变特征转换算法基于多个所述性质显著图和所述位置显著图计算所述多个建模系数。

在步骤S4中，采用卷积神经网络基于所述多个建模系数构建所述处理模型。在本实施例中，所述卷积神经网络采用ReLU激活函数。图11是图10所示的图像处理方法中采用的卷积神经网络的模型结构图。如图11所示，该卷积神经网络从输入层和输出层由前到后分别为conv1、pool1、conv2、pool2、内积层1、ReLU激活函数、内积层2。将输入数据为64张大小为256*256的矿石训练图像为一组(共有64*3*256*256个元素)；conv1层读取该输入数据进行卷积运算，conv1层中过滤器(也就是卷积核)大小为5*5，步长为1，输出20个大小为252*252的特征图(共有64*20*252*252个元素)；conv1到pool1层进行最大池化，输出特征图的宽和高池化到上一层的一半大小，特征图数量不变，输出20个大小为126*126的特征图(共有64*20*126*126个元素)；同理，conv2输出50个大小为122*122的特征图(共有64*50*122*122个元素)；pool2输出50个大小为61*61的特征图(共有64*50*61*61个元素)。内积层1输出500个特征图(共64*500个元素)；之后经过ReLU，元素数量没有变化；内积层2输出特征图为N(共64*N，N为大于或者等于2的整数)，意在表示本网络模型做的是N-分类，最终以SoftMaxWithLoss函数计算结果作为输出结果。

在本实施例中，采用的激活函数为ReLU，当然在本发明的其他实施例中，也可以采用sigmoid作为激活函数。在本发明中，采用ReLU激活函数的优势不仅仅在于有效避免局部最优问题，还可以，将输入数据映射到最后输出层，让输出层中的数据样本变得线性可分。

在步骤S5中，获取待测试的所述矿石照片。如前所述，这些矿石照片可以是设置在拍摄区域中的摄像装置，如CCD面阵相机拍摄，然后通过千兆网、camera link、USB3.0等接口直接传入图像处理器的，例如计算机。

在步骤S6中，采用步骤S4中获得的所述处理模型测试所述待测试的所述矿石照片以生成测试显著图。在本发明的一个优选实施例中，可以采用结果分析以及视觉优化处理模型。本领域技术人员可以采用任何已知的处理方法来利用所述处理模型测试所述待测试的所述矿石照片以生成测试显著图。

在步骤S7中，优化处理所述测试显著图以生成所述掩膜图像。在本发明的一个优选实施例中，可以采用阈值分割、形态学处理和中值滤波处理进行优化处理。在本发明的其他优选实施例中，还可以采用其他适合的处理方法进行相关优化。

在步骤S8中，对从步骤S5中获得的所述待测试的所述矿石照片进行边角点检测以获得边角点特征点集。当然，在本发明的其他优选实施例中，可以不对所述待测试的所述矿石照片进行处理，也可以进行其他类型的预处理。

在步骤S9中，将从步骤S8获得的所述边角点特征点集与从所述步骤S7获得的所述掩膜图像相乘以获得矿石图像。

在步骤S10中，可以所述矿石图像进行分割处理以获得矿石图像区域和背景区域。在本发明中，可以利用本领域中已知的任何图像分割算法，例如水岭分割算法、金字塔分割算法以及均值漂移分割算法等等进行图像分割。

在步骤S11中，可以将所述矿石图像区域识别为矿石。在本发明的优选实施例中，还可以将识别为矿石的区域与实际情况进行对比，从而计算矿石快速识别方法的准确率的步骤。

图12A-12E是采用图11所示的图像处理方法识别的第一矿场的矿石的效果示意图。图13A-13D是采用图11所示的图像处理方法识别的第二矿场的矿石的效果示意图。如图12A-13D所示，虽然图像发生位移，变形，也能准确进行识别。

本领域技术人员知悉，如前所述，对于上述步骤S1-S11，除文中另有定义外，其执行顺序可以打乱，也可以同时执行，或者逆序执行，也可以不连续执行，而是间隔执行。在本实施例的图像处理方法中，通过基于深度学习训练获得的处理模型识别矿石，可以以很高的精度快速准确地自动识别矿石。进一步地，通过采用CCD面阵相机可以在同一时刻获得更多的矿石特征性质，提高空间分辨率，可以对粒级较小的矿石进行分选，处理量大，可实现40t/h，。再进一步地，通过基于采用ReLU激活函数的卷积神经网络构建处理模型，能够更加有效地对即使发生位移、变形的待测试的所述矿石照片进行识别，进而进一步提高识别的准确性。

本领域技术人员知悉，虽然图4-10示出了优选的图像处理方法，在本发明的其他优选实施例中，还可以采用其他的图像处理方法进行图像处理。

因此，本发明可以通过硬件、软件或者软、硬件结合来实现。本发明可以在至少一个计算机系统中以集中方式实现，或者由分布在几个互连的计算机系统中的不同部分以分散方式实现。任何可以实现本发明方法的计算机系统或其它设备都是可适用的。常用软硬件的结合可以是安装有计算机程序的通用计算机系统，通过安装和执行程序控制计算机系统，使其按本发明方法运行。

本发明还可以通过计算机程序产品进行实施，程序包含能够实现本发明方法的全部特征，当其安装到计算机系统中时，可以实现本发明的方法。本文件中的计算机程序所指的是：可以采用任何程序语言、代码或符号编写的一组指令的任何表达式，该指令组使系统具有信息处理能力，以直接实现特定功能，或在进行下述一个或两个步骤之后实现特定功能：a)转换成其它语言、编码或符号；b)以不同的格式再现。

虽然本发明是通过具体实施例进行说明的，本领域技术人员应当明白，在不脱离本发明范围的情况下，还可以对本发明进行各种变换及等同替代。另外，针对特定情形或材料，可以对本发明做各种修改，而不脱离本发明的范围。因此，本发明不局限于所公开的具体实施例，而应当包括落入本发明权利要求范围内的全部实施方式。