CN113591583A - 一种智能硼矿选矿系统及方法 - Google Patents

Abstract

本发明提供了一种智能硼矿选矿系统及方法，该系统包括：图像采集模块，用于获取至少一个硼矿石的图像数据，并存储至图像数据库；图像处理模块，用于对图像数据库中的图像数据进行图像预处理以选取有效图像数据，提取有效图像数据对应的颜色信息和图像特征要素；智能分类模块，用于将任一有效图像数据对应的颜色信息和图像特征要素输入预先训练的目标硼矿分类模型，利用目标硼矿分类模型对有效图像数据对应的硼矿石进行硼矿分类，得到硼矿石的硼矿类型。在硼矿选矿过程中，实现了流程化、模块化、自动化、高效化的硼矿类型识别，提高了硼矿类型检测的准确率，节省了人力、时间成本。

Description

一种智能硼矿选矿系统及方法

技术领域

本发明涉及硼矿选矿技术领域，特别是一种智能硼矿选矿系统及方法。

背景技术

硼矿是世界上重要的化工原料，在自然界中分布很广，目前已知含硼矿物有100种以上。硼矿主要用于生产硼砂、硼酸以及各种含硼化合物，这些硼化物广泛应用于国民经济的许多部门，如建材工业、冶金工业、机械工业和电子工业等。目前，硼矿选矿主要采用传统人工判别的方式。人工需要针对硼矿的颜色、形状、纹理和光泽度等方面进行分析鉴别，区分不同的矿石类型。这种传统人工鉴定方式存在的主要问题为：主观性强、工作效率低下、准确率有限、工作强度较大。在追求工业智能化的今天，这种方法已经越来越无法满足工业发展的需求。

发明内容

鉴于上述问题，本发明提出了一种智能硼矿选矿系统及方法，通过采集硼矿石的图像数据，并对图像数据进行图像预处理，获得有效图像数据的颜色信息和图像特征要素，利用目标硼矿分类模型对硼矿石进行硼矿分类，得到硼矿石的硼矿类型，实现了对于硼矿石类型的自动智能化检测，解决硼矿选矿过程中效率低、误差大的问题，提高了硼矿选矿的准确率和工作效率，节省人力及时间成本，降低对人工检测的依赖，实现了硼矿选矿过程的流程化、模块化。

依据本发明第一方面，提供了一种智能硼矿选矿系统，包括：

图像采集模块，用于获取至少一个硼矿石的图像数据，并存储至图像数据库；

图像处理模块，用于对所述图像数据库中的图像数据进行图像预处理以选取有效图像数据，提取所述有效图像数据对应的颜色信息和图像特征要素；

智能分类模块，用于将任一所述有效图像数据对应的颜色信息和图像特征要素输入预先训练的目标硼矿分类模型，利用所述目标硼矿分类模型对所述有效图像数据对应的硼矿石进行硼矿分类，得到所述硼矿石的硼矿类型。

可选地，所述图像处理模块包括图像预处理单元；所述图像预处理单元用于：

逐一对所述图像数据进行图像预处理，并判断所述图像数据是否为有效图像数据；

当所述图像数据为有效图像数据时，保存所述有效图像数据；

当所述图像数据为无效图像数据时，忽略所述无效图像数据；

其中，所述预处理包括图像灰度化、图像滤波处理、图像二值化处理中至少之一。

可选地，所述图像预处理单元还用于：

对所述图像数据进行灰度化处理得到所述图像数据对应的灰度图；

利用im2bw函数对所述灰度图进行二值化处理，提取所述灰度图中的亮斑特征，判断所述灰度图中的亮斑面积是否大于预设像素点；

当所述灰度图中的亮斑面积小于等于预设像素点时，所述图像数据为有效图像数据；当所述灰度图中的亮斑面积大于所述预设像素点时，所述图像数据为无效图像数据。

可选地，所述图像处理模块包括：

颜色信息提取单元，用于获取所述有效图像数据对应的RGB颜色值，将所述RGB颜色值作为所述有效图像数据的颜色信息并保存；

图像特征要素提取单元，用于利用特征提取算法提取所述有效图像数据对应的图像特征要素并保存；其中，所述图像特征要素包括灰度均值、方差、平滑度、偏度、能量值、熵值中至少之一。

可选地，所述智能分类模块还用于：

根据所述有效图像数据对应的颜色信息和图像特征要素生成特征要素集，对所述特征要素集中的特征要素进行数据归一化处理，得到目标检测数据；

将所述目标检测数据输入预先预先训练的目标硼矿分类模型，利用所述目标硼矿分类模型根据所述目标检测数据对所述待分类硼矿石进行智能分类，得到所述硼矿石的硼矿类型。

可选地，所述图像处理模块还用于：定期判断所述图像数据库中是否存在新增图像数据；当所述图像数据库中存在新增图像数据时，对所述新增图像数据进行图像预处理以选取新增的有效图像数据，提取所述新增的有效图像数据对应的颜色信息和图像特征要素；

所述智能分类模块还用于：定期检测新增的有效图像数据及其对应的颜色信息和图像特征要素，利用所述目标硼矿分类模型对所述新增有效图像数据对应的硼矿石进行硼矿分类，得到所述硼矿石的硼矿类型。

可选地，所述系统还包括模型构建模块；

所述模型构建模块用于：

基于卷积神经网络技术构建硼矿分类模型，并利用预先设置的硼矿图像数据样本库的样本特征要素和样本类别标签对所述硼矿分类模型进行训练、测试和验证，得到所述目标硼矿分类模型；

其中，所述样本特征要素包括颜色、形状、纹理、光泽中至少之一；所述样本类别标签为硼矿石类别名称，包括但不限于硼镁石、硼镁铁矿、镁硼石、天然硼酸、贫水硼砂、钠硼解石、硬硼钙石、白硼钙石、水方硼石、锰方硼石、天然硼砂、遂安石、柱硼镁石。

可选地，所述智能分类模块还用于：储存所述硼矿石对应的图像数据和硼矿类型；

所述模型构建模块还用于：定期获取新增的硼矿石对应的图像数据和硼矿类型，根据所述新增的硼矿石对应的图像数据和硼矿类型更新所述硼矿图像数据样本库中的样本特征要素和样本类别标签；利用更新的所述样本特征要素和样本类别标签对所述目标硼矿分类模型进行自学习，更新所述目标硼矿分类模型。

可选地，所述图像采集模块包括：

图像采集设备，用于采集所述硼矿石的光信号；

图像传感设备，与所述图像采集设备电性连接，用于将所述硼矿石对应的光信号转换为电信号；

图像信号处理器，与所述图像传感设备电性连接，用于基于所述电信号进行信号处理得到所述硼矿石的图像数据，并存储至所述图像数据库。

依据本发明第二方面，提供了一种智能硼矿选矿方法，包括：

获取至少一个硼矿石的图像数据，并存储至图像数据库；

对所述图像数据库中的图像数据进行图像预处理以选取有效图像数据，提取所述有效图像数据对应的颜色信息和图像特征要素；

将任一所述有效图像数据对应的颜色信息和图像特征要素输入预先训练的目标硼矿分类模型，利用所述目标硼矿分类模型对所述有效图像数据对应的硼矿石进行硼矿分类，得到所述硼矿石的硼矿类型。

本发明提供了一种基于图像处理技术的智能硼矿选矿系统及方法，本发明记载的方案中，通过对硼矿石的图像数据进行预处理，选取有效图像数据，提取有效图像数据的颜色信息和图像特征要素，并构建基于卷积神经网络技术的目标硼矿分类模型，利用目标硼矿分类模型对硼矿石的硼矿类型进行分析检测，实现硼矿选矿过程中对于硼矿类型的高效化、流程化、模块化的自动检测，并通过建立硼矿图像数据样本库保存硼矿图像数据特征要素和硼矿类别标签，并通过目标硼矿分类模型的自学习实现硼矿类型检测能力的提升，大大节省了人力成本，降低了硼矿类型检测的失误率。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

根据下文结合附图对本发明具体实施例的详细描述，本领域技术人员将会更加明了本发明的上述以及其他目的、优点和特征。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了本发明一种实施例提供的智能硼矿选矿系统的结构示意图；

图2示出了本发明另一种实施例提供的智能硼矿选矿系统的结构示意图；

图3示出了本发明另一种实施例提供的图像采集模块的结构示意图；

图4示出了本发明一种实施例提供的硼矿分类模型的结构示意图；

图5示出了本发明一种实施例提供的智能硼矿选矿方法的流程示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，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、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，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前提下所获得的所有其他实施例，都应当属于本申请保护的范围。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，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、产品或设备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它步骤或单元。

本发明实施例提供了一种智能硼矿选矿系统，如图1所示，该系统可以包括：图像采集模块110、图像处理模块120及智能分类模块130。

图像采集模块110，用于获取至少一个硼矿石的图像数据，并存储至图像数据库。

图像采集模块110可以设置有图像采集设备、照明系统、图像传感设备和和图像信号处理器，通过图像采集设备例如摄像机对待分类的硼矿石进行拍照，图像采集设备可以与图像传感设备电性连接，图像信号处理器可以与图像传感设备电性连接，采集硼矿石对应的图像数据，并通过以太网将采集的多个图像数据传输至外部PC端，建立图像数据库。

图像处理模块120，用于对图像数据库中的图像数据进行图像预处理以选取有效图像数据，提取有效图像数据对应的颜色信息和图像特征要素。

其中，图像预处理可以包括对像灰度化、图像滤波处理、图像二值化处理等，恢复图像数据在不同介质之间转移所导致图像的失真，并对图像数据的进行去噪、去干扰，以便于有效图像数据的选取。

有效图像数据是指可以反映图像特征值符合实际情况的图像数据。颜色信息是指图像数据颜色的RGB值。图像特征要素是指图像数据的晶体形状、纹理、灰度均值、方差、平滑度、偏度、能量值、熵值等。

智能分类模块130，用于将任一有效图像数据对应的颜色信息和图像特征要素输入预先训练的目标硼矿分类模型，利用目标硼矿分类模型对有效图像数据对应的硼矿石进行硼矿分类，得到硼矿石的硼矿类型。

本发明实施例中的硼矿类型具有种类多、肉眼难以识别等特点，为了提高硼矿类型识别的准确率，使用卷积神经网络(Convolutional Neural Network)技术构建硼矿分类模型。CNN是一种前馈神经网络，它的人工神经元可以局部响应周围的神经元，上一层神经元节点经过非线性激活函数后输出到下一层神经元，同层各节点之间没有信息相互传递。卷积神经网络中各卷积层由若干卷积单元组成，每个卷积单元的参数通过反向传播算法优化得到。低层网络结构通过卷积操作获得输入的局部特征，高层网络再通过卷积操作将局部特征卷积成全局特征。因此，在进行卷积操作时，通常会设计更深的卷积层来提取深层的图像特征。采用深度学习领域的CNN卷积神经网络技术的理论基础，构建基于卷积神经网络技术的目标硼矿分类模型，并通过该模型对硼矿石进行硼矿分类，得到硼矿石的硼矿类型。

本发明实施例通过流程化的图像数据采集、处理和类型自动识别，解决了硼矿选矿过程中检测效率低、误差大的问题，节省人力及时间成本，大大提高了硼矿石类型的检测效率和准确率。

在本发明一可选实施例中，如图2所示，图像采集模块110可以包括：图像采集设备111、图像传感设备112和图像信号处理器113。图像采集模块110中的各组成部件可以单独设置，也可以统一设置，即图像采集模块110可以单独设置如照相机、摄像机等的图像采集设备、图像传感设备以及图像信号处理器。也可以如图3所示，作为一个设备整体，包括外部机壳，机壳的一端设置有图像采集设备，如图三中的镜头；机壳内部可以设置有图像传感器和图像处理器及红外灯，红外灯用于在镜头光源较弱时提供光源补偿，使摄像机成像清晰机壳内部可以设置USB转RJ45转换器；机壳的另一端可以设有以太网电接口及双绞线接口，图像处理器通过USB转RJ45转换器和双绞线接口与外部以太网接口进行连接，以将图像数据通过以太网传输至PC端。

图像采集设备111，可以用于采集硼矿石的光信号。图像传感设备112，可以与图像采集设备电性连接，用于将硼矿石对应的光信号转换为电信号。图像信号处理器113，可以用于与图像传感设备电性连接，将电信号处理为图像数据，上传并保存至图像数据库。

也就是说，图像采集设备111可以通过摄像镜头对待分类的硼矿石进行拍照，获得硼矿石的光信号，图像传感设备112接收硼矿石的光信号，将光信号转化为电信号，电信号由图像信号处理器113处理为图像数据，通过以太网上传至外部PC端，并建立图像数据库进行保存，以便后续处理。

在本发明一可选实施例中，如图2所示，图像处理模块120可以包括：图像预处理单元121、颜色信息提取单元122和图像特征要素提取单元123。

图像预处理单元131，用于逐一对图像数据进行图像预处理，并判断图像数据是否为有效图像数据；当图像数据为有效图像数据时，保存有效图像数据；当图像数据为无效图像数据时，忽略无效图像数据；其中，预处理包括图像灰度化、图像滤波处理、图像二值化处理中至少之一。

其中，判断图像数据是否为有效图像数据，可以通过对图像数据进行灰度化处理得到图像数据对应的灰度图；利用im2bw函数对灰度图进行二值化处理，提取灰度图中的亮斑特征，判断灰度图中的亮斑面积是否大于预设像素点；当灰度图中的亮斑面积小于等于预设像素点时，图像数据为有效图像数据；当灰度图中的亮斑面积大于预设像素点时，图像数据为无效图像数据。

例如，预设像素点为1000个像素点，当识别灰度图像中的亮斑面积大于1000个像素点时，认为这张灰度图像存在巨大缺陷，会使图像的特征值偏离实际情况，将这张灰度图像作为无效图像数据，系统自动忽略，进入下一张图像数据的分析。当识别灰度图像中的亮斑面积小于等于1000个像素点时，认为这张灰度图像符合特征值实际情况，作为有效图像数据进入后续处理。

颜色信息提取单元122，用于获取有效图像数据对应的RGB颜色值，将RGB颜色值作为有效图像数据的颜色信息并保存。

在选取出有效图像数据之后，需要获取有效图像数据的颜色信息，不同的硼矿石类型具有不同的颜色，例如，硼镁石颜色为白色、灰色和浅黄，硼镁铁矿色包括黑色和黑绿，镁硼石颜色为无色和白色等等。通过将有效图像数据颜色转换成RGB值获取硼矿石的颜色信息，便于系统更准确的识别硼矿石类型。

图像特征要素提取单元123，用于利用特征提取算法提取有效图像数据对应的图像特征要素并保存。

其中，特征提取算法是一种通过利用深度学习领域的CNN卷积神经网络技术实现卷积层自动提取特征的过程。其原理在于，一个图像矩阵经过一个卷积核的卷积操作后，得到了另一个矩阵，这个矩阵叫做特征映射。每一个卷积核都可以提取特定的特征，不同的卷积核提取不同的特征。例如，输入一张人脸的图像，使用某一卷积核提取到眼睛的特征，用另一个卷积核提取嘴巴的特征等等。特征映射就是某张图像经过卷积运算得到的特征值矩阵。CNN可以理解为分块地对图像进行比对，其拿来比对的这个“小块”即称之为特征(features)。在两幅图中大致相同的位置找到一些粗糙的特征进行匹配，CNN能更好地看到两幅图的相似性，相比传统的整幅图逐一比对的方法，每一个feature就像是一个比较小的有值的二维数组，不同的feature匹配图像中不同的特征。CNN并不能准确地知道这些features到底要匹配原图的哪些部分，所以会在原图中每一个可能的位置进行尝试，即使用该卷积核在图像上进行滑动，每滑动一次就进行一次卷积操作，得到一个特征值。最后将整张图卷积过后，就会得到一个特征值在-1—1范围内的特征矩阵，矩阵中的值越接近1表示对应位置和卷积核代表的特征越接近，越接近-1表示对应位置和卷积核代表的反向特征越匹配。

本发明实施例通过基于深度学习的卷积神经网络提取的图像特征要素图像特征要素可以包括灰度均值、方差、平滑度、偏度、能量值、熵值等等。

进一步地，如图2所示，本发明实施例提供的一种智能硼矿选矿系统还可以包括：模型构建模块140。

模型构建模块140，可以基于卷积神经网络技术构建硼矿分类模型，并利用预先设置的硼矿图像数据样本库的样本特征要素和样本类别标签对硼矿分类模型进行训练、测试和验证，得到目标硼矿分类模型。

其中，样本特征要素可以包括颜色、形状、纹理、光泽等。样本类别标签为硼矿石类别名称，可以包括、硼镁石、硼镁铁、镁硼石、天然硼酸、贫水硼砂、钠硼解石、硬硼钙石、白硼钙石、水方硼石、锰方硼石、天然硼砂、遂安石、柱硼镁石等等。

首先确定硼矿石分类训练的学习程序，也就是模型训练的学习过程，通过编写模型训练的学习过程，得到初步构建的硼矿分类模型。TensorFlow是一个使用数据流图进行数值计算的开放源代码软件库，擅长训练深度神经网络，可以使用Pycharm软件，利用Tensorflow来构建CNN硼矿分类模型。

将预先收集的多个硼矿石图片数据按照不同特征进行首先将各种硼矿图片按照其不同的特征进行筛选、处理和分类，将硼矿石的颜色、形状、纹理等样本特征要素作为模型的输入值，将图片数据统一转化为相同大小，以便对硼矿分类模型进行训练和测试。

具体地，训练集和测试集可以分别在每种硼矿类型选择多张典型的硼矿石图片数据作为训练集和测试集的样本，其中，训练集样本中每个样本可以包括图像数据和对应的类型标签，测试集样本中每个样本可以包括图像数据，不包含图像数据对应的类型标签。系统可以自动从训练集样本和测试集样本对应的文件夹读取图像数据和类型标签到数组中，对硼矿类别数量及各硼矿类别对应的图像数据数量进行自动处理。如图4所示，为硼矿分类模型的结构示意图，训练集样本数组经过包含激活函数的3个卷积层与池化层、1个扁平层、包含激活函数的2个全连接层以及1个输出层，进行多次迭代，直至训练结束。通过测试集样本对完成训练的硼矿分类模型进行测试，若完成训练的硼矿分类模型在测试集样上的性能测试良好，便可用其为目标硼矿分类模型并保存，供日后识别硼矿类型时调用。

在本发明一可选实施例中，如图2所示，智能分类模块130还可以用于：根据有效图像数据对应的颜色信息和图像特征要素生成特征要素集，对特征要素集中的特征要素进行数据归一化处理，得到目标检测数据；将目标检测数据输入预先预先训练的目标硼矿分类模型，利用目标硼矿分类模型根据目标检测数据对待分类硼矿石进行智能分类，得到硼矿石的硼矿类型。

系统结合硼矿石对应的图像数据的颜色信息和图像特征要素生成特征要素集，并对特征要素集中的特征要素进行归一化处理，输入至目标硼矿分类模型，根据特征要素集中的特征要素智能匹配图像数据中的硼矿石所对应的硼矿类型，并通过PC端输出相应的结果。

进一步地，图像处理模块120还可以用于：定期判断图像数据库中是否存在新增图像数据；当图像数据库中存在新增图像数据时，对新增图像数据进行图像预处理以选取新增的有效图像数据，提取新增的有效图像数据对应的颜色信息和图像特征要素。

相应地，智能分类模块130还用于：定期检测新增的有效图像数据及其对应的颜色信息和图像特征要素，利用目标硼矿分类模型对新增有效图像数据对应的硼矿石进行硼矿分类，得到硼矿石的硼矿类型。

也就是说，操作人员可以通过PC端设置定期图像自动处理，例如，每隔1分钟自动检测系统的图像数据库是否含有新增图像数据，对新增图像数据进行逐一的图像预处理，选取新增图像中的新增有效图像，自动对新增有效图像数据进行硼矿类型识别。通过设置定期检测，可以更加灵活的对图像数据进行自动处理，节省了人工操作时间，大大提高了硼矿类型的检测效率。

进一步地，智能分类模块130还可以用于：储存硼矿石对应的图像数据和硼矿类型。

相应地，模型构建模块140还可以用于：定期获取新增的硼矿石对应的图像数据和硼矿类型，根据新增的硼矿石对应的图像数据和硼矿类型更新硼矿图像数据样本库中的样本特征要素和样本类别标签；利用更新的样本特征要素和样本类别标签对目标硼矿分类模型进行自学习，更新目标硼矿分类模型。

也就是说，在利用目标硼矿分类模型识别图像数据的硼矿类型后，将硼矿石对应的图像数据和硼矿类型作为新的样本数据，每隔一段时间系统根据新录入的样本数据更新硼矿图像数据样本库中的样本特征要素和样本类别标签，对目标硼矿分类模型进行再次训练，实现目标硼矿分类模型的自学习，提高目标硼矿分类模型的识别精度和分类准确率。

本发明提供的一种智能硼矿选矿系统，可以完成硼矿选矿过程中硼矿类型的自动识别，实现高效化、流程化、模块化的自动检测，并通过建立硼矿图像数据样本库对目标硼矿分类模型进行自学习更新，实现了目标硼矿分类模型的识别精度和分类准确率的提升，大大节省了人力成本，降低了硼矿类型识别的失误率，并通过设置定期处理，提高了系统工作的灵活性和操作人员使用的便捷度。

基于同一发明构思，本发明实施例还提供了一种智能硼矿选矿方法，如图5所示，该方法至少可以包括以下步骤S501～S503。

步骤S501，获取至少一个硼矿石的图像数据，并存储至图像数据库。

通过系统设置的图像采集设备、照明系统、图像传感设备和和图像信号处理器，对待分类的硼矿石进行拍照并传输或储存至计算机设备，进行后续处理。

步骤S502，对图像数据库中的图像数据进行图像预处理以选取有效图像数据，提取有效图像数据对应的颜色信息和图像特征要素。

图像预处理可以包括对像灰度化、图像滤波处理、图像二值化处理等，选取图像特征值符合实际情况的有效图像数据，并根据预设算法提取有效图像数据对应的颜色信息和图像特征要素。

其中，颜色信息是指图像数据颜色的RGB值，图像特征要素是指图像数据的晶体形状、纹理、灰度均值、方差、平滑度、偏度、能量值、熵值等。

步骤S503，将任一有效图像数据对应的颜色信息和图像特征要素输入预先训练的目标硼矿分类模型，利用目标硼矿分类模型对有效图像数据对应的硼矿石进行硼矿分类，得到硼矿石的硼矿类型。

利用使用卷积神经网络技术构建硼矿分类模型对待分类硼矿石的硼矿类型进行识别。其中，硼矿类型可以包括硼镁石、硼镁铁矿、镁硼石、天然硼酸、贫水硼砂、钠硼解石、硬硼钙石、白硼钙石、水方硼石、锰方硼石、天然硼砂、遂安石、柱硼镁石等等。

具体地，可以根据有效图像数据对应的颜色信息和图像特征要素生成特征要素集，对特征要素集中的特征要素进行数据归一化处理，得到目标检测数据；利用目标硼矿分类模型根据目标检测数据对待分类硼矿石进行智能分类，得到硼矿石的硼矿类型。

也就是说，系统结合硼矿石对应的图像数据的颜色信息和图像特征要素生成特征要素集，并对特征要素集中的特征要素进行归一化处理，输入至目标硼矿分类模型，根据特征要素集中的特征要素智能匹配图像数据中的硼矿石所对应的硼矿类型，并通过PC端输出相应的结果。

本发明实施例通过采集硼矿石的图像数据，并对图像数据进行图像预处理，获得有效图像数据的颜色信息和图像特征要素，利用目标硼矿分类模型对硼矿石进行硼矿分类，得到硼矿石的硼矿类型，实现了对于硼矿石类型的自动智能化检测。

进一步地，本发明实施例提供的一种智能硼矿选矿方法中，步骤S301具体还可以包括以下子步骤S501-1～S502-3：

步骤S501-1：利用图像采集设备采集硼矿石的光信号。

步骤S501-2：利用图像传感设备与图像采集设备电性连接，将硼矿石对应的光信号转换为电信号。

步骤S501-3：与图像传感设备电性连接，基于电信号进行信号处理得到硼矿石的图像数据，并存储至图像数据库。

图像处理设备可以设置有外部机壳，机壳的一端设置有摄像镜头及红外灯，机壳内部可以设置USB转RJ45转换器，机壳的另一端可以设有以太网电接口及双绞线接口。图像采集设备可以通过摄像镜头对待分类的硼矿石进行拍照，获得硼矿石光信号，图像传感设备接收硼矿石光信号，将光信号转化为电信号，电信号由图像信号处理器处理为图像数据，通过以太网上传至外部PC端，并建立图像数据库进行保存，以便后续处理。

进一步地，本发明实施例提供的一种智能硼矿选矿方法中，步骤S302具体还可以包括以下子步骤S502-1～S502-3：

步骤S502-1：逐一对图像数据进行图像预处理，并判断图像数据是否为有效图像数据；当图像数据为有效图像数据时，保存有效图像数据；当图像数据为无效图像数据时，忽略无效图像数据；其中，预处理包括图像灰度化、图像滤波处理、图像二值化处理中至少之一。

其中，判断图像数据是否为有效图像数据，可以通过对图像数据进行灰度化处理得到图像数据对应的灰度图；利用im2bw函数对灰度图进行二值化处理，提取灰度图中的亮斑特征，判断灰度图中的亮斑面积是否大于预设像素点；当灰度图中的亮斑面积小于等于预设像素点时，图像数据为有效图像数据；当灰度图中的亮斑面积大于预设像素点时，图像数据为无效图像数据。

例如，预设像素点为1000个像素点，当识别灰度图像中的亮斑面积大于1000个像素点时，认为这张灰度图像存在巨大缺陷，会使图像的特征值偏离实际情况，将这张灰度图像作为无效图像数据，系统自动忽略，进入下一张图像数据的分析。当识别灰度图像中的亮斑面积小于等于1000个像素点时，认为这张灰度图像符合特征值实际情况，作为有效图像数据进入后续处理。

步骤S502-2：获取有效图像数据对应的RGB颜色值，将RGB颜色值作为有效图像数据的颜色信息并保存。

在选取出有效图像数据之后，需要获取有效图像数据的颜色信息，不同的硼矿石类型具有不同的颜色，例如，硼镁石颜色为白色、灰色和浅黄，硼镁铁矿色包括黑色和黑绿，镁硼石颜色为无色和白色等等。通过将有效图像数据颜色转换成RGB值获取硼矿石的颜色信息，便于系统更准确的识别硼矿石类型。

步骤S502-3：利用特征提取算法提取有效图像数据对应的图像特征要素并保存。

其中，图像特征要素图像特征要素可以包括灰度均值、方差、平滑度、偏度、能量值、熵值等等。

可选地，本发明实施例提供的一种智能硼矿选矿方法还可以包括步骤S504：

步骤S504：基于卷积神经网络技术构建硼矿分类模型，并利用预先设置的硼矿图像数据样本库的样本特征要素和样本类别标签对硼矿分类模型进行训练、测试和验证，得到目标硼矿分类模型。

首先确定硼矿石分类训练的学习程序，也就是模型训练的学习过程，通过编写模型训练的学习过程，得到初步构建的硼矿分类模型。TensorFlow是一个使用数据流图进行数值计算的开放源代码软件库，擅长训练深度神经网络，可以使用Pycharm软件，利用Tensorflow来构建CNN硼矿分类模型。

将预先收集的多个硼矿石图片数据按照不同特征进行首先将各种硼矿图片按照其不同的特征进行筛选、处理和分类，将硼矿石的颜色、形状、纹理等样本特征要素作为模型的输入值，将图片数据统一转化为相同大小，以便对硼矿分类模型进行训练和测试。

具体地，训练集和测试集可以分别在每种硼矿类型选择多张典型的硼矿石图片数据作为训练集和测试集的样本，其中，训练集样本中每个样本可以包括图像数据和对应的类型标签，测试集样本中每个样本可以包括图像数据，不包含图像数据对应的类型标签。系统可以自动从训练集样本和测试集样本对应的文件夹读取图像数据和类型标签到数组中，对硼矿类别数量及各硼矿类别对应的图像数据数量进行自动处理，经过包含激活函数的3个卷积层与池化层、1个扁平层、包含激活函数的2个全连接层以及1个输出层，进行多次迭代，训练结束。通过测试集样本对完成训练的硼矿分类模型进行测试，若完成训练的硼矿分类模型在测试集样上的性能测试良好，便可用其为目标硼矿分类模型并保存，供日后识别硼矿类型时调用。

可选地，本发明实施例提供的一种智能硼矿选矿方法还可以定期判断图像数据库中是否存在新增图像数据；当图像数据库中存在新增图像数据时，对新增图像数据进行图像预处理以选取新增的有效图像数据，提取新增的有效图像数据对应的颜色信息和图像特征要素；定期检测新增的有效图像数据及其对应的颜色信息和图像特征要素，利用目标硼矿分类模型对新增有效图像数据对应的硼矿石进行硼矿分类，得到硼矿石的硼矿类型。

也就是说，操作人员可以通过PC端控制硼矿识别程序运行开始或结束，也可以设置定期图像自动处理，设置图像自动处理的时间间隔例如，每隔1分钟自动检测系统的图像数据库是否含有新增图像数据，设置图像处理缓冲区，若缓冲区无新增图像数据，则继续等待；若缓冲区存在新增图像数据，则对新增图像数据进行逐一读取及图像预处理，选取新增图像中的新增有效图像，自动对新增有效图像数据提取对应的颜色信息和图像特征要素，对颜色信息和图像特征要素进行数据归一化，输入目标硼矿分类模型，进行硼矿类型识别，将识别结果输出至PC端页面展示。硼矿类型识别完成之后，清空图像处理缓冲区的图像数据，继续循环检测系统是否存在新增图像数据，以便后续处理。

可选地，本发明实施例提供的一种智能硼矿选矿方法还可以包括以下步骤：

储存硼矿石对应的图像数据和硼矿类型；定期获取新增的硼矿石对应的图像数据和硼矿类型，根据新增的硼矿石对应的图像数据和硼矿类型更新硼矿图像数据样本库中的样本特征要素和样本类别标签；利用更新的样本特征要素和样本类别标签对目标硼矿分类模型进行自学习，更新目标硼矿分类模型。

也就是说，在利用目标硼矿分类模型识别图像数据的硼矿类型后，将硼矿石对应的图像数据及其硼矿类型作为新的样本数据，每隔一段时间系统根据新录入的样本数据更新硼矿图像数据样本库中的样本特征要素和样本类别标签，对目标硼矿分类模型进行再次训练，实现目标硼矿分类模型的自学习，提高目标硼矿分类模型的识别精度和分类准确率。

本发明实施例提供的一种智能硼矿选矿系统及方法，通过对待分类硼矿石的图像数据进行预处理，提取硼矿石图像数据对应的颜色信息和图像特征要素，并对预先构建的硼矿分类模型进行训练、测试，选取准确度更高、误差更小的硼矿分类模型作为目标硼矿分类模型，完成了硼矿选矿过程中硼矿类型的自动识别，实现高效化、流程化、模块化的自动检测，并通过建立硼矿图像数据样本库对目标硼矿分类模型进行自学习更新，实现了目标硼矿分类模型的识别精度和分类准确率的提升，大大节省了人力成本，降低了硼矿类型识别的失误率，并通过设置定期处理，提高了系统工作的灵活性和操作人员使用的便捷度。

所属领域的技术人员可以清楚地了解到，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，为简洁起见，在此不另赘述。

另外，在本发明各个实施例中的各功能单元可以物理上相互独立，也可以两个或两个以上功能单元集成在一起，还可以全部功能单元都集成在一个处理单元中。上述集成的功能单元既可以采用硬件的形式实现，也可以采用软件或者固件的形式实现。

本领域普通技术人员可以理解：所述集成的功能单元如果以软件的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，其包括若干指令，用以使得一台计算设备(例如个人计算机，服务器，或者网络设备等)在运行所述指令时执行本发明各实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM)、随机存取存储器(RAM)，磁碟或者光盘等各种可以存储程序代码的介质。

或者，实现前述方法实施例的全部或部分步骤可以通过程序指令相关的硬件(诸如个人计算机，服务器，或者网络设备等的计算设备)来完成，所述程序指令可以存储于一计算机可读取存储介质中，当所述程序指令被计算设备的处理器执行时，所述计算设备执行本发明各实施例所述方法的全部或部分步骤。

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：在本发明的精神和原则之内，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脱离本发明的保护范围。

Claims (10)

1.一种智能硼矿选矿系统，其特征在于，包括：

图像采集模块，用于获取至少一个硼矿石的图像数据，并存储至图像数据库；

图像处理模块，用于对所述图像数据库中的图像数据进行图像预处理以选取有效图像数据，提取所述有效图像数据对应的颜色信息和图像特征要素；

智能分类模块，用于将任一所述有效图像数据对应的颜色信息和图像特征要素输入预先训练的目标硼矿分类模型，利用所述目标硼矿分类模型对所述有效图像数据对应的硼矿石进行硼矿分类，得到所述硼矿石的硼矿类型。

2.根据权利要求1所述的系统，其特征在于，所述图像处理模块包括图像预处理单元；所述图像预处理单元用于：

逐一对所述图像数据进行图像预处理，并判断所述图像数据是否为有效图像数据；

当所述图像数据为有效图像数据时，保存所述有效图像数据；

当所述图像数据为无效图像数据时，忽略所述无效图像数据；

其中，所述预处理包括图像灰度化、图像滤波处理、图像二值化处理中至少之一。

3.根据权利要求2所述的系统，其特征在于，所述图像预处理单元还用于：

对所述图像数据进行灰度化处理得到所述图像数据对应的灰度图；

利用im2bw函数对所述灰度图进行二值化处理，提取所述灰度图中的亮斑特征，判断所述灰度图中的亮斑面积是否大于预设像素点；

当所述灰度图中的亮斑面积小于等于预设像素点时，所述图像数据为有效图像数据；当所述灰度图中的亮斑面积大于所述预设像素点时，所述图像数据为无效图像数据。

4.根据权利要求1所述的系统，其特征在于，所述图像处理模块包括：

颜色信息提取单元，用于获取所述有效图像数据对应的RGB颜色值，将所述RGB颜色值作为所述有效图像数据的颜色信息并保存；

图像特征要素提取单元，用于利用特征提取算法提取所述有效图像数据对应的图像特征要素并保存；其中，所述图像特征要素包括灰度均值、方差、平滑度、偏度、能量值、熵值中至少之一。

5.根据权利要求1所述的系统，其特征在于，所述智能分类模块还用于：

根据所述有效图像数据对应的颜色信息和图像特征要素生成特征要素集，对所述特征要素集中的特征要素进行数据归一化处理，得到目标检测数据；

将所述目标检测数据输入预先预先训练的目标硼矿分类模型，利用所述目标硼矿分类模型根据所述目标检测数据对所述待分类硼矿石进行智能分类，得到所述硼矿石的硼矿类型。

6.根据权利要求1所述的系统，其特征在于，

所述图像处理模块还用于：定期判断所述图像数据库中是否存在新增图像数据；当所述图像数据库中存在新增图像数据时，对所述新增图像数据进行图像预处理以选取新增的有效图像数据，提取所述新增的有效图像数据对应的颜色信息和图像特征要素；

所述智能分类模块还用于：定期检测新增的有效图像数据及其对应的颜色信息和图像特征要素，利用所述目标硼矿分类模型对所述新增有效图像数据对应的硼矿石进行硼矿分类，得到所述硼矿石的硼矿类型。

7.根据权利要求1-6所述的系统，其特征在于，所述系统还包括模型构建模块；

所述模型构建模块用于：

基于卷积神经网络技术构建硼矿分类模型，并利用预先设置的硼矿图像数据样本库的样本特征要素和样本类别标签对所述硼矿分类模型进行训练、测试和验证，得到所述目标硼矿分类模型；

其中，所述样本特征要素包括颜色、形状、纹理、光泽中至少之一；所述样本类别标签为硼矿石类别名称，包括但不限于硼镁石、硼镁铁矿、镁硼石、天然硼酸、贫水硼砂、钠硼解石、硬硼钙石、白硼钙石、水方硼石、锰方硼石、天然硼砂、遂安石、柱硼镁石。

8.根据权利要求7所述的系统，其特征在于，

所述智能分类模块还用于：储存所述硼矿石对应的图像数据和硼矿类型；

所述模型构建模块还用于：定期获取新增的硼矿石对应的图像数据和硼矿类型，根据所述新增的硼矿石对应的图像数据和硼矿类型更新所述硼矿图像数据样本库中的样本特征要素和样本类别标签；利用更新的所述样本特征要素和样本类别标签对所述目标硼矿分类模型进行自学习，更新所述目标硼矿分类模型。

9.根据权利要求1所述的系统，其特征在于，所述图像采集模块包括：

图像采集设备，用于采集所述硼矿石的光信号；

图像传感设备，与所述图像采集设备电性连接，用于将所述硼矿石对应的光信号转换为电信号；

图像信号处理器，与所述图像传感设备电性连接，用于基于所述电信号进行信号处理得到所述硼矿石的图像数据，并存储至所述图像数据库。

10.一种智能硼矿选矿方法，其特征在于，包括：

获取至少一个硼矿石的图像数据，并存储至图像数据库；

对所述图像数据库中的图像数据进行图像预处理以选取有效图像数据，提取所述有效图像数据对应的颜色信息和图像特征要素；

将任一所述有效图像数据对应的颜色信息和图像特征要素输入预先训练的目标硼矿分类模型，利用所述目标硼矿分类模型对所述有效图像数据对应的硼矿石进行硼矿分类，得到所述硼矿石的硼矿类型。

Images