CN119368320A - 一种智能摇床导流接矿分选系统、分选方法及软件中枢平台 - Google Patents

Abstract

本发明涉及一种智能摇床导流接矿分选系统、分选方法及软件中枢平台，包括高性能服务器、触摸显示屏、数据交换机、中央控制柜、千兆以太网线路、摇床群组、导流接矿分选装置、摇床给水控制群组、摇床给矿控制群组，摇床群组包含多台摇床，摇床群组包括摇床群组上游、摇床群组中游、摇床群组下游，每个摇床均用于矿物分选，并配有导流接矿分选装置，导流接矿分选装置通过第一千兆以太网线路与数据交换机连接，传输图像数据至高性能服务器，并通过第二千兆以太网线路与高性能服务器传输控制指令。本发明通过一控多智能控制中心，同时控制多台摇床，实现矿带分界点的精确识别和动态调整导流接矿板的功能，从而降低劳动强度，提高分选精度和效率。

Description

一种智能摇床导流接矿分选系统、分选方法及软件中枢平台

技术领域

本发明属于选矿技术领域，尤其涉及一种智能摇床导流接矿分选系统、分选方法及软件中枢平台。

背景技术

在非煤矿山的选矿流程中，重选工艺扮演着至关重要的角色，特别是在钨、锡、钽、铌、金等稀有及贵金属矿石的分选过程中。作为该工艺中的核心设备，选矿摇床通过其独特的水流推动与非对称往复运动，使矿物在床面上得以松散和分层，形成富集精矿带、中矿带及尾矿带等扇形矿带分布。然而，尽管摇床在选矿领域发挥着不可替代的作用，其操作至今仍主要依赖人工，尤其是在精矿带的动态定位和导流分选收集方面。选矿厂中通常配备数十甚至上百台摇床，工人们需不间断地监视矿带变化，凭借经验手动调整导流接矿板，以适应矿带位置的实时变动。这种依赖人工的操作方式不仅劳动强度大，而且因工人主观判断和经验的差异，难以确保分选精度和效率的一致性，同时也难以避免因调整滞后造成的精矿损失。

尽管市场上已出现一些自动化技术，尝试替代或辅助人工操作，但它们在实际应用中表现出明显的局限性。现有自动化技术通常存在几方面问题：首先，自动控制装备往往只能单一控制或仅控制单个工艺段，难以实现多工艺段的摇床集中控制，这不仅导致投入成本高昂，还使统筹管理和控制不便；其次，这些设备在接矿位置的准确性、调节频率和响应速度方面存在不足，处理性能无法满足生产要求；最后，现有自动化系统受作业环境影响较大，对摇床的给矿、给水、震动参数以及环境光照高度敏感，且缺乏闭环反馈控制，导致系统难以实现稳定运行。这些弊端不仅未能有效减轻工人的劳动强度，反而可能因技术失误而导致精矿损失，增加生产成本，降低选矿效率。

发明内容

针对现有技术的不足，本发明提供了一种智能摇床导流接矿分选系统、分选方法及软件中枢平台，以实现矿带分界点的精确识别和动态调整导流接矿板的功能，从而降低劳动强度，提高分选精度和效率，并克服现有自动化设备在精确度、响应速度和环境适应性方面的局限性。

为实现上述目的，本发明的技术方案如下：

一种智能摇床导流接矿分选系统，包括高性能服务器、触摸显示屏、数据交换机、中央控制柜、第一千兆以太网线路、第二千兆以太网线路、摇床群组、导流接矿分选装置、摇床给水控制群组和摇床给矿控制群组，高性能服务器用于处理采集的图像数据并生成控制命令，触摸显示屏与高性能服务器直接连接以提供用户操作和监控界面，数据交换机与高性能服务器连接以汇聚来自多个摇床的图像数据，中央控制柜用于集成并安装高性能服务器、触摸显示屏及数据交换机，摇床群组包含多台摇床，摇床群组包括摇床群组上游、摇床群组中游、摇床群组下游，摇床群组中游为摇床群组上游的下一个选矿工艺阶段，摇床群组下游为摇床群组中游的下一个选矿工艺阶段，其中每个摇床用于处理矿物分选，且每个摇床上均安装有导流接矿分选装置，导流接矿分选装置通过第一千兆以太网线路与数据交换机连接以传输图像数据至高性能服务器，并通过第二千兆以太网线路与高性能服务器进行控制指令的传输，高性能服务器根据导流接矿分选装置的分选情况，通过信号总线分别控制摇床给水控制群组和摇床给矿控制群组，以实现各选矿工艺段摇床的自动接矿、自动给水和自动给矿的闭环自动化控制。

优选地，其中所述摇床群组中的每个摇床包括位于顶部的摇床床面、位于摇床床面边缘的摇床溜矿槽以及位于摇床溜矿槽边缘的摇床围栏。

优选地，其中所述导流接矿分选装置安装在摇床围栏上，包括位于摇床床面正上方的网络相机，通过可延展相机支架与装置支撑骨架连接，用于采集图像数据；驱动及控制器位于导流接矿分选装置内部，并与步进电机连接以接收高性能服务器的控制指令并驱动步进电机旋转；控制按钮面板连接至驱动及控制器，用于手动控制步进电机的转动；步进电机连接至线性皮带模组以驱动线性模组滑块移动；标定板前端与线性模组滑块连接，后端与导流接矿板连接，以在控制按钮面板或高性能服务器的控制下实现导流接矿板的左右线性移动。

另一方面，本发明还公开了一种基于上述智能摇床导流接矿分选系统的智能摇床导流接矿分选方法，包括：

步骤S1、图像预处理，对网络相机采集的摇床图像进行尺寸压缩，保持图像宽高比一致，同时对边缘区域进行填充以形成标准化图像尺寸；

步骤S2、构建深度学习算法模型，包括图像样本的采集与标记、模型设计以及模型训练；

步骤S3、模型预测识别，将非训练样本的图像数据输入训练后的模型，使用模型权重参数对矿带分界点进行识别，生成分割掩码以区分矿带各区域，预测输出包含类别标签、边界框及像素级掩码；

步骤S4、矿带位置识别后处理，通过分析模型输出的分割掩码，精确识别精矿带与中矿带的分界点，并将该分界点确定为导流接矿板的目标位置；

步骤S5、导流接矿板动态调整，根据实时识别的矿带分界点信息生成控制命令，动态调整导流接矿板的位置，使其对准分界点，以确保矿物的精准导流分选。

优选地，步骤S1包括：

S11、输入原始图像；

S12、确定目标尺寸；

S13、计算等比例缩放因子并比较大小；

S14、应用缩放因子对源图像进行等比例缩放；

S15、计算缩放后的图像尺寸；

S16、将缩放后图像复制到目标图像数组的中心位置形成新图像；

S17、对新图像数组的边缘进行填充；

S18、输出填充后的图像。

优选地，步骤S2利用高性能服务器完成，包括：

S21、图像样本采集及标记，针对单台摇床按周期采集图片样本数据，样本数量不少于1000张，并根据样本中的矿带分布进行区域标记，标记区域定义为背景、精矿区、中矿区和尾矿区，以形成标记图像数据集；

S22、模型设计，采用改进的 YOLOv7-Segmentation 模型，基于多尺度特征融合、路径聚合网络和快速空间金字塔池化技术，结合EIoU 损失函数，以提高对矿带大目标和运动装置标志位小目标的检测和分割速度及精度；

S23、模型训练，将标记的图像样本数据集输入所设计的算法模型，使模型学习各区域的分类和分割特征，训练后的模型能够生成带有类别标签、边界框和像素级掩码的最终预测结果，从而实现对矿带分界点的精确识别。

优选地，在步骤S22中，所述改进的YOLOv7-Segmentation模型为，输入阶段用于接收尺寸为512x512x3的图像，并包括主干网络C3模块，C3模块中包含：第一层卷积层，配置32个过滤器，卷积核尺寸为3x3，步长为1，填充为1，经批量归一化和ReLU激活函数处理后，输出尺寸为512x512x32；第二层卷积层，配置64个过滤器，卷积核尺寸为3x3，步长为1，填充为1，批量归一化和ReLU激活函数处理后的输出尺寸为512x512x64；在浅层网络中设置c3k参数为False以形成类似于YOLOv8中的C2f结构。

优选地，在步骤S22中，所述改进的YOLOv7-Segmentation模型包括特征融合部分，其中C3模块输出生成四个不同尺度的特征图，尺寸分别为512x512x64、256x256x128、128x128x256和64x64x512，并通过特征金字塔网络FPN和路径聚合网络PAN进一步融合不同尺度的特征图，输出尺寸保持一致；在C2机制内部嵌入多头注意力机制C2PSA，增强特征图的空间感知能力；在P2检测层对多尺度特征图进行检测，并通过快速空间金字塔池化SPPF模块实现1x1卷积降维，使用不同卷积核尺寸的MaxPool2d多次池化，将结果连接后输出特征图尺寸为512x512x64、256x256x128、128x128x256和64x64x512；检测头部分包括深度可分离卷积DWConv，配置自适应锚框机制以优化锚框配置，并引入EIoU损失函数，通过考虑预测框与真实框的重叠面积、长宽比和中心点偏移提高预测精度，最终输出类别标签、边界框和像素级掩码的预测结果。

再一方面，本发明还公开了一种软件中枢平台，用于执行上述智能摇床导流接矿分选方法，所述软件中枢平台的任务划分为主线程、图像采集线程、实时显示线程和逻辑控制线程，其中主线程运行软件中枢平台的主界面，所述主界面包括参数设置模块、监控模块、用户操作模块和通讯模块，主线程通过用户操作模块启动其他三个线程；图像采集线程设定为固定频率读取网络相机采集的图像数据，并将读取的图像传输至数据队列中；实时显示线程从数据队列中以固定频率读取图像数据，一方面将图像以视频形式显示在主界面中，另一方面将最新的图像数据发送至逻辑控制线程；逻辑控制线程包括矿带分界点识别模块、逻辑控制算法核和命令生成模块，所述逻辑控制线程基于矿带图像中的分界点信息生成控制命令，并持续监控矿带分界点的变化以动态调整系统控制参数。

优选地，所述软件中枢平台还包括配置和监控功能，支持操作人员在参数设置窗口中完成导流接矿板位置的目标偏移值设定，并通过控制按钮面板中的急停按键随时停止导流接矿分选装置的运行，运行后自动调整导流接矿板位置以对准矿带分界点，并持续监控分界点的变化，操作人员可实时监控系统状态并查看运行日志。

与现有技术相比，本发明的优点在于：

本发明通过提供一种智能摇床导流接矿分选系统、分选方法及软件中枢平台，实现了选矿操作的自动化和智能化，显著提高了分选精度和效率。该系统利用深度学习算法，通过改进的YOLOv7-segmentation模型在保持较高分割精度的同时，显著提高了对大目标如矿带和小目标如运动装置标志位的检测分割速度和精度，具有重要的实际应用价值。此外，通过设置“一控多”模式，系统能够同时控制多台摇床的运行，简化了操作流程，降低了劳动强度，并使系统在面对不同的作业环境时保持稳定运行，不受光照等环境因素的影响，实现更高的自动化水平。软件中枢平台集成了参数设置、实时监控、用户操作等模块，并通过逻辑控制线程实现矿带分界点的动态监控和实时调整，进一步优化了分选过程。该系统整体设计有助于提高矿带识别的准确性，保障分选过程的连续性与精确性，进而提升了矿物分选作业的稳定性和效率，为选矿作业提供了可靠的技术支持。

附图说明

图1为本发明的多台智能摇床导流接矿分选系统结构示意图；

图2为本发明的智能摇床导流接矿分选系统的俯视图；

图3为本发明的导流接矿分选装置结构示意图；

图4为本发明的单台智能摇床导流接矿分选系统的设计框架图；

图5为本发明的多台智能摇床导流接矿分选系统的设计框架图；

图6为本发明的智能摇床导流接矿分选方法流程示意图；

图7为本发明的深度学习算法模型预测效果图；

图8为本发明的深度学习算法模型的矿带分界点定位示意图；

图9为本发明的图片预处理方法流程图；

图10为本发明的构建深度学习算法模型的流程图；

图11为本发明的图像样本采集的原图；

图12为本发明的图像样本的标记图；

图13为本发明的软件流程总框架图；

图14为本发明的系统整体架构图；

附图标记：1-高性能服务器；2-触摸显示屏；3-数据交换机；4-中央控制柜；5-第一千兆以太网线路；6-第二千兆以太网线路；7-摇床群组；8-导流接矿分选装置；9-摇床给水控制群组；10-摇床给矿控制群组；701-摇床群组上游；702-摇床群组中游；703-摇床群组下游；71-摇床床面；72-摇床溜矿槽；73-摇床围栏；81-网络相机；82-可延展相机支架；83-装置支撑骨架；84-驱动及控制器；85-控制按钮面板；86-步进电机；87-线性皮带模组；88-线性模组滑块；89-标定板；810-导流接矿板。

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、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，基于本发明实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明。

此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本申请的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本申请的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本申请的各方面。

如图1-3所示，本实施例公开了一种智能摇床导流接矿分选系统，包括高性能服务器1、触摸显示屏2、数据交换机3、中央控制柜4、第一千兆以太网线路5、第二千兆以太网线路6、摇床群组7、导流接矿分选装置8、摇床给水控制群组9和摇床给矿控制群组10。高性能服务器1用于处理采集的图像数据并生成控制命令。触摸显示屏2与高性能服务器1直接连接，提供用户操作和监控界面，便于操作人员实时监控矿带分选情况。数据交换机3与高性能服务器1连接，汇聚来自多个摇床的图像数据，优化了图像数据的传输速度，还确保了分选系统整体的快速响应。中央控制柜4用于集成并安装高性能服务器1、触摸显示屏2及数据交换机3，从而提供系统的集中控制和安全防护。

摇床群组7包含多台摇床，用于完成矿物分选任务。具体而言，摇床群组7包括摇床群组上游701、摇床群组中游702、摇床群组下游703，形成了分段的工艺流程。摇床群组中游702为摇床群组上游701的下一个选矿工艺阶段，摇床群组下游703为摇床群组中游702的下一个选矿工艺阶段。这种结构设计将选矿过程划分为不同阶段，便于更精确的分段控制和分选。每个摇床上均安装有导流接矿分选装置8，用于对矿物进行分流和接矿。导流接矿分选装置8通过第一千兆以太网线路5与数据交换机3连接，实现图像数据的实时传输至高性能服务器1；同时通过第二千兆以太网线路6与高性能服务器1进行控制指令的传输。基于此架构，高性能服务器1与导流接矿分选装置8之间形成了主站-分站的通讯模式，确保控制指令的快速传递和执行。

此外，高性能服务器1根据导流接矿分选装置8的分选情况，通过信号总线分别控制摇床给水控制群组9和摇床给矿控制群组10，以实现各选矿工艺段摇床的自动接矿、自动给水和自动给矿的闭环自动化控制。这种闭环控制模式在实现分选精确性的同时，有效提升了整体的分选效率，并减少了人工操作的干预，实现了智能化的选矿自动化管理。

摇床群组7中的每个摇床包括位于顶部的摇床床面71、位于摇床床面71边缘的摇床溜矿槽72以及位于摇床溜矿槽72边缘的摇床围栏73。摇床床面71为矿物分选的工作表面，通过水流和往复运动实现矿物分离。摇床溜矿槽72用于引导分选后矿物的流向，而摇床围栏73则确保矿物流动的区域限定，防止矿物溢出。

导流接矿分选装置8安装在摇床围栏73上，结构设计有助于其精准控制和灵活调整位置。导流接矿分选装置8包括位于摇床床面71正上方的网络相机81，通过可延展相机支架82与装置支撑骨架83连接，用于采集矿带的图像数据。网络相机81的实时图像传输能够为高性能服务器1提供矿带分界点的识别基础，确保接矿板的位置调整能够准确对准矿带分界点。驱动及控制器84位于导流接矿分选装置8内部，并与步进电机86连接，以接收高性能服务器1的控制指令并驱动步进电机86旋转。控制按钮面板85连接至驱动及控制器84，用于手动控制步进电机86的转动，以便在必要时进行手动操作。步进电机86的旋转带动线性皮带模组87，驱动线性模组滑块88移动。标定板89前端与线性模组滑块88连接，后端与导流接矿板810连接，通过线性模组滑块88的移动实现导流接矿板810的左右线性移动，以在控制按钮面板85或高性能服务器1的控制下实现导流接矿板810的左右线性移动,确保导流接矿板810能够精确对准矿带分界点，以实现精准的矿物导流接收。

第一千兆以太网线路5采用TCP/IP协议，用于将导流接矿分选装置8采集的图像数据传输至高性能服务器1。通过TCP/IP协议，数据传输具有较高的兼容性和可靠性，确保来自多个摇床的图像数据能够被稳定汇聚至高性能服务器1进行集中处理，从而支持多个导流接矿分选装置8的实时数据输入。

第二千兆以太网线路6则采用Ethercat协议，用于在高性能服务器1与各导流接矿分选装置8之间进行控制指令的传输。Ethercat协议具备快速、精确的通讯特性，可显著降低指令传输的延迟，使高性能服务器1能够对导流接矿分选装置8的动作实现实时控制和快速响应，确保导流接矿板810位置调整的精确性。这种网络配置通过TCP/IP和Ethercat协议的组合，既保证了数据传输的兼容性，又提升了系统的实时响应性能，确保智能摇床导流接矿分选系统的高效稳定运行。

如图4所示，单台智能摇床导流接矿分选系统的设计框架主要包括三大组成部分：基于相机的图像采集模块、控制导流接矿板移动的运动控制及驱动模块、以及负责图像数据处理和系统控制的高性能服务器（计算机）。系统通过图像采集模块实时获取摇床床面的作业状态图像，并经以太网传输至主控制单元。主控制单元采用预处理算法和深度学习模型对获取的图像数据进行处理，生成控制指令并将其传输至运动控制器及驱动模块，从而驱动导流接矿板到达目标位置，完成矿物导流分选操作。此构成了一个图像采集—主控单元—接矿板控制的闭环智能自动控制系统，有效实现了单台摇床的智能分选。

如图5所示，多台智能摇床导流接矿分选系统的设计框架基于上述单台系统的设计，通过分布式布局方案，将多台摇床的图像数据通过数据交换机汇聚并传输至高性能服务器1，实现“一对多”处理。处理器通过Ethercat通讯协议将处理结果指令传送至各对应点的从站（驱动及控制模块），从而分别驱动各摇床的导流接矿板到达目标位置，实现精确的矿物导流分选，形成一个图像采集—数据交换机—主控单元—驱动及控制器—接矿板控制的多摇床智能自动控制系统。

如图6所示，基于多台智能摇床导流接矿分选系统，本申请的实施例还公开了智能摇床导流接矿分选方法，包括：

步骤S1，图像预处理，对网络相机81采集的摇床图像进行尺寸压缩，保持图像宽高比一致，同时对边缘区域进行填充以形成标准化图像尺寸。通过对图像进行尺寸压缩和边缘填充，确保了不同尺寸的图像在后续处理时的一致性，提高了算法模型对输入图像的适应性。

步骤S2，构建深度学习算法模型，包括图像样本的采集与标记、模型设计以及模型训练。此步骤通过采集样本数据并进行标记，形成分类清晰的训练集，模型设计则利用了集成CBAM（Convolutional Block Attention Module）模块的YOLOv7-Segmentation模型以提高识别精度，最终通过模型训练使系统能够学习各区域的特征并准确区分精矿带、中矿带和尾矿带。

步骤S3，模型预测识别，将非训练样本的图像数据输入训练后的模型，使用模型权重参数对矿带分界点进行识别，生成分割掩码以区分矿带各区域，预测输出包含类别标签、边界框及像素级掩码。通过使用训练好的模型参数，系统可以对新图像进行快速分析和分割，实现矿带各区域的精准识别。模型经过对大量标记样本数据的学习，最终会输出一个带有新的权重参数的模型文件，将该文件进行加载并读取非训练样本中的图片数据，即可进行模型的预测识别，其效果如图7所示。

步骤S4，矿带位置识别后处理，通过分析模型输出的分割掩码，精确识别精矿带与中矿带的分界点，并将该分界点确定为导流接矿板810的目标位置。经过模型算法处理后，可以看到矿带已经清晰的分割出来了，只要找到底部精矿带（黄色区域）和中矿带（绿色区域）相邻的分界点，即可作为导流接矿板的目标位置。本方案通过图像处理算法得到分界点如图8中蓝色圆圈所示。

步骤S5，导流接矿板动态调整，根据实时识别的矿带分界点信息生成控制命令，动态调整导流接矿板810的位置，使其对准分界点，以确保矿物的精准导流分选。动态调整通过控制导流接矿板810的移动实现自动化操作，以对准矿带分界点，确保系统能够精准导流分选，提高矿物资源的利用效率。

如图9所示，其中步骤S1的图像预处理包括：

S11、输入原始图像；

S12、确定目标尺寸；

S13、计算等比例缩放因子并比较大小；

S14、应用缩放因子对源图像进行等比例缩放；

S15、计算缩放后的图像尺寸；

S16、将缩放后图像复制到目标图像数组的中心位置形成新图像；

S17、对新图像数组的边缘进行填充；

S18、输出填充后的图像。

其中，原图像尺寸：2560×1920；压缩后的目标尺寸（算法模型输入尺寸）：512×512；过程中涉及的计算公式如下：

1)目标与原图像尺寸：

2)计算缩放因子：

3)选择最小缩放因子以保持宽高比：

4)计算缩放后的图像尺寸：

5)计算需要填充的尺寸：

6)等比例缩放图像：对于每个像素点在源图像中，新位置=，执行零填充：

7)输出预处理后的图像：输出填充后的图像尺寸为。

如图10所示，其中步骤S2利用高性能服务器1完成，具体包括：

S21，图像样本采集及标记，针对单台摇床按周期采集图片样本数据，样本数量不少于1000张，并根据样本中的矿带分布进行区域标记，标记区域定义为背景、精矿区、中矿区和尾矿区，以形成标记图像数据集。在此过程中，采集大量的图像样本确保了模型训练的充分性和泛化能力，区域标记使模型能够学习到不同矿带的特征，为后续的精准识别奠定基础。图11是图像样本采集的原图，图12是图像样本的标记图。

S22，模型设计，采用改进的 YOLOv7-Segmentation 模型，基于多尺度特征融合、路径聚合网络和快速空间金字塔池化技术，结合EIoU 损失函数，以提高对矿带大目标和运动装置标志位小目标的检测和分割速度及精度。

S23，模型训练，将标记的图像样本数据集输入所设计的算法模型，使模型学习各区域的分类和分割特征，训练后的模型能够生成带有类别标签、边界框和像素级掩码的最终预测结果，从而实现对矿带分界点的精确识别。通过模型训练，算法调整内部参数以适应数据特征，最终模型能够准确地对新输入的摇床图像进行解析，为系统的自动化控制提供可靠的数据支持。

在本实施例中，提出了一种改进的YOLOv7-Segmentation模型，通过集成CBAM注意力机制，显著提升了目标检测和实例分割的性能。模型利用CBAM的通道和空间注意力能力，动态增强特征图中的关键信息，同时抑制无关特征。这种改进使得模型在处理512x512像素的高分辨率输入图像时，能够更精确地识别和定位目标，生成高质量的分割掩码。通过精心设计的损失函数和优化策略，模型在保持YOLOv7原有快速检测优势的同时，进一步提高了检测精度和分割质量。

在本实施例中，模型的输入阶段接收尺寸为512x512x3的图像，格式为宽度x高度x通道数，以适应后续网络的计算要求。模型的主干网络采用C3模块作为基础结构，其中第一层卷积配置了32个过滤器，卷积核尺寸为3x3，步长为1，填充1（same padding），经过该层处理后，输出特征图尺寸为512x512x32。接着，特征图经过批量归一化（BatchNorm）处理和ReLU激活函数，进一步提升网络的训练稳定性，输出尺寸保持为512x512x32。

在主干网络的第二层卷积中，过滤器数量增加至64，卷积核尺寸依旧为3x3，步长1，填充1，通过同样的批量归一化和ReLU激活处理后，输出尺寸更新为512x512x64。为优化浅层特征学习，C3模块采用C3k2机制，在浅层网络中将c3k参数设为False，形成类似于YOLOv8中的C2f结构，增强了模型在处理小目标特征上的表现。

在特征融合部分，C3模块输出生成4个不同尺度的特征图，尺寸分别为512x512x64、256x256x128、128x128x256和64x64x512。这些特征图通过特征金字塔网络（FPN）进一步融合，以便从不同尺度提取丰富的特征信息，确保输出尺寸一致。同时，路径聚合网络（PAN）用于进一步优化特征融合过程，使最终输出的特征图尺寸为512x512x64、256x256x128、128x128x256和64x64x512，以提高对大范围目标和小目标的检测效果。

在C2机制内部嵌入了C2PSA多头注意力机制，通过金字塔空间注意力（PSA）提升特征图的空间感知能力，从而增强网络对目标的捕捉和识别效果。在C3模块的第一个输出后设置P2检测层，增加特征输出，便于多尺度特征图检测，输出特征图尺寸为512x512x64、256x256x128、128x128x256和64x64x512。

快速空间金字塔池化模块（SPPF）通过1x1卷积实现降维，并使用不同卷积核尺寸的MaxPool2d进行多次池化，得到不同尺度特征的融合输出，输出特征图尺寸为512x512x64、256x256x128、128x128x256和64x64x512，为模型检测阶段提供丰富的多尺度信息。

检测头使用深度可分离卷积（DWConv）结构，通过增加两个DWConv卷积核，减少了模型计算量和参数量，提高了整体效率。检测头的输出尺寸由DWConv的具体参数和设置确定。

此外，为适应不同数据集的特性，模型引入了自适应锚框机制，自动优化不同数据集上的锚框配置，从而提高目标检测的精度。同时，模型中引入了EIoU（Extended IoU）损失函数，在计算损失时考虑预测框与真实框的重叠面积、长宽比和中心点偏移，进一步提升了模型的预测精度。输出阶段模型最终生成包括类别标签、边界框和像素级掩码的预测结果，实现对目标的高精度检测与分割。

如图13所示，本申请的实施例还公开了一种软件中枢平台，用于执行上述智能摇床导流接矿分选方法，软件中枢平台的任务划分为主线程、图像采集线程、实时显示线程和逻辑控制线程。主线程运行软件中枢平台的主界面，主界面包括参数设置模块、监控模块、用户操作模块和通讯模块。通过用户操作模块，主线程能够启动其他三个线程，使整个系统在操作上具有良好的互动性和灵活性。图像采集线程设定为固定频率读取网络相机81采集的图像数据，并将读取的图像传输至数据队列中，确保图像数据能够被稳定采集并传输以供后续处理。实时显示线程从数据队列中以固定频率读取图像数据，一方面将图像以视频形式显示在主界面中，提供实时监控的可视化界面；另一方面将最新的图像数据发送至逻辑控制线程，确保控制决策基于最新的图像信息。逻辑控制线程包括矿带分界点识别模块、逻辑控制算法核和命令生成模块，逻辑控制线程基于矿带图像中的分界点信息生成控制命令，并持续监控矿带分界点的变化以动态调整系统控制参数，从而确保导流接矿板的精准定位与实时响应。

进一步地，软件中枢平台还包括配置和监控功能，支持操作人员在参数设置窗口中完成导流接矿板810位置的目标偏移值设定，使操作人员能够灵活调整接矿板的位置以适应不同的矿带分界点需求。通过控制按钮面板85中的急停按键，操作人员可随时停止导流接矿分选装置8的运行，从而在紧急情况下快速控制设备状态，确保安全性。系统在重新启动后自动调整导流接矿板810位置，以对准矿带分界点，保证导流接矿板810始终位于准确的位置，以实现高效的矿物导流分选。此外，系统还持续监控矿带分界点的变化，使导流接矿板810能够动态适应矿带位置的波动，进一步提升分选精度。操作人员通过软件中枢平台可实时监控系统状态，并查看运行日志，对系统的历史运行情况进行跟踪和分析，为后续操作和维护提供了重要的参考数据。

本申请根据智能摇床导流接矿分选系统的功能需求构建了软件流程总框架。软件流程总框架设计集成了智能摇床导流接矿分选系统所需的功能于一体，涵盖了系统的控制、监控和操作功能。在实际应用中，首先将硬件设施安装完善，确保每个组件处于正常工作状态。接着，使用调试工具调试与运动控制系统之间的通信功能，以验证各设备间的数据传输和响应是否正常，同时对导流接矿板810进行位置标定，以确保导流接矿板810在系统启动时能够准确对准矿带分界点。完成硬件调试后，对智能摇床导流接矿分选系统进行整体调试，设置并确认合适的目标偏移值，该偏移值用于影响导流接矿板810到达的最终位置，从而调节摇床的接矿品位。此偏移值在参数设置窗口完成设置，确保系统的各项配置符合分选需求。配置完成后，操作人员通过软件中枢平台开启智能摇床导流接矿分选系统，系统进入自动运行状态。平台界面上还提供了急停按键，便于操作人员在紧急情况下随时停止自动接矿系统的运行，提升了系统的安全性和可靠性。在系统启动后，导流接矿板810自动移动至矿带分界点位置，开始正常的矿物导流分选工作。系统在运行过程中持续监控矿带分界点的变化，导流接矿板810会根据最新识别的分界点位置自动调整，保持分选精度和稳定性。此外，操作人员通过软件中枢平台能够实时监控系统的运行状态，随时查看系统的动态表现，并可以访问和查看系统开启后的运行日志，为日常操作和后续维护提供了详尽的数据支持。

如图14所示，智能摇床导流接矿分选系统的运行流程如下：首先，系统从“开始”进入并执行系统初始化操作。初始化过程包括检查设备相机、驱动器和给矿/给水流量阀的连接状态，确保所有设备正常连接后，才能进入下一步的运行流程。当相机连接完好时，系统执行数据采集模块，从相机采集摇床图像数据，并进行数据标注。通过对标注数据的深度学习模型训练和评估，系统生成适用于当前作业的深度学习模型。接着，系统读取各摇床群组的图像信息，并利用深度学习模型判断各摇床接矿分选位置，确保导流接矿分选装置定位于最佳分选区域。

在各摇床接矿分选装置工作过程中，系统会持续监控设备状态和矿带范围。当检测到分选装置的位置超出设定的接矿范围（即出现异常情况），系统会立即进行给矿和给水流量的调节，以调整矿流和水流，确保矿带分布的稳定性，从而维持分选精度与效率。如果接矿分选装置未超出范围，系统则正常运行，并继续移动分选装置，以实现动态分选。最后，当系统判断满足退出条件或接收到退出指令时，程序将结束运行并退出流程。通过该闭环自动化控制，系统有效提高了选矿作业的智能化水平，降低了人工操作负担。

综上所述，本申请公开了一种智能摇床导流接矿分选系统、分选方法及软件中枢平台。该系统通过高性能服务器1、触摸显示屏2、数据交换机3、中央控制柜4、网络相机81和导流接矿板810等构成，构建了一个高度集成的智能分选控制系统。系统将智能摇床的操作划分为预备层、控制层和应用层，通过软件中枢平台实现了从图像采集、数据处理、动态识别到接矿板位置调整的全流程控制。整个系统采用深度学习模型进行矿带分界点的识别和导流接矿板810的自动调整，提升了系统的分选精度和自动化水平。系统通过改进的YOLOv7-Segmentation模型和CBAM注意力机制，提高了矿带图像的识别准确性，确保分选的精度；通过“一控多”智能控制中心，系统能够同时控制多台摇床的工作，实现了操作的高效管理，提升了响应速度；设计的图像预处理与压缩算法在保持识别精度的前提下显著提高了算法的推理速度。基于深度学习的实时矿带分界点识别算法能够动态地识别和调整矿带分界点，实现精准的矿物导流分选效果。系统采用分布式架构，将多台摇床的图像数据通过数据交换机3集中至高性能服务器1进行处理，实现了高效的数据整合和处理。自动化的导流接矿板810根据控制层的指令自动调整位置，使矿带的导流分选更加精确。软件中枢平台提供了全面的软件流程总框架，集成了所有必要功能，提供了直观的用户界面和实时监控功能，操作人员可以随时查看系统状态并记录运行日志，便于故障排查和系统优化。本发明有效提升了矿物分选的效率和精度，同时减少了对人工操作的依赖，为矿山分选技术的智能化和自动化提供了创新性解决方案。

以上实施例仅用以说明本发明的技术方案，而非对其限制；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本发明的不同方面的许多其它变化，为了简明，它们没有在细节中提供；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范围。

Claims (10)

1.一种智能摇床导流接矿分选系统，其特征在于，包括高性能服务器（1）、触摸显示屏（2）、数据交换机（3）、中央控制柜（4）、第一千兆以太网线路（5）、第二千兆以太网线路（6）、摇床群组（7）、导流接矿分选装置（8）、摇床给水控制群组（9）和摇床给矿控制群组（10），所述高性能服务器（1）用于处理采集的图像数据并生成控制命令，所述触摸显示屏（2）与高性能服务器（1）直接连接以提供用户操作和监控界面，所述数据交换机（3）与高性能服务器（1）连接以汇聚来自多个摇床的图像数据，所述中央控制柜（4）用于集成并安装所述高性能服务器（1）、触摸显示屏（2）及数据交换机（3），所述摇床群组（7）包含多台摇床，所述摇床群组（7）包括摇床群组上游（701）、摇床群组中游（702）、摇床群组下游（703），所述摇床群组中游（702）为摇床群组上游（701）的下一个选矿工艺阶段，摇床群组下游（703）为摇床群组中游（702）的下一个选矿工艺阶段，其中每个摇床用于处理矿物分选，且每个摇床上均安装有导流接矿分选装置（8），所述导流接矿分选装置（8）通过第一千兆以太网线路（5）与数据交换机（3）连接以传输图像数据至高性能服务器（1），并通过第二千兆以太网线路（6）与高性能服务器（1）进行控制指令的传输，高性能服务器（1）根据导流接矿分选装置（8）的分选情况，通过信号总线分别控制摇床给水控制群组（9）和摇床给矿控制群组（10），以实现各选矿工艺段摇床的自动接矿、自动给水和自动给矿的闭环自动化控制。

2.根据权利要求1所述的智能摇床导流接矿分选系统，其特征在于，其中所述摇床群组（7）中的每个摇床包括位于顶部的摇床床面、位于摇床床面（71）边缘的摇床溜矿槽（72）以及位于摇床溜矿槽（72）边缘的摇床围栏（73）。

3.根据权利要求2所述的智能摇床导流接矿分选系统，其特征在于，其中所述导流接矿分选装置（8）安装在所述摇床围栏（73）上，包括位于摇床床面（71）正上方的网络相机（81），通过可延展相机支架（82）与装置支撑骨架（83）连接，用于采集图像数据；驱动及控制器（84）位于导流接矿分选装置（8）内部，并与步进电机（86）连接以接收高性能服务器（1）的控制指令并驱动步进电机（86）旋转；控制按钮面板（85）连接至驱动及控制器（84），用于手动控制步进电机（86）的转动；步进电机（86）连接至线性皮带模组（87）以驱动线性模组滑块（88）移动；标定板（89）前端与线性模组滑块（88）连接，后端与导流接矿板（810）连接，以在控制按钮面板（85）或高性能服务器（1）的控制下实现导流接矿板（810）的左右线性移动。

4.一种基于权利要求1-3任一项所述的智能摇床导流接矿分选系统的智能摇床导流接矿分选方法，其特征在于，包括：

步骤S1、图像预处理，对网络相机（81）采集的摇床图像进行尺寸压缩，保持图像宽高比一致，同时对边缘区域进行填充以形成标准化图像尺寸；

步骤S2、构建深度学习算法模型，包括图像样本的采集与标记、模型设计以及模型训练；

步骤S3、模型预测识别，将非训练样本的图像数据输入训练后的模型，使用模型权重参数对矿带分界点进行识别，生成分割掩码以区分矿带各区域，预测输出包含类别标签、边界框及像素级掩码；

步骤S4、矿带位置识别后处理，通过分析模型输出的分割掩码，精确识别精矿带与中矿带的分界点，并将该分界点确定为导流接矿板（810）的目标位置；

步骤S5、导流接矿板（810）动态调整，根据实时识别的矿带分界点信息生成控制命令，动态调整导流接矿板（810）的位置，使其对准分界点，以确保矿物的精准导流分选。

5.根据权利要求4所述的智能摇床导流接矿分选方法，其特征在于，步骤S1包括：

S11、输入原始图像；

S12、确定目标尺寸；

S13、计算等比例缩放因子并比较大小；

S14、应用缩放因子对源图像进行等比例缩放；

S15、计算缩放后的图像尺寸；

S16、将缩放后图像复制到目标图像数组的中心位置形成新图像；

S17、对新图像数组的边缘进行填充；

S18、输出填充后的图像。

6.根据权利要求4所述的智能摇床导流接矿分选方法，其特征在于，步骤S2利用高性能服务器（1）完成，包括：

S21、图像样本采集及标记，针对单台摇床按周期采集图片样本数据，样本数量不少于1000张，并根据样本中的矿带分布进行区域标记，标记区域定义为背景、精矿区、中矿区和尾矿区，以形成标记图像数据集；

S22、模型设计，采用改进的 YOLOv7-Segmentation 模型，基于多尺度特征融合、路径聚合网络和快速空间金字塔池化技术，结合EIoU 损失函数，以提高对矿带大目标和运动装置标志位小目标的检测和分割速度及精度；

S23、模型训练，将标记的图像样本数据集输入所设计的算法模型，使模型学习各区域的分类和分割特征，训练后的模型能够生成带有类别标签、边界框和像素级掩码的最终预测结果，从而实现对矿带分界点的精确识别。

7.根据权利要求6所述的智能摇床导流接矿分选方法，其特征在于，在步骤S22中，所述改进的YOLOv7-Segmentation模型为，输入阶段用于接收尺寸为512x512x3的图像，并包括主干网络C3模块，C3模块中包含：第一层卷积层，配置32个过滤器，卷积核尺寸为3x3，步长为1，填充为1，经批量归一化和ReLU激活函数处理后，输出尺寸为512x512x32；第二层卷积层，配置64个过滤器，卷积核尺寸为3x3，步长为1，填充为1，批量归一化和ReLU激活函数处理后的输出尺寸为512x512x64；在浅层网络中设置c3k参数为False以形成类似于YOLOv8中的C2f结构。

8.根据权利要求7所述的智能摇床导流接矿分选方法，其特征在于，在步骤S22中，所述改进的YOLOv7-Segmentation模型包括特征融合部分，其中C3模块输出生成四个不同尺度的特征图，尺寸分别为512x512x64、256x256x128、128x128x256和64x64x512，并通过特征金字塔网络FPN和路径聚合网络PAN进一步融合不同尺度的特征图，输出尺寸保持一致；在C2机制内部嵌入多头注意力机制C2PSA，增强特征图的空间感知能力；在P2检测层对多尺度特征图进行检测，并通过快速空间金字塔池化SPPF模块实现1x1卷积降维，使用不同卷积核尺寸的MaxPool2d多次池化，将结果连接后输出特征图尺寸为512x512x64、256x256x128、128x128x256和64x64x512；检测头部分包括深度可分离卷积DWConv，配置自适应锚框机制以优化锚框配置，并引入EIoU损失函数，通过考虑预测框与真实框的重叠面积、长宽比和中心点偏移提高预测精度，最终输出类别标签、边界框和像素级掩码的预测结果。

9.一种软件中枢平台，用于执行如权利要求4-8任一项所述的智能摇床导流接矿分选方法，其特征在于，所述软件中枢平台的任务划分为主线程、图像采集线程、实时显示线程和逻辑控制线程，其中主线程运行软件中枢平台的主界面，所述主界面包括参数设置模块、监控模块、用户操作模块和通讯模块，主线程通过用户操作模块启动其他三个线程；图像采集线程设定为固定频率读取网络相机（81）采集的图像数据，并将读取的图像传输至数据队列中；实时显示线程从数据队列中以固定频率读取图像数据，一方面将图像以视频形式显示在主界面中，另一方面将最新的图像数据发送至逻辑控制线程；逻辑控制线程包括矿带分界点识别模块、逻辑控制算法核和命令生成模块，所述逻辑控制线程基于矿带图像中的分界点信息生成控制命令，并持续监控矿带分界点的变化以动态调整系统控制参数。

10.根据权利要求9所述的软件中枢平台，其特征在于，所述软件中枢平台还包括配置和监控功能，支持操作人员在参数设置窗口中完成导流接矿板（810）位置的目标偏移值设定，并通过控制按钮面板（85）中的急停按键随时停止导流接矿分选装置（8）的运行，运行后自动调整导流接矿板（810）位置以对准矿带分界点，并持续监控分界点的变化，操作人员可实时监控系统状态并查看运行日志。