物料识别方法、物料分选方法以及物料分选设备与流程
本公开涉及矿石分选,具体涉及一种物料识别方法、物料分选方法以及物料分选设备。
背景技术:
1、在物料分选领域中,主要是通过x射线实现物料分离。其中,针对不同组分、不同密度的待分选物料对x射线的吸收衰减程度存在明显区别,高密度目标物料会在x射线透射图像中呈现灰度更深的暗斑,进而相关人员可以依此完成有效物料与废料的区分分拣。
2、相关技术中,基于单能x射线进行物料分选的方法,主要是采用单一尺度执行图像特征提取。当图像画面中存在仅占1~2个像素的微小有效物料点时,基于单一尺度进行特征提取的方式,无法捕捉微小目标的细微灰度变化特征,进而不仅容易造成微小物料的漏检率偏高,还容易将真实微小物料误识别为噪声或废料杂质,最终影响物料分选设备的性能。
技术实现思路
1、为克服相关技术中存在的问题,本公开的示例性实施例提供一种物料识别方法,应用于物料分选设备,方法包括:获取待检测物料的目标图像;基于多核尺寸分别对目标图像进行形态学黑帽处理,得到多尺度黑帽数据,其中,多核尺寸至少包括最大核尺寸和最小核尺寸;基于多核尺寸对应的第一权重组,对多尺度黑帽数据进行特征融合处理,得到第一特征图,其中,第一权重组中对应最小核尺寸的权重值为最大权重值,对应最大核尺寸的权重值为最小权重值;基于多核尺寸对应的第二权重组,对多尺度黑帽数据进行特征融合处理,得到第二特征图,其中,第二权重组中对应最大核尺寸的权重值为最大权重值,对应最小核尺寸的权重值为最小权重值,第一权重组与第二权重组采用反向权重分配逻辑进行权重分配;基于第一特征图和第二特征图的灰度分布进行分类识别,确定待检测物料的物料类别。
2、在一些实施例中,基于第一特征图和第二特征图的灰度分布进行分类识别,确定待检测物料的物料类别,包括:分别对第一特征图和第二特征图进行区域筛选,得到至少一个第一候选区域和/或至少一个第二候选区域;基于第一特征图的灰度分布,确定第一候选区域的第一识别结果;基于第二特征图的灰度分布,确定第二候选区域的第二识别结果;基于第一识别结果和第二识别结果,确定待检测物料的物料类别。
3、在一些实施例中,分别对第一特征图和第二特征图进行区域筛选,得到第一候选区域和第二候选区域,包括:通过第一灰度阈值对第一特征图进行区域筛选,得到至少一个第一候选区域;和/或,通过第二灰度阈值对第二特征图进行区域筛选,得到至少一个第二候选区域。
4、在一些实施例中,基于第一特征图的灰度分布,确定第一候选区域的第一识别结果,包括;根据第一候选区域在第一特征图中的位置,确定围绕第一候选区域的第一环形区域;确定第一候选区域的第一中心灰度值、第一环形区域的第一平均灰度值以及第一环形区域的第一梯度方向;以及,基于第一中心灰度值、第一平均灰度值以及第一梯度方向,得到第一分类结果;基于第二特征图的灰度分布,确定第二候选区域的第二识别结果,包括;根据第二候选区域在第二特征图中的位置,确定围绕第二候选区域的第二环形区域;确定第二候选区域的第二中心灰度值、第二环形区域的第二平均灰度值以及第二环形区域的第二梯度方向;以及,基于第二中心灰度值、第二平均灰度值以及第二梯度方向,得到第二分类结果。
5、在一些实施例中,根据第一候选区域在第一特征图中的位置,确定围绕第一候选区域的第一环形区域,包括:根据第一候选区域在第一特征图中的位置,确定目标局部图像,其中,目标局部图像是第一特征图中以第一候选区域为中心的局部区域图像;根据指定膨胀倍数,对目标局部图像进行像素放大,得到更新后的第一特征图;根据更新后的第一特征图,确定围绕第一候选区域的第一环形区域。
6、在一些实施例中,基于第一中心灰度值、第一平均灰度值以及第一梯度方向,得到第一分类结果,包括:确定第一平均灰度值与第一中心灰度值的第一差值;根据第一梯度方向,确定第一环形区域中指向第一候选区域中心的第一像素占比;若第一差值大于或者等于第一阈值,且第一像素占比大于或者等于第一比例阈值,则确定第一分类结果为有效物料;以及若第一差值小于第一阈值和/或第一像素占比小于第一比例阈值,则确定第一分类结果为干扰物;基于第二中心灰度值、第二平均灰度值以及第二梯度方向,得到第二分类结果,包括:确定第二平均灰度值与第二中心灰度值的第二差值;根据第二梯度方向,确定第二环形区域中指向第二候选区域中心的第二像素占比;若第二差值大于或者等于第二阈值,且第二像素占比大于或者等于第二比例阈值,则确定第二分类结果为有效物料;以及若第二差值小于第二阈值和/或第二像素占比小于第二比例阈值,则确定第二分类结果为干扰物。
7、在一些实施例中,物料分选设备包括单能x射线检测设备,获取待检测物料的目标图像,包括:基于单能x射线检测设备,获取待检测物料的透射图像;对透射图像的灰度进行增强处理,得到更新后的透射图像;分割更新后的透射图像,确定并提取待检测物料对应的局部图像,得到目标图像。
8、在一些实施例中,基于多核尺寸分别对目标图像进行形态学黑帽处理,得到多尺度黑帽数据,包括:根据当前工况的物料特性以及单能x射线检测设备的分辨率,确定形态学核的数量以及每一个形态学核的尺寸;分别基于每一个形态学核的尺寸对目标图像进行形态学黑帽处理,得到多尺度黑帽数据。
9、第二方面,本公开还提供一种物料分选方法,应用于物料分选设备,方法包括:采用前述任一方面所提供的物料识别方法,确定待检测物料的物料类别;根据物料类别,分选待检测物料。
10、第三方面,本公开还提供一种物料分选设备,包括:给料机构,用于提供待分选物料;传输机构,用于接收并传输待分选物料;识别机构,用于采用前述任一方面所提供的物料识别方法,确定待分选物料的物料类别;分选机构,用于根据物料类别分选待分选物料。
11、应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
12、本公开的实施例提供的技术方案可以包括以下有益效果:根据本公开提供的物料识别方法,对目标图像进行多尺度形态学黑帽运算,并利用不同尺寸的形态学核分别提取不同大小物料的像素细节特征;再通过两组差异化权重分别进行加权融合,能够生成侧重微小物料、侧重常规物料的两张独立的特征图。在分类识别的过程中,综合两张特征图携带的多维度细节特征联合判断,能够有效克服单一尺度特征提取带来的漏检、误检缺陷,提升物料类别判定结果的准确度与可靠性,从根源上降低微小有效物料漏识别的概率。
1.一种物料识别方法,其特征在于,应用于物料分选设备,所述方法包括:
2.根据权利要求1所述的物料识别方法,其特征在于,所述基于所述第一特征图和所述第二特征图的灰度分布进行分类识别,确定所述待检测物料的物料类别,包括:
3.根据权利要求2所述的物料识别方法,其特征在于,所述分别对所述第一特征图和所述第二特征图进行区域筛选,得到第一候选区域和第二候选区域,包括:
4.根据权利要求2所述的物料识别方法,其特征在于,
5.根据权利要求4所述的物料识别方法,其特征在于,所述根据所述第一候选区域在所述第一特征图中的位置,确定围绕所述第一候选区域的第一环形区域,包括:
6.根据权利要求4或5所述的物料识别方法,其特征在于,
7.根据权利要求1所述的物料识别方法,其特征在于,所述物料分选设备包括单能x射线检测设备,所述获取待检测物料的目标图像,包括:
8.根据权利要求7所述的物料识别方法,其特征在于,所述基于多核尺寸分别对所述目标图像进行形态学黑帽处理,得到多尺度黑帽数据,包括:
9.一种物料分选方法,其特征在于,应用于物料分选设备,所述方法包括:
10.一种物料分选设备,其特征在于,包括:
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com