矿石分选模型的生成方法、分选方法、系统、设备和介质与流程

1.本发明涉及自动化分类技术领域，尤其涉及一种矿石分选模型的生成方法、分选方法、系统、设备和介质。


背景技术：

2.矿山开采出来的原矿中，除了精矿矿石之外，还有不少本身不含矿或者含矿品位较低的废石，且随着开采面的推进和矿脉的贫化，废石的占比可能越来越大。废石的选矿价值很小，在后续球磨、重选、浮选等作业中，不但浪费电能、药剂，占用设备空间，经球磨后倒入尾矿库，还会增加尾矿库压力。因此通常需要在球磨工序之前进行预选抛废，以提高矿石入磨品位。
3.目前，在利用矿石图像和机器学习技术进行矿石自动分选的应用中，为了提高分选速度，通过提高石块的密集度，同时拍摄多块矿石的图像进行处理是一种常用的方案。这种情况下，矿石图像中很有可能出现石块之间互相连接或重叠的情况。这种随机出现的连接或重叠，不论是对于分类模型还是检测模型，都会产生较大的影响。
4.对于分类模型，一方面是连接或重叠的矿石难以标注，截取之后每个石块会包含重叠部分的特征，影响分类模型的准确率；另一方面是实际应用时，需要使用特殊的方法先对连接或重叠的矿石进行分割，然后分别输入到分类模型中进行识别，分割的准确与否也影响分类模型的准确率；
5.对于检测模型，如果使用原始矿石图像作为训练样本，其中包含的大量独立石块的标注信息，会对重叠石块的检测精度产生影响，容易漏检、误检、以及把重叠石块识别成一整块，这限制了分选的准确性。


技术实现要素：

6.本发明要解决的技术问题是为了克服现有技术中矿石分选准确度低的缺陷，提供一种矿石分选模型的生成方法、分选方法、系统、设备和介质。
7.本发明是通过下述技术方案来解决上述技术问题：
8.本发明提供一种矿石分选模型的生成方法，所述生成方法包括：
9.获取原矿石图像中的独立石块图像和重叠石块图像；
10.基于所述独立石块图像和所述重叠石块图像，建立第一数据集和第二数据集；
11.将所述第一数据集和所述第二数据集分别输入对应的独立石块分类模型和重叠石块检测模型中进行训练，以生成矿石分选模型；
12.所述独立石块分类模型用于对所述独立石块进行分类；
13.所述重叠石块检测模型用于对所述重叠石块进行检测并分类；
14.所述矿石分选模型用于对所述独立石块和/或重叠石块进行矿石分选。
15.较佳地，将所述第一数据集和所述第二数据集分别输入对应的独立石块分类模型和重叠石块检测模型中进行训练的步骤包括：
16.将所述第一数据集输入至分类模型中进行训练，以生成独立石块分类模型；
17.将所述第二数据集输入至目标检测算法模型中，以生成重叠石块检测模型。
18.较佳地，所述基于所述独立石块图像和所述重叠石块图像，建立第一数据集和第二数据集的步骤包括：
19.按分类方式对所述独立石块图像打标签并作为所述第一数据集，并按检测方式对所述重叠石块图像打标签并作为所述第二数据集；
20.所述第一数据集或所述第二数据集包括训练集和测试集。
21.较佳地，所述获取原矿石图像中的独立石块图像和重叠石块图像的步骤包括：
22.获取原矿石图像中的每个连通域、及其轮廓和位置信息；
23.所述每个连通域包括一个独立石块的连通域或一个由若干重叠石块组成的连通域；
24.基于所述连通域、所述轮廓和所述位置信息，获取所述独立石块图像和所述重叠石块图像。
25.较佳地，在所述基于所述独立石块图像和所述重叠石块图像，建立第一数据集和第二数据集的步骤之前，所述生成方法包括：
26.对所述原矿石图像进行预处理；
27.所述预处理包括去噪处理和对比度增强处理。
28.本发明还提供一种矿石分选方法，所述矿石分选方法包括：
29.获取待分选的原矿石图像；
30.将所述待分选的原矿石图像输入至前述的矿石分选模型的生成方法得到的所述矿石分选模型中进行矿石分选，以得到原矿石图像中的每块石块的类别。
31.本发明还一种矿石分选模型的生成系统，所述生成系统包括：
32.第一获取模块，用于获取原矿石图像中的独立石块图像和重叠石块图像；
33.建立模块，用于基于所述独立石块图像和所述重叠石块图像，建立第一数据集和第二数据集；
34.生成模块，用于将所述第一数据集和所述第二数据集分别输入对应的独立石块分类模型和重叠石块检测模型中进行训练，以生成矿石分选模型；
35.所述独立石块分类模型用于对所述独立石块进行分类；
36.所述重叠石块检测模型用于对所述重叠石块进行检测并分类；
37.所述矿石分选模型用于对所述独立石块和/或重叠石块进行矿石分选。
38.较佳地，所述生成模块包括：
39.第一生成单元，用于将所述第一数据集输入至分类模型中进行训练，以生成独立石块分类模型；
40.第二生成单元，用于将所述第二数据集输入至目标检测算法模型中，以生成重叠石块检测模型。
41.较佳地，所述建立模块具体用于：按分类方式对所述独立石块图像打标签并作为所述第一数据集，并按检测方式对所述重叠石块图像打标签并作为所述第二数据集；
42.所述第一数据集或所述第二数据集包括训练集和测试集。
43.较佳地，所述第一获取模块包括：
44.第一获取单元，用于获取原矿石图像中的每个连通域、及其和位置信息；
45.所述每个连通域包括一个独立石块的连通域或一个由若干重叠石块组成的连通域；
46.第二获取单元，用于基于所述连通域、所述轮廓和所述位置信息，获取所述独立石块图像和所述重叠石块图像。
47.较佳地，生成系统还包括：
48.预处理模块，用于对所述原矿石图像进行预处理；
49.所述预处理包括去噪处理和对比度增强处理。
50.较佳地，一种矿石分选系统，所述矿石分选系统包括：
51.第二获取模块，用于获取待分选的原矿石图像；
52.分选模块，用于将所述待分选的原矿石图像输入至前述的矿石分选模型的生成系统得到的所述矿石分选模型中进行分类，以得到原矿石图像中的每块石块的类别。
53.本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如前述的矿石分选模型的生成方法或如前述的矿石分选方法。
54.本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如矿石分选模型的生成方法或如前述的矿石分选方法。
55.本发明的积极进步效果在于：
56.本发明提供了一种矿石分选模型的生成方法、分选方法、系统、设备和介质，所述矿石分选模型的生成方法通过获取原矿石图像中的独立石块图像和重叠石块图像，建立两个数据集，并将利用两个数据集和数据集对应的模型进行训练来生成矿石分选模型，实现了通过两个模型的配合使用，使得可以针对独立石块和重叠石块分别进行矿石分选，从而提升了对原矿石的整体分选精度。
附图说明
57.图1为本发明实施例1的矿石分选模型的生成方法的流程图。
58.图2为本发明实施例1中的步骤s101的流程图。
59.图3为本发明实施例2的矿石分选方法的流程图。
60.图4为本发明实施例3的矿石分选模型的生成系统的模块示意图。
61.图5为本发明实施例3中的生成模块的模块示意图。
62.图6为本发明实施例3中的第一获取模块的模块示意图。
63.图7为本发明实施例4的矿石分选系统的模块示意图。
64.图8为本发明实施例5的电子设备的结构示意图。
具体实施方式
65.下面通过实施例的方式进一步说明本发明，但并不因此将本发明限制在所述的实施例范围之中。
66.实施例1
67.如图1所示，本实施例公开了一种矿石分选模型的生成方法，所述生成方法包括：
68.步骤s101、获取原矿石图像中的独立石块图像和重叠石块图像；
69.本方案中，原始矿石图像通常是每张包含多个石块的图像；在原始矿石图像中，截取独立石块或重叠石块的矩形区域，并保存为图像，保存的图像可以采用无损格式，例如tif、bmp、png。其中，所选取的独立石块或重叠石块应覆盖各种粒度大小。矩形区域一般为包含了独立石块或重叠石块的完整轮廓的外接矩形，可适当放大以防止轮廓像素被裁切，如在此基础上中心放大5％。所截取的区域中保证只有单个完整石块的图像。
70.步骤s102、基于所述独立石块图像和所述重叠石块图像，建立第一数据集和第二数据集；
71.步骤s103、将所述第一数据集和所述第二数据集分别输入对应的独立石块分类模型和重叠石块检测模型中进行训练，以生成矿石分选模型；
72.所述独立石块分类模型用于对所述独立石块进行分类；
73.所述重叠石块检测模型用于对所述重叠石块进行检测并分类；
74.所述矿石分选模型用于对所述原始矿石中的独立石块和/或重叠石块进行矿石分选。
75.本方案，所述矿石分选模型的生成方法通过获取原矿石图像中的独立石块图像和重叠石块图像，建立两个数据集，并将利用两个数据集和数据集对应的模型进行训练来生成矿石分选模型，实现了通过两个模型的配合使用，使得可以针对独立石块和重叠石块分别进行分类，从而提升了对原矿石的整体分选精度。
76.在一可实施的方式中，步骤s103包括：
77.将所述第一数据集输入至分类模型中进行训练，以生成独立石块分类模型；具体地，分类模型可以为二分类模型，采用骨架网络resnet18(一种网络结构)。
78.将所述第二数据集输入至目标检测算法模型中，以生成重叠石块检测模型。具体地，至目标检测算法模型可以采用yolov5(一种算法框架)。
79.本方案，分别将第一数据集和第二数据集输入至对应的二分类模型和目标检测算法模型中进行训练，提高对原矿石的整体分选精度。
80.在一可实施的方式中，步骤s102具体包括：
81.按分类方式对所述独立石块图像打标签并作为所述第一数据集，并按检测方式对所述重叠石块图像打标签并作为所述第二数据集；
82.分类方式打的标签可以分为矿石还是废石。对于无法从图像区分是矿石还是废石的石块，则不列入第一数据集中。
83.分类方式打的标签可以分为矿石还是废石。若重叠石块中包含了无法从图像区分是矿石还是废石的石块，则该重叠石块图片不列入第二数据集。
84.所述第一数据集或所述第二数据集包括训练集和测试集。本方案中，第一数据集或第二数据集不仅限于包括训练集和测试集，还可包括验证集。
85.具体地，训练集用于训练模型，验证集用于调整模型，测试集用于对模型效果进行评估。训练集、验证集及测试集的数据量比例可以是6:2:2。
86.本方案中，可以根据测试集的评估结果，判断矿石分选模型和/或矿石检测模型是否达到预期精度要求，若不满足，则增加对应模型的第二数据集中的样本，重新进行训练，直至对应模型达到预期精度要求。
87.如图2所示，在一可实施的方式中，步骤s101包括：
88.步骤s1011、获取原矿石图像中的每个连通域、及其轮廓和位置信息；所述每个连通域包括一个独立石块的连通域或一个由若干重叠石块组成的连通域；
89.具体步骤如下：
90.第一步，将原始矿石图像转成灰度图像；
91.第二步，将灰度图进行二值化处理。二值化可采用固定阈值或自适应阈值；
92.第三步，对二值图进行图像形态学操作；
93.第四步，使用连通域搜索算法找到所有连通域，每个连通域对应一个独立石块或一组重叠石块；
94.第五步，获取所有连通域的轮廓，外接矩形尺寸，以及在原始矿石图像中的位置。
95.步骤s1012、基于所述连通域、所述轮廓和所述位置信息，获取所述独立石块图像和所述重叠石块图像。
96.具体步骤如下：
97.第一步，计算每个连通域的面积和轮廓凹点数量；其中，轮廓凹点包括外轮廓凹点和内轮廓凹点；第二步，若连通域的凹点数量大于第一设定阈值，则其对应的石块划分为重叠石块；
98.第三步，若连通域的凹点数量小于第一设定阈值，且连通域面积大于第二设定阈值，则对应的石块划分为重叠石块；若连通域的凹点数量小于第一设定阈值，且连通域面积小于第二设定阈值，其对应的石块划分为独立石块。
99.第四步，将连通域作为mask(掩膜)，从原始矿石图像中提取独立石块和重叠石块图像，并与对应大小的矩形空白背景融合为一张图像。其中，为了防止在从原始矿石图像中提取图像时，边缘像素信息丢失，可以对每个连通域做一次图像形态学的膨胀操作。
100.本方案，通过基于所述连通域、所述轮廓和所述位置信息，对每块石块进行分类，以准确获取所述独立石块图像和所述重叠石块图像，从而保证了后续对原矿石的整体分选的精度。
101.在一可实施的方式中，在所述基于所述独立石块图像和所述重叠石块图像，建立第一数据集和第二数据集的步骤之前，所述生成方法包括：
102.对所述原矿石图像进行预处理；
103.所述预处理包括去噪处理和对比度增强处理。
104.本方案中，对原矿石图像进行预处理的目的是提升矿石和废石的区分度，减少干扰因素。预处理包括但不限于采用去噪，如高斯降噪、对比度增强的处理方式。对于不同类型的原矿石图像，可能需要采用不同方式的图像预处理；在原始图像已经满足识别要求的情况下可以不需要进行预处理。
105.实施例2
106.如图3示，本实施例公开了一种矿石分选方法，所述矿石分选方法包括步骤s201、获取待分选的原矿石图像；
107.步骤s202、将所述待分选的原矿石图像输入至实施例1中的矿石分选模型的生成方法得到的所述矿石分选模型中进行分类，以得到原矿石图像中的每块石块的类别。
108.本方案，为满足分选速度的需要，可以采用tensorrt(一种深度学习推理引擎)对
矿石分选模型和/或矿石检测模型进行性能优化和加速，减少分选过程的耗时。
109.本实施例公开了一种矿石分选方法，该矿石分选方法通过采用实施例1中的矿石分选模型的生成方法得到的所述矿石分选模型对待分选的原矿石图像进行识别，以得到原矿石图像中的每块石块的类别。从而实现了通过两个模型的配合使用，使得可以针对独立石块和重叠石块分别进行分选，进而提升了对原矿石的整体分选精度。
110.实施例3
111.如图4所示，本实施例公开了一种矿石分选模型的生成系统，所述生成系统包括：
112.第一获取模块11，用于获取原矿石图像中的独立石块图像和重叠石块图像；
113.本方案中，原始矿石图像通常是每张包含多个石块的图像；在原始矿石图像中，截取独立石块或重叠石块的矩形区域，并保存为图像，保存的图像可以采用无损格式，例如tif、bmp、png。其中，所选取的独立石块或重叠石块应覆盖各种粒度大小。矩形区域一般为包含了独立石块或重叠石块的完整轮廓的外接矩形，可适当放大以防止轮廓像素被裁切，如在此基础上中心放大5％。所截取的区域中保证只有单个完整石块的图像。
114.建立模块12，用于基于所述独立石块图像和所述重叠石块图像，建立第一数据集和第二数据集；
115.生成模块13，用于将所述第一数据集和所述第二数据集分别输入对应的独立石块分选模型和重叠石块检测模型中进行训练，以生成矿石分选模型；
116.所述独立石块分类模型用于对所述独立石块进行分类；
117.所述重叠石块检测模型用于对所述重叠石块进行检测并分类；
118.所述矿石分选模型用于对所述独立石块和/或重叠石块进行矿石分选。
119.本方案，所述矿石分选模型的生成系统通过获取原矿石图像中的独立石块图像和重叠石块图像，建立两个数据集，并将利用两个数据集和数据集对应的模型进行训练来生成矿石分选模型，实现了通过两个模型的配合使用，使得可以针对独立石块和重叠石块分别进行分类，从而提升了对原矿石的整体分选精度。
120.如图5所示，在一可实施的方式中，所述生成模块13包括：
121.第一生成单元131，用于将所述第一数据集输入至分类模型中进行训练，以生成独立石块分类模型；具体地，分类模型可以为二分类模型，采用骨架网络resnet18。
122.第二生成单元132，用于将所述第二数据集输入至目标检测算法模型中，以生成重叠石块检测模型。具体地，至目标检测算法模型可以采用yolov5(一种算法框架)。
123.本方案，分别将第一数据集和第二数据集输入至对应的二分类模型和目标检测算法模型中进行训练，提高对原矿石的整体分选精度。
124.在一可实施的方式中，所述建立模块具体用于：按分类方式对所述独立石块图像打标签并作为所述第一数据集，并按检测方式对所述重叠石块图像打标签并作为所述第二数据集；
125.分类方式打的标签可以分为矿石还是废石。对于无法从图像区分是矿石还是废石的石块，则不列入第一数据集中。
126.分类方式打的标签可以分为矿石还是废石。若重叠石块中包含了无法从图像区分是矿石还是废石的石块，则该重叠石块图片不列入第二数据集。
127.所述第一数据集或所述第二数据集包括训练集和测试集。本方案中，第一数据集
或第二数据集不仅限于包括训练集和测试集，还可包括验证集。
128.具体地，训练集用于训练模型，验证集用于调整模型，测试集用于对模型效果进行评估。训练集、验证集及测试集的数据量比例可以是6:2:2。
129.本方案中，可以根据测试集的评估结果，判断矿石分选模型和/或矿石检测模型是否达到预期精度要求，若不满足，则增加对应模型的第二数据集中的样本，重新进行训练，直至对应模型达到预期精度要求。
130.如图6所示，在一可实施的方式中，所述第一获取模块11包括：
131.第一获取单元111，用于获取原矿石图像中的每块石块对应的连通域、及其轮廓和位置信息；所述每个连通域包括一个独立石块的连通域或一个由若干重叠石块组成的连通域；
132.具体步骤如下：
133.第一步，将原始矿石图像转成灰度图像；
134.第二步，将灰度图进行二值化处理。二值化可采用固定阈值或自适应阈值；
135.第三步，对二值图进行图像形态学操作；
136.第四步，使用连通域搜索算法找到所有连通域，每个连通域对应一个独立石块或一组重叠石块；
137.第五步，获取所有连通域的轮廓，外接矩形尺寸，以及在原始矿石图像中的位置。
138.第二获取单元112，用于基于所述连通域、所述轮廓和所述位置信息，获取所述独立石块图像和所述重叠石块图像。
139.具体步骤如下：
140.第一步，计算每个连通域的面积和轮廓凹点数量；其中，轮廓凹点包括外轮廓凹点和内轮廓凹点；第二步，若连通域的凹点数量大于第一设定阈值，则其对应的石块划分为重叠石块；
141.第三步，若连通域的凹点数量小于第一设定阈值，且连通域面积大于第二设定阈值，则对应的石块划分为重叠石块；若连通域的凹点数量小于第一设定阈值，且连通域面积小于第二设定阈值，其对应的石块划分为独立石块。
142.第四步，将连通域作为mask，从原始矿石图像中提取独立石块和重叠石块图像，并与对应大小的矩形空白背景融合为一张图像。其中，为了防止在从原始矿石图像中提取图像时，边缘像素信息丢失，可以对每个连通域做一次图像形态学的膨胀操作。
143.本方案，通过基于所述连通域、所述轮廓和所述位置信息，对每块石块进行分类，以准确获取所述独立石块图像和所述重叠石块图像，从而保证了后续对原矿石的整体分选的精度。
144.在一可实施的方式中，生成系统还包括：
145.预处理模块14，用于对所述原矿石图像进行预处理；
146.所述预处理包括去噪处理和对比度增强处理。
147.本方案中，对原矿石图像进行预处理的目的是提升矿石和废石的区分度，减少干扰因素。预处理包括但不限于采用去噪，如高斯降噪、对比度增强的处理方式。对于不同类型的原矿石图像，可能需要采用不同方式的图像预处理；在原始图像已经满足识别要求的情况下可以不需要进行预处理。
148.实施例4
149.如图7所示，本实施例公开了一种矿石分选系统，所述矿石分选系统包括：
150.第二获取模块21，用于获取待分选的原矿石图像；
151.分选模块22，用于将所述待分选的原矿石图像输入至实施例3中的矿石分选模型的生成系统得到的所述矿石分选模型中进行分类，以得到原矿石图像中的每块石块的类别。
152.本方案，为满足分选速度的需要，可以采用tensorrt对矿石分选模型和/或矿石检测模型进行性能优化和加速，减少分选过程的耗时。
153.本实施例公开了一种矿石分选系统，该矿石分选系统通过采用实施例3中的矿石分选模型的生成系统得到的所述矿石分选模型对待分选的原矿石图像进行识别，以得到原矿石图像中的每块石块的类别。从而实现了通过两个模型的配合使用，使得可以针对独立石块和重叠石块分别进行分选，进而提升了对原矿石的整体分选精度。
154.实施例5
155.图8为本发明实施例3提供的一种电子设备的结构示意图。所述电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现实施例1所提供的矿石分选模型的生成方法或实施例2所提供的矿石分选方法。图8显示的电子设备40仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
156.如图8所示，电子设备40可以以通用计算设备的形式表现，例如其可以为服务器设备。电子设备40的组件可以包括但不限于：上述至少一个处理器41、上述至少一个存储器42、连接不同系统组件(包括存储器42和处理器41)的总线43。
157.总线43包括数据总线、地址总线和控制总线。
158.存储器42可以包括易失性存储器，例如随机存取存储器(ram)421和/或高速缓存存储器422，还可以进一步包括只读存储器(rom)423。
159.存储器42还可以包括具有一组(至少一个)程序模块424的程序/实用工具425，这样的程序模块424包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
160.处理器41通过运行存储在存储器42中的计算机程序，从而执行各种功能应用以及数据处理，例如本发明实施例1所提供的矿石分选模型的生成方法或实施例2所提供的矿石分选方法。
161.电子设备40也可以与一个或多个外部设备44(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(i/o)接口45进行。并且，模型生成的设备40还可以通过网络适配器46与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器46通过总线43与模型生成的设备40的其它模块通信。应当明白，尽管图中未示出，可以结合模型生成的设备40使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、raid(磁盘阵列)系统、磁带驱动器以及数据备份存储系统等。
162.应当注意，尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发明的实施方式，上文描
述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
163.实施例4
164.本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现实施例1所提供的矿石分选模型的生成方法或实施例2所提供的矿石分选方法。
165.其中，可读存储介质可以采用的更具体可以包括但不限于：便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。
166.在可能的实施方式中，本发明还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行实现实施例1所提供的矿石分选模型的生成方法或实施例2所提供的矿石分选方法。
167.其中，可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的程序代码，所述程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。
168.虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。