一种原料粒度确定方法、系统、终端及介质与流程

[0001]
本发明涉及图像处理技术领域，特别是涉及一种原料粒度确定方法、系统、终端及介质。


背景技术：

[0002]
在矿业生产中，通过皮带机输送原料进入高炉是高炉炼铁的重要环节，高炉炼铁生成的钢铁质量与原料的原料粒度息息相关，因此能否对原料粒度进行准确的确定对生产的钢铁质量有着重大影响。
[0003]
目前，一般通过传统筛分检测法确定皮带机上原料粒度，该传统筛分法需要耗费人工，耗时长，效率低，原料粒度确定存在较大误差，难以保证炼铁的质量。


技术实现要素：

[0004]
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种原料粒度确定方法、系统、终端及介质，用于解决过传统筛分检测法确定皮带机上原料粒度，耗费人工，耗时长，效率低，原料粒度确定存在较大误差，难以保证炼铁的质量的技术问题。
[0005]
针对于上述问题，本发明提供了一种原料粒度确定方法，包括：
[0006]
获取真实样本图像，并建立数据集；
[0007]
根据所述数据集训练生成原料轮廓分割模型；
[0008]
获取待检测图像，并输入到所述原料轮廓分割模型，生成原料颗粒轮廓图像；
[0009]
根据所述原料颗粒轮廓图像确定原料粒度。
[0010]
可选的，建立数据集的方式包括以下至少之一：
[0011]
对所述真实样本图像中的原料颗粒进行标注，建立数据集；
[0012]
对所述真实样本图像进行处理生成虚假样本图像，对所述虚假样本图像中的原料颗粒进行标注，建立数据集。
[0013]
可选的，若建立数据集的方式包括对所述真实样本图像进行处理生成虚假样本图像，对所述虚假样本图像中的原料颗粒进行标注，建立数据集；
[0014]
对所述真实样本图像进行处理的方式包括以下至少之一：几何变换处理、图像增强处理。
[0015]
可选的，若所述对所述真实样本图像进行处理的方式包括几何变换处理，所述几何变换处理包括，
[0016]
对所述真实样本图像进行图像翻转、对所述真实样本图像进行图像旋转、对所述真实样本图像进行图像裁剪、对所述真实样本图像进行图像缩放、对所述真实样本图像进行仿射变换中至少之一；
[0017]
若所述对所述真实样本图像进行处理的方式包括图像增强处理，所述图像增强处理包括，对所述真实样本图像进行灰度线性变换、对所述真实样本图像进行直方图均衡变换中任意之一。
[0018]
可选的，还包括：
[0019]
封闭所述原料轮廓图像中非封闭的原料颗粒轮廓。
[0020]
可选的，所述根据所述原料颗粒轮廓图像确定原料粒度包括，根据所述原料颗粒轮廓图像确定原料粒度参数，根据所述原料粒度参数确定原料粒度；所述原料粒度参数包括单
[0021]
颗原料颗粒等效直径、单颗原料颗粒周长、单颗原料颗粒面积、原料颗粒平均尺寸中至少之一；
[0022]
所述单颗原料颗粒周长根据所述原料轮廓图像确定；
[0023]
所述单颗原料颗粒面积根据所述原料轮廓图像确定；
[0024]
所述原料颗粒等效直径的计算公式包括，
[0025]
所述原料颗粒平均尺寸的计算公式包括，原料颗粒总面积的计算公式包括，
[0026]
其中，s
total
为实际场景下待检测图像中各原料颗粒的总面积，s
i
为实际场景下待检测图像中单个原料颗粒的面积，d为实际场景下待检测图像中单颗原料颗粒等效直径，p为实际场景下待检测图像中单个原料颗粒周长，s
ave
为实际场景下待检测图像中原料颗粒平均尺寸，k为预设系数，n为原料颗粒数量。
[0027]
可选的，还包括：
[0028]
根据所述原料粒度参数对所述原料颗粒轮廓图像中各原料颗粒的轮廓进行颜色填充，生成原料颗粒识别图像。
[0029]
本发明还提供了一种原料粒度确定系统，包括：
[0030]
建立模块，用于获取真实样本图像，并建立数据集；
[0031]
模型生成模块，用于根据所述数据集训练生成原料轮廓分割模型；
[0032]
图像生成模块，用于获取待检测图像，并输入到所述原料轮廓分割模型，生成原料颗粒轮廓图像；
[0033]
确定模块，用于根据所述原料颗粒轮廓图像确定原料粒度。
[0034]
本发明还提供了一种终端，包括处理器、存储器和通信总线；
[0035]
所述通信总线用于将所述处理器和存储器连接；
[0036]
所述处理器用于执行所述存储器中存储的计算机程序，以实现如上述实施例中一个或多个所述的原料粒度确定方法。
[0037]
本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，
[0038]
所述计算机程序用于使所述计算机执行如上述实施例中任一项所述的原料粒度确定方法。
[0039]
如上所述，本发明提供的一种原料粒度确定方法、系统、终端及介质，具有以下有益效果：
[0040]
通过获取真实样本图像，并建立数据集，根据数据集训练生成原料轮廓分割模型，获取待检测图像，并输入到原料轮廓分割模型，生成原料颗粒轮廓图像，根据原料颗粒轮廓
图像确定原料粒度；解决了过传统筛分检测法确定皮带机上原料粒度，耗费人工，耗时长，效率低，原料粒度确定存在较大误差，难以保证炼铁的质量的技术问题，达到了通过机器检测的方式，替代了人工确定原料粒度的方式，节省了人工，原料粒度的确定更加迅速、提升了确定效率、误差较小，可以提升炼铁的质量。
附图说明
[0041]
图1为本发明实施例一提供的原料粒度确定方法的一种流程示意图；
[0042]
图2为本发明实施例一提供的包括烧结矿颗粒的待检测图像的一种示意图；
[0043]
图3为本发明实施例一提供的包括球团颗粒的待检测图像的一种示意图；
[0044]
图4为将图2输入至原料轮廓分割模型所生成的一种原料颗粒轮廓图像；
[0045]
图5为将图3输入至原料轮廓分割模型所生成的一种原料颗粒轮廓图像；
[0046]
图6存在非封闭的原料颗粒轮廓的原料颗粒轮廓图像的一种示意图；
[0047]
图7为对图6中存在非封闭的原料颗粒轮廓进行封闭后的原料颗粒轮廓图像的一种示意图；
[0048]
图8为图4的原料颗粒轮廓图像进行颜色填充生成的一种原料颗粒识别图像；
[0049]
图9为图5的原料颗粒轮廓图像进行颜色填充生成的另一种原料颗粒识别图像；
[0050]
图10为本发明实施例二提供的原料粒度确定系统的一种结构示意图；
[0051]
图11为本发明实施例二提供的终端的一种结构示意图。
具体实施方式
[0052]
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
[0053]
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
[0054]
实施例一
[0055]
请参阅图1，本发明实施例提供的一种原料粒度确定方法，包括：
[0056]
s101：获取真实样本图像，并建立数据集。
[0057]
可选的，该原料粒度确定方法应用于包括但不限于高炉炼铁过程中，皮带机上所输送原料的原料粒度确定。
[0058]
可选的，真实样本图像包括但不限于皮带机上所输送的高炉炼铁的原料。
[0059]
可选的，真实样本图像可以通过视频提取，该视频可以是实时监控视频，也可以是历史视频在此不做限定。
[0060]
可选的，真实样本图像也可以通过抓拍设备来获取，通过将抓拍设备设置于原料输送装置的某一预设位置，根据预设抓拍规则进行抓拍，将抓拍得到的若干张图像作为真
实样本图像。其中，预设抓拍规则包括但不限于若识别到原料，间隔一定时间对原料进行抓拍；若未识别到原料，停止抓拍，直到重新识别到原料再行启动抓拍。
[0061]
可选的，真实样本图像也可以通过高清工业相机或高清摄像机采集目标区域内皮带机上原料样本图像信息，皮带机上的原料种类包括但不限于矿石、烧结矿、球团、焦炭等。
[0062]
可选的，根据若干张真实样本图像建立数据集，其中真实样本图像包括若干颗原料颗粒。可选的，原料颗粒包括但不限于烧结矿颗粒、球团颗粒、矿石颗粒、焦炭颗粒等中至少之一。
[0063]
可选的，根据真实样本图像建立数据集的方式包括但不限于以下至少之一：
[0064]
对真实样本图像中的原料颗粒进行标注，建立数据集；
[0065]
对真实样本图像进行处理生成虚假样本图像，对虚假样本图像中的原料颗粒进行标注，建立数据集。
[0066]
可选的，对同一张真实样本图像可以通过一种或多种处理方式，以得到一张或多张虚假样本图像。通过对真实样本图像进行处理，可以增加样本图像数量和多样性，避免后续生成原料轮廓分割模型过拟合。这样可以通过采集较少量的真实样本图像，基于多种处理方式，得到较多的样本数据，进而使数据集中的数据更加丰富，原料轮廓分割模型的可信度和准确度可以进一步提升。
[0067]
可选的，数据集可以是单纯根据对真实样本图像中的原料颗粒进行标注得到，也可以单纯根据对虚假样本图像中的原料颗粒进行标注得到，还可以通过分别对真实样本图像中的原料颗粒和虚假样本图像中的原料颗粒进行标注得到，在此不做限定。
[0068]
可选的，在本实施例中，对真实样本图像中的原料颗粒进行标注，可以通过在像素值均为0的背景板上，用像素值为255，宽度值为5像素的线条平滑勾勒出真实样本图像中能够被看到的每颗原料颗粒边缘。当然，背景板的像素值、线条的像素值和线条宽度在此不做限定，本领域技术人员可以根据需用选用。
[0069]
可选的，若建立数据集的方式包括对对真实样本图像进行处理生成虚假样本图像，对虚假样本图像中的原料颗粒进行标注，建立数据集，对真实样本图像进行处理的方式包括但不限于以下至少之一：几何变换处理、图像增强处理。
[0070]
对同一张真实样本图像可以通过不同参数的几何变换处理生成多张虚假样本图像。同理，对同一张真实样本图像也可以通过不同参数的图像增强处理方式生成多张虚假样本图像。可见，通过引入虚假样本图像，可以极大的丰富数据集中的数据，使得生成的原料轮廓分割模型可以适应于多种角度所拍摄的待检测图像，以及，待检测图像中多种角度的原料颗粒。
[0071]
可选的，若对真实样本图像进行处理的方式包括几何变换处理，几何变换处理包括但不限于以下至少之一：
[0072]
对真实样本图像进行图像翻转、对真实样本图像进行图像旋转、对真实样本图像进行图像裁剪、对真实样本图像进行图像缩放、对真实样本图像进行仿射变换。
[0073]
其中，对真实样本图像进行图像缩放包括：对真实样本图像进行等比例缩放，或，对真实样本图像进行变形缩放。
[0074]
可选的，若对真实样本图像进行处理的方式包括图像增强处理，图像增强处理包括以下任意之一：对真实样本图像进行灰度线性变换、对真实样本图像进行直方图均衡变
换。
[0075]
可选的，对真实样本图像进行直方图均衡变换，也即，对真实样本图像进行直方图均衡化处理，这样可以增加真实样本图像的全局对比度。
[0076]
可选的，若对真实样本图像进行处理的方式包括对真实样本图像进行灰度线性变换，灰度线性变换包括将真实样本图像的像素值通过预设线性函数进行变换，预设线性函数包括：
[0077]
g(x,y)＝m
×
f(x,y)+b
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式(1)
[0078]
其中，g(x,y)为变换后虚假样本图像的像素值，f(x,y)为真实样本图像的像素值，m为预设线性函数直线的斜率，b为预设线性函数直线在y轴的截距，0≤g(x,y)≤255。
[0079]
可选的，灰度线性变换包括将真实样本图像的像素值通过预设线性函数进行变换，以此增强或减弱图像的亮度或对比度。当m值大于1时，将会增大图像对比度，当m值为1时，通过调整b，实现对图像亮度的调整，m值位于0～1时，将会削弱图像对比度，m值小于0时，图像亮度高的区域将会变暗，图像较暗的区域将会变量。
[0080]
s102：根据数据集训练生成原料轮廓分割模型。
[0081]
可选的，根据数据集训练运用基于深度学习的图像分割网络进行模型训练，生成原料轮廓分割模型。可以采用u-net图像分割网络，也可以使用其他图像分割网络进行替代，包括但不限于deeplab系列、segnet、u-net、fcns等图像分割网络。
[0082]
可选的，本实施例中的原料轮廓分割模型主要由两部分组成，压缩网络部分和拓展网络部分。其中，压缩网络部分主要是用来捕捉真实样本图像和/或虚假样本图像中的上下文信息，而与之相对称的拓展网络部分则是为了对真实样本图像和/或虚假样本图像中所需要分割出来的部分进行精准定位。压缩网络部分，每两个3
×
3的卷积层后会跟一个步长为2的2
×
2的最大池化层，并且每个卷积层后面采用relu激活函数来对原始图片进行降采样操作，除此之外，每一次降采样都会增加一倍通道数。在拓展网络部分的向上采样中，每一步会有一个2
×
2的卷积层，激活函数也是relu，和一个两个3
×
3的卷积层，于此同时，每一步的升采样都会加入来自相对应压缩网络部分的特征图，可选的，该特征图经裁剪以保持相同的形状。在网络的最后一层是一个1
×
1的卷积层，通过这一操作可以将64通道的特征向量转换为所需要的分类结果的数量。最终，整个网络一共有23层卷积层。
[0083]
s103：获取待检测图像，并输入到原料轮廓分割模型，生成原料颗粒轮廓图像。
[0084]
可选的，待检测图像包括若干颗原料颗粒。
[0085]
可选的，将待检测图像输入到原料轮廓分割模型之前，还包括：对待检测图像进行图像增强，例如图像去噪等。
[0086]
可选的，待检测图像可以是通过实时监控图像的监控视频来获取的，待检测图像也可以通过抓拍设备所抓拍的抓拍图像来获取。对于待检测图像的获取方式，在此不做限定。
[0087]
可选的，待检测图像包括根据高炉炼铁的皮带机上的实时图像。
[0088]
可选的，参见图2，图2为一种包括烧结矿颗粒的待检测图像示意图。参见图3，图3为一种包括球团颗粒的待检测图像示意图。
[0089]
可选的，参见图4，图4为将图2输入至原料轮廓分割模型所生成的原料颗粒轮廓图像。参见图5，图5为将图3输入至原料轮廓分割模型所生成的原料颗粒轮廓图像。
[0090]
在一些实施例中，原料粒度确定方法还包括：
[0091]
封闭原料轮廓图像中非封闭的原料颗粒轮廓。
[0092]
可选的，生成的原料轮廓图像包括待检测图像中各原料颗粒的原料颗粒轮廓。由于成像的光线等问题，部分原料颗粒轮廓可能存在缺口等问题，此时，可以对这些非封闭的原料颗粒轮廓进行封闭。可选的，将非封闭的原料颗粒轮廓中断开的轮廓边缘进行连接。图6为存在非封闭的原料颗粒轮廓的原料颗粒轮廓图像的一种示意图，图6中，存在3颗非封闭的原料颗粒轮廓a、b和c。图7为对图6中存在非封闭的原料颗粒轮廓进行封闭后的原料颗粒轮廓图像的一种示意图，其中，非封闭的原料颗粒轮廓a和非封闭的原料颗粒轮廓b直接采用直线连接两个断点，非封闭的原料颗粒轮廓c采用曲线连接两个断点。
[0093]
可选的，封闭方式可以是将距离最近的两个断点进行连接，连接方式可以是直线连接，或，采用曲线连接，该曲线的曲率可以根据两个断点所对应的曲线的曲率确定。对于封闭方式还可以是本领域技术人员确定的其他方式，在此不做限定。
[0094]
可选的，原料粒度确定方法还包括：
[0095]
对原料颗粒轮廓图像进行图像膨胀，或，图像腐蚀；
[0096]
根据经图像膨胀或图像腐蚀后的原料颗粒轮廓图像确定原料粒度参数，进而确定原料粒度。
[0097]
s104：根据原料颗粒轮廓图像确定原料粒度。
[0098]
在一些实施例中，根据原料颗粒轮廓图像确定原料粒度包括：
[0099]
根据原料颗粒轮廓图像确定原料粒度参数，根据原料粒度参数确定原料粒度。
[0100]
可选的，根据原料轮廓图像，计算原料粒度参数的方式包括：
[0101]
采用图像处理方法对原料轮廓图像进行处理，得到原料轮廓图像中单颗原料颗粒面积s、原料颗粒数n、单颗原料颗粒周长p，计算得到单颗原料颗粒等效直径d、原料颗粒总面积s
total
、原料颗粒平均尺寸s
ave
。
[0102]
在一些实施例中，图像处理方法包括查找轮廓、计算轮廓面积、计算轮廓周长等方法。
[0103]
在一些实施例中，原料粒度参数包括单颗原料颗粒等效直径、单颗原料颗粒周长、单颗原料颗粒面积、原料颗粒平均尺寸中至少之一；
[0104]
单颗原料颗粒周长根据原料轮廓图像确定；
[0105]
单颗原料颗粒面积根据原料轮廓图像确定；
[0106]
原料颗粒等效直径的计算公式包括，
[0107]
原料颗粒平均尺寸的计算公式包括，
[0108]
原料颗粒总面积的计算公式包括，
[0109]
其中，s
total
为原料颗粒的总面积，s
i
为单个原料颗粒的面积，d为单颗原料颗粒等
效直径，p为单颗原料颗粒周长，s
ave
为原料颗粒平均尺寸，k为预设系数，n为原料颗粒数量。
[0110]
需要说明的是，k为将像素转化为现实场景下实际单位的预设系数，因此，s
total
为在现实场景下，待检测图像中各原料颗粒的总面积；d为在现实场景下，待检测图像中单颗原料颗粒等效直径，s
ave
为在现实场景下，待检测图像中原料颗粒平均尺寸；s
i
为在原料轮廓图像中，单个原料颗粒的面积，其单位为像素；p为在原料轮廓图像中，单颗原料颗粒周长，其单位为像素。
[0111]
可选的，k为像素转化为现实场景下实际单位的预设系数，根据该预设系数可以计算实际场景下单个原料颗粒等效直径(d)、原料颗粒平均尺寸(s
ave
)。
[0112]
在一些实施例中，预设系数的确定方式如下：
[0113]
现场测量得到样本图像在实际场景下的宽度(width)，确定样本图像宽边所含像素点数n，进而得到像素转化实际单位系数k，预设系数的计算方式如下：
[0114][0115]
其中，width为样本图像在实际场景下的宽度，k为像素转化实际单位系数，n为样本图像宽边所含像素点数。
[0116]
可选的，预设系数还可以采用其他相关方式来确定，在此不做限定。
[0117]
在一些实施例中，原料粒度确定方法还包括：
[0118]
根据原料粒度参数对原料颗粒轮廓图像中各原料颗粒的轮廓进行颜色填充，生成原料颗粒识别图像。
[0119]
可选的，若原料粒度参数包括单颗原料颗粒面积，原料粒度确定方法还包括：
[0120]
根据单颗原料颗粒面积对原料颗粒轮廓图像中各原料颗粒的轮廓进行颜色填充，生成原料颗粒识别图像。
[0121]
可选的，若原料粒度参数包括单颗原料颗粒面积，基于单颗原料颗粒面积划定颜色阈值，基于阈值对原料颗粒进行颜色填充。
[0122]
可选的，若原料粒度参数包括单颗原料颗粒面积，根据各单颗原料颗粒面积划定面积级别，根据面积级别的填充不同深度的颜色。可以是面积越大颜色越深，也可以面积越小颜色越深，还可以根据其他本领域技术人员设定的填充规则进行颜色填充，在此不做限定。
[0123]
可选的，当原料粒度参数包括单颗原料颗粒等效直径时，颜色填充的方式与上述方式类似，在此不再赘述。
[0124]
可选的，若原料粒度参数包括多个参数，可以选定根据其中一个参数进行颜色填充，也可以选定其中多个参数进行加权平均后，得到综合评级，进而根据综合评级进行颜色填充。
[0125]
可选的，颜色填充可以是黑灰白颜色过渡填充。颜色填充也可以是彩色颜色填充，例如确定某一单颗原料颗粒面积范围填充红色，其余单颗原料颗粒面积范围分别填充其他颜色。
[0126]
参见图8和图9，图8为图4的原料颗粒轮廓图像进行颜色填充生成的一种原料颗粒识别图像；图9为图5的原料颗粒轮廓图像进行颜色填充生成的另一种原料颗粒识别图像。
[0127]
通过原料颗粒识别图像，可以直观的看到待检测图像中各原料颗粒的粒度情况。
[0128]
在一些实施例中，确定原料粒度包括：
[0129]
获取统计规则，根据统计规则以各原料粒度参数维度分别进行统计，生成统计结果；
[0130]
根据统计结果确定原料粒度。
[0131]
可选的，统计规则可以为预先设计好的。针对于不同种类的原料颗粒可以设定不同的统计规则，以原料颗粒等效直径维度进行统计为例，若原料颗粒为烧结矿颗粒或球团颗粒时，需对原料颗粒等效直径小于5mm、5mm～mm之间、10mm～25mm之间、25mm～40mm之间、大于40mm的原料颗粒的数量进行统计；原料颗粒为焦炭颗粒或矿石颗粒时，需对等效直径小于40mm、40mm～60mm之间、60mm～80mm之间、大于80mm的的焦炭颗粒或矿石颗粒的数量进行统计。此时统计结果包括处于各取值区间的原料颗粒的数量占比，根据该统计结果确定原料粒度。需要说明的是，上述取值范围仅是一种示例性说明，本领域技术人员可以根据需要进行调整。
[0132]
可选的，以原料颗粒平均尺寸、单颗原料颗粒面积、单颗原料颗粒周长为维度进行统计的方式与上述以原料颗粒等效直径维度进行统计的方式相类似，在此不再赘述。
[0133]
可选的，统计结果可以包括各个原料粒度参数维度下处于各取值区间的原料颗粒的数量，统计结果也可以包括各个原料粒度参数维度下处于各取值区间的原料颗粒的数量占比。
[0134]
可选的，还可以原料颗粒识别图像中各个颜色的分布情况确定原料粒度。
[0135]
本发明实施例提供了一种原料粒度确定方法，通过获取真实样本图像，并建立数据集，根据数据集训练生成原料轮廓分割模型，获取待检测图像，并输入到原料轮廓分割模型，生成原料颗粒轮廓图像，根据原料颗粒轮廓图像确定原料粒度；解决了过传统筛分检测法确定皮带机上原料粒度，耗费人工，耗时长，效率低，原料粒度确定存在较大误差，难以保证炼铁的质量的技术问题，达到了通过机器检测的方式，替代了人工确定原料粒度的方式，节省了人工，原料粒度的确定更加迅速、提升了确定效率、误差较小，可以提升炼铁的质量。
[0136]
可选的，若待检测图像包括皮带机上所输送的原料的实时监控图像，基于本实施例的原料粒度确定方法可以实现实时的连续性的在线确定原料粒度，进一步保证了炼铁成品的质量。
[0137]
可选的，本方法可以基于具有相应功能的设备实现，这样可以适应于高温等恶劣作业现场，用途广泛。
[0138]
实施例二
[0139]
请参阅图10，一种原料粒度确定系统1000，包括：
[0140]
建立模块1001，用于获取真实样本图像，并建立数据集；
[0141]
模型生成模块1002，用于根据数据集训练生成原料轮廓分割模型；
[0142]
图像生成模块1003，用于获取待检测图像，并输入到原料轮廓分割模型，生成原料颗粒轮廓图像；
[0143]
确定模块1004，用于根据原料颗粒轮廓图像确定原料粒度。
[0144]
在本实施例中，该原料粒度确定系统实质上是设置了多个模块用以执行上述实施例中的原料粒度确定方法，具体功能和技术效果参照上述实施例一即可，此处不再赘述。
[0145]
参见图6，本发明实施例还提供了一种终端1100，包括处理器1101、存储器1102和
通信总线1103；
[0146]
通信总线1103用于将处理器1101和存储器连接1102；
[0147]
处理器1101用于执行存储器1102中存储的计算机程序，以实现如上述实施例一中的一个或多个所述的原料粒度确定方法。
[0148]
本发明实施例还提供了一种计算机可读存储介质，其特征在于，其上存储有计算机程序，
[0149]
计算机程序用于使计算机执行如上述实施例一中的任一项所述的原料粒度确定方法。
[0150]
本申请实施例还提供了一种非易失性可读存储介质，该存储介质中存储有一个或多个模块(programs)，该一个或多个模块被应用在设备时，可以使得该设备执行本申请实施例的实施例一所包含步骤的指令(instructions)。
[0151]
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。
[0152]
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
[0153]
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
[0154]
附图中的流程图和框图，图示了按照本公开各种实施例的方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现
规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0155]
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。