一种矿石图像去噪及品位预测方法及系统与流程

1.本发明涉及矿石自动分拣技术领域，具体是涉及一种矿石图像去噪及品位预测方法及系统。


背景技术：

2.双能xrt成像物质识别技术是利用物质对高、低能x射线吸收程度不同实现物质识别的技术。使用双能x射线探测器可以获得物质的高能和低能两组图像，通过对这两组图像进行数据分析建立的r值模型。实际过程中，在x射线成像的几乎每一个环节都会引入噪声，包括：射线源不稳定产生的量子起伏噪声、图像传感器产生的电子噪声、数字化系统产生的噪声、射线散射噪声等等，特别是低能图像噪声更为明显，而保证高、低能图像的数据特征的真实性是模型制作和识别的较为重要的环节。目前在利用双能x射线的废金属分选研究中，主要是基于r值算法，而r值算法是基于单能谱的衰减公式，r值模型是建立到单色光的理论上，而实际过程中的x射线是连续的，会使物质的吸收率发生改变，从而导致r值模型在很多情况下都不够准确，该方法在诸多类矿石均不能有效进行矿石和废石的分离，也无法获得矿石的品位信息。因此，需要提供一种矿石图像去噪及品位预测方法及系统，旨在解决上述问题。


技术实现要素：

3.针对现有技术存在的不足，本发明的目的在于提供一种矿石图像去噪及品位预测方法及系统，以解决上述背景技术中存在的问题。
4.本发明是这样实现的，一种矿石图像去噪及品位预测方法，所述方法包括以下步骤：
5.通过双能xrt机器分别采集低速矿石透色图像和高速矿石透色图像，矿石透色图像包括石英透色图像和金属块透色图像，每份透色图像均由高能和低能两组图像组成；
6.确定低速低能矿石透色图像为纯净图像，确定高速低能矿石透色图像为噪声图像，将纯净图像和噪声图像设定为去噪模型的训练样本；
7.基于残差网络结构对训练样本进行改良和重构，以提高去噪模型的去噪精度和推理速度；
8.提取石英透色图像和金属块透色图像的高能图像以及低能图像的像素，使用python或matlab制作频率散点图，确定金属和石英的重合情况；
9.将提取到的像素作为训练样本，使用skleran框架下lgbm算法训练模型；
10.重新整合去噪后的低能和高能矿石透色图像，针对像素级进行计算，创建1个与矿石透色图像分辨率相同的全零矩阵m，针对矿石透色图像的每个像素进行预测计算，将结果重新归置到相同坐标的矩阵m中，得到矩阵m1；
11.创建一个与矿石透色图像尺寸相同3维的全零矩阵，第1通道的值77-77*m1，第2通道设置为230，第3通道设置为249，进行通道融合并转化为矿石品味图。
12.作为本发明进一步的方案：所述基于残差网络结构对训练样本进行改良和重构的步骤，具体包括：
13.对图像像素进行翻转，使最大池化过程中不会抹掉石头的矿点；
14.使用最近邻居法，不改变图像的像素值；
15.不固定图像的宽度，使去噪能够按单行或多行进行特征处理，并与后续的矿石品位计算环节并行运行；
16.将基础网络改为depth-wise-separable卷积，去掉全连接层，使用fcn，改为端对端的结构；
17.调整子结构数量及特征图数量，对模型进行量化处理及转化为移动端模式。
18.作为本发明进一步的方案：所述方法还包括对矿石透色图像进行数据增强和标准化处理，作为去噪模型的输入数据。
19.作为本发明进一步的方案：所述矿石品味图中红色点表示纯矿点，由红变黄再变绿表示含矿量逐渐降低，蓝色表示废点。
20.本发明的另一目的在于提供一种矿石图像去噪及品位预测系统，所述系统包括：
21.矿石透色图像采集模块，用于通过双能xrt机器分别采集低速矿石透色图像和高速矿石透色图像，矿石透色图像包括石英透色图像和金属块透色图像，每份透色图像均由高能和低能两组图像组成；
22.训练样本确定模块，用于确定低速低能矿石透色图像为纯净图像，确定高速低能矿石透色图像为噪声图像，将纯净图像和噪声图像设定为去噪模型的训练样本；
23.改良和重构模块，基于残差网络结构对训练样本进行改良和重构，以提高去噪模型的去噪精度和推理速度；
24.频率散点图模块，用于提取石英透色图像和金属块透色图像的高能图像以及低能图像的像素，使用python或matlab制作频率散点图，确定金属和石英的重合情况；
25.lgbm训练模块，用于将提取到的像素作为训练样本，使用skleran框架下lgbm算法训练模型；
26.重组矩阵模块，用于重新整合去噪后的低能和高能矿石透色图像，针对像素级进行计算，创建1个与矿石透色图像分辨率相同的全零矩阵m，针对矿石透色图像的每个像素进行预测计算，将结果重新归置到相同坐标的矩阵m中，得到矩阵m1；
27.矿石品味图生成模块，用于创建一个与矿石透色图像尺寸相同3维的全零矩阵，第1通道的值77-77*m1，第2通道设置为230，第3通道设置为249，进行通道融合并转化为矿石品味图。
28.作为本发明进一步的方案：所述改良和重构模块包括：
29.图像像素翻转单元，用于对图像像素进行翻转，使最大池化过程中不会抹掉石头的矿点；
30.像素值固定单元，用于使用最近邻居法，不改变图像的像素值；
31.加速处理单元，不固定图像的宽度，使去噪能够按单行或多行进行特征处理，并与后续的矿石品位计算环节并行运行；
32.训练节省单元，用于将基础网络改为depth-wise-separable卷积，去掉全连接层，使用fcn，改为端对端的结构；
33.结构调整单元，用于调整子结构数量及特征图数量，对模型进行量化处理及转化为移动端模式。
34.与现有技术相比，本发明的有益效果是：
35.本发明以残差结构为载体，改良和重构了算法，能够特定用于xrt低能图像去噪，同时保持精确性和实时性，去噪模型输出图像干扰极少且保留了绝大多数原始矿点，不会给原数据带来失真的情况，大幅度提高数据提取的精度；通过提取石英和金属高低能图像的像素，制作频率散点图，使用lgbm算法分析制作模型，lgbm算法具有速度快、精度高和占用内存小等特点，而且不易发生过拟合现象，特别适合xrt设备。重新提取去噪后的矿石高低能图像数据，针对像素级进行计算，重构矩阵m1,再通过公式转化为彩色图像，得到能够直接观看的矿石品位图像。解决了卷积神经网络不适合xrt设备图像去噪的问题，保证了去噪精度及实时性，同时改善了xrt设备不能预测矿石品位的问题。
附图说明
36.图1为一种矿石图像去噪及品位预测方法的流程图。
37.图2为一种矿石图像去噪及品位预测方法中使用去噪模型进行去噪的效果图。
38.图3为一种矿石图像去噪及品位预测方法中的矿石品味图。
具体实施方式
39.为了使本发明的目的、技术方案及优点更加清晰，以下结合附图及具体实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
40.以下结合具体实施例对本发明的具体实现进行详细描述。
41.如图1、图2和图3所示，本发明实施例提供了一种矿石图像去噪及品位预测方法，所述方法包括以下步骤：
42.s100，通过双能xrt机器分别采集低速矿石透色图像和高速矿石透色图像，矿石透色图像包括石英透色图像和金属块透色图像，每份透色图像均由高能和低能两组图像组成；
43.s200，确定低速低能矿石透色图像为纯净图像，确定高速低能矿石透色图像为噪声图像，将纯净图像和噪声图像设定为去噪模型的训练样本；
44.s300，基于残差网络结构对训练样本进行改良和重构，以提高去噪模型的去噪精度和推理速度；
45.s400，提取石英透色图像和金属块透色图像的高能图像以及低能图像的像素，使用python或matlab制作频率散点图，确定金属和石英的重合情况；
46.s500，将提取到的像素作为训练样本，使用skleran框架下lgbm算法训练模型；
47.s600，重新整合去噪后的低能和高能矿石透色图像，针对像素级进行计算，创建1个与矿石透色图像分辨率相同的全零矩阵m，针对矿石透色图像的每个像素进行预测计算，将结果重新归置到相同x、y坐标的矩阵m中，得到矩阵m1；
48.s700，创建一个与矿石透色图像尺寸相同3维的全零矩阵，第1通道的值77-77*m1，第2通道设置为230，第3通道设置为249，进行通道融合并转化为矿石品味图。
49.本发明实施例中，使用skleran框架下lgbm算法训练模型，lgbm算法具有速度快、精度高和占用内存小等特点，而且不易发生过拟合现象；本发明以残差结构为载体，改良和重构了整个算法，使其能够特定用于xrt低能图像去噪，同时保持精确性和实时性，通过数据增强和批量归一化操作提高训练模型的训练速度和泛化能力,调整子结构等多种方法达到最优去噪效果及耗时需求，去噪模型输出图像干扰极少且保留了绝大多数原始矿点，不会给原数据带来失真的情况，大幅度提高数据提取的精度，又通过图像按行去噪，更进一步减少耗时，实时做到去噪和预测同时进行。通过提取石英和金属高低能图像的像素，制作频率散点图，使用lgbm算法分析制作模型，该算法具有速度快、精度高和占用内存小等特点，而且不易发生过拟合现象，特别适合xrt设备。重新提取去噪后的矿石高低能图像数据，针对像素级进行计算，重构矩阵m1,再通过公式转化为彩色图像，得到能够直接观看的矿石品位图像。解决了卷积神经网络不适合xrt设备图像去噪的问题，保证了去噪精度及实时性，同时改善了xrt设备不能预测矿石品位的问题。
50.本发明实施例中，所述矿石品味图中红色点表示纯矿点，由红变黄再变绿表示含矿量逐渐降低，蓝色表示废点，进而矿石品位高低直接可通过肉眼判断。所述方法还包括对矿石透色图像进行数据增强和标准化处理，作为去噪模型的输入数据，并经过不断调参，训练得到最优的去噪模型。
51.本发明实施例中，所述基于残差网络结构对训练样本进行改良和重构的步骤，具体包括：
52.s301，对图像像素进行翻转，使最大池化过程中不会抹掉石头的矿点；
53.s302，使用最近邻居法，不改变图像的像素值；
54.s303，不固定图像的宽度，使去噪能够按单行或多行进行特征处理，并与后续的矿石品位计算环节并行运行；
55.s304，将基础网络改为depth-wise-separable卷积，降低推理时间，去掉全连接层，使用fcn，改为端对端的结构，利于训练和节省时间；
56.s305，调整子结构数量及特征图数量，利于推理速度，对模型进行量化处理及转化为移动端模式，进一步提高推理速度。
57.需要说明的是，因为每个像素值均代表含矿量，所以不能够改变图像的像素值；去噪可以按单行或多行进行特征处理，并与后面的矿石品位计算环节并行运行，合理调用计算机资源，具有较快的加速效果。
58.本发明实施例还提供了一种矿石图像去噪及品位预测系统，所述系统包括：
59.矿石透色图像采集模块，用于通过双能xrt机器分别采集低速矿石透色图像和高速矿石透色图像，矿石透色图像包括石英透色图像和金属块透色图像，每份透色图像均由高能和低能两组图像组成；
60.训练样本确定模块，用于确定低速低能矿石透色图像为纯净图像，确定高速低能矿石透色图像为噪声图像，将纯净图像和噪声图像设定为去噪模型的训练样本；
61.改良和重构模块，基于残差网络结构对训练样本进行改良和重构，以提高去噪模型的去噪精度和推理速度；
62.频率散点图模块，用于提取石英透色图像和金属块透色图像的高能图像以及低能图像的像素，使用python或matlab制作频率散点图，确定金属和石英的重合情况；
63.lgbm训练模块，用于将提取到的像素作为训练样本，使用skleran框架下lgbm算法训练模型；
64.重组矩阵模块，用于重新整合去噪后的低能和高能矿石透色图像，针对像素级进行计算，创建1个与矿石透色图像分辨率相同的全零矩阵m，针对矿石透色图像的每个像素进行预测计算，将结果重新归置到相同坐标的矩阵m中，得到矩阵m1；
65.矿石品味图生成模块，用于创建一个与矿石透色图像尺寸相同3维的全零矩阵，第1通道的值77-77*m1，第2通道设置为230，第3通道设置为249，进行通道融合并转化为矿石品味图。
66.本发明实施例中，所述改良和重构模块包括：
67.图像像素翻转单元，用于对图像像素进行翻转，使最大池化过程中不会抹掉石头的矿点；
68.像素值固定单元，用于使用最近邻居法，不改变图像的像素值；
69.加速处理单元，不固定图像的宽度，使去噪能够按单行或多行进行特征处理，并与后续的矿石品位计算环节并行运行；
70.训练节省单元，用于将基础网络改为depth-wise-separable卷积，去掉全连接层，使用fcn，改为端对端的结构；
71.结构调整单元，用于调整子结构数量及特征图数量，对模型进行量化处理及转化为移动端模式。
72.以上仅对本发明的较佳实施例进行了详细叙述，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
73.应该理解的是，虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
74.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
75.本领域技术人员在考虑说明书及实施例处的公开后，将容易想到本公开的其它实
施方案。本技术旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。