石英伴生金矿的分选方法、装置和可读存储介质

权利要求

1.石英伴生金矿的分选方法，其特征在于，所述石英伴生金矿的分选方法包括：

获取待分选金矿的RGB图像；

将所述RGB图像转换成HSV图像，并根据所述HSV图像获取图像亮度；

在所述图像亮度处于预设亮度范围内时，获取所述HSV图像中所述待分选金矿的属性信息，其中，所述属性信息包括所述待分选金矿的类别和位置；

根据所述属性信息对所述待分选金矿进行分选。

2.如权利要求1所述的石英伴生金矿的分选方法，其特征在于，所述将所述RGB图像转换成HSV图像的步骤包括：

从所述RGB图像中提取颜色分量值，其中，所述颜色分量值包括R颜色分量值、G颜色分量值以及B颜色分量值；

根据所述颜色分量值确定色调值、饱和度以及明度值；

根据所述色调值、所述饱和度以及所述明度值生成所述HSV图像。

3.如权利要求2所述的石英伴生金矿的分选方法，其特征在于，所述根据所述颜色分量值确定色调值、饱和度以及明度值的步骤包括：

获取所述R颜色分量值、所述G颜色分量值以及所述B颜色分量值中的最大分量值和最小分量值；

将所述最大分量值作为所述明度值，以及根据所述最大分量值以及所述最小分量值确定所述饱和度；

根据所述饱和度、所述R颜色分量值、所述G颜色分量值、所述B颜色分量值、所述最大分量值以及所述最小分量值确定所述色调值。

4.如权利要求1所述的石英伴生金矿的分选方法，其特征在于，所述根据所述HSV图像获取图像亮度的步骤包括：

获取所述HSV图像中各个像素点的亮度对应的亮度平均值；

将所述亮度平均值作为所述图像亮度。

5.如权利要求1所述的石英伴生金矿的分选方法，其特征在于，所述根据所述HSV图像获取图像亮度的步骤之后，所述石英伴生金矿的分选方法还包括：

构建深度学习模型；

获取训练集中的所述HSV图像作为训练样本，所述训练样本对所述深度学习模型进行训练，以得到训练好的深度学习模型；

所述在所述图像亮度处于预设亮度范围内时，获取所述HSV图像中所述待分选金矿的属性信息的步骤包括：

将所述图像亮度处于预设亮度范围内的所述HSV图像输入至所述训练好的深度学习模型中，以得到所述HSV图像中所述待分选金矿的属性信息。

6.如权利要求1所述的石英伴生金矿的分选方法，其特征在于，所述根据所述HSV图像获取图像亮度的步骤之后，还包括：

在所述图像亮度未处于预设亮度范围内时，确定所述待分选金矿为废石。

7.石英伴生金矿的分选装置，其特征在于，所述石英伴生金矿的分选装置包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的石英伴生金矿的分选程序，所述石英伴生金矿的分选程序被所述处理器执行时实现如权利要求1～6中任一项所述的石英伴生金矿的分选方法的步骤。

8.可读存储介质，其特征在于，所述可读存储介质上存储有石英伴生金矿的分选装置程序，所述石英伴生金矿的分选程序被处理器执行时实现如权利要求1～6中任一项所述的石英伴生金矿的分选方法的步骤。

说明书

技术领域

本发明涉及矿石分选技术领域，特别涉及石英伴生金矿的分选方法、装置和可读存储介质。

背景技术

近年来，中国的矿业领域面临着空前的生存与发展困难，矿产资源几近枯竭，采选过程所造成的环境污染严重，资源利用水平不高，以及来自国际市场的强有力竞争使得中国矿业领域面临着巨大的挑战。因此，矿山企业必须努力依靠科技创新，大力开发矿业领域的信息技术来改造和优化采选过程是非常必要且有意义的。

然而，由于工业现场石英伴生金矿本身的复杂性及多样性，导致拍摄过程太过复杂且图像极为不清晰，从而严重影响石英伴生金矿的分选效果。

发明内容

本发明的主要目的是提供一种石英伴生金矿的分选方法、装置和可读存储介质，旨在提高石英伴生金矿的分选效果。

为实现上述目的，本发明提供一种石英伴生金矿的分选方法，所述石英伴生金矿的分选方法包括：

所述石英伴生金矿的分选方法包括：

获取待分选金矿的RGB图像；

将所述RGB图像转换成HSV图像，并根据所述HSV图像获取图像亮度；

在所述图像亮度处于预设亮度范围内时，获取所述HSV图像中所述待分选金矿的属性信息，其中，所述属性信息包括所述待分选金矿的类别和位置；

根据所述属性信息对所述待分选金矿进行分选。

可选地，所述将所述RGB图像转换成HSV图像的步骤包括：

从所述RGB图像中提取颜色分量值，其中，所述颜色分量值包括R颜色分量值、G颜色分量值以及B颜色分量值；

根据所述颜色分量值确定色调值、饱和度以及明度值；

根据所述色调值、所述饱和度以及所述明度值生成所述HSV图像。

可选地，所述根据所述颜色分量值确定色调值、饱和度以及明度值的步骤包括：

获取所述R颜色分量值、所述G颜色分量值以及所述B颜色分量值中的最大分量值和最小分量值；

将所述最大分量值作为所述明度值，以及根据所述最大分量值以及所述最小分量值确定所述饱和度；

根据所述饱和度、所述R颜色分量值、所述G颜色分量值、所述B颜色分量值、所述最大分量值以及所述最小分量值确定所述色调值。

可选地，所述根据所述HSV图像获取图像亮度的步骤包括：

获取所述HSV图像中各个像素点的亮度对应的亮度平均值；

将所述亮度平均值作为所述图像亮度。

可选地，所述根据所述HSV图像获取图像亮度的步骤之后，所述石英伴生金矿的分选方法还包括：

构建深度学习模型；

获取训练集中的所述HSV图像作为训练样本，所述训练样本对所述深度学习模型进行训练，以得到训练好的深度学习模型；

所述在所述图像亮度处于预设亮度范围内时，获取所述HSV图像中所述待分选金矿的属性信息的步骤包括：

将所述图像亮度处于预设亮度范围内的所述HSV图像输入至所述训练好的深度学习模型中，以得到所述HSV图像中所述待分选金矿的属性信息。

可选地，所述根据所述HSV图像获取图像亮度的步骤之后，还包括：

在所述图像亮度未处于预设亮度范围内时，确定所述待分选金矿为废石。

此外，为实现上述目的，本发明还提出一种石英伴生金矿的分选装置，所述石英伴生金矿的分选装置包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的石英伴生金矿的分选程序，所述石英伴生金矿的分选程序被所述处理器执行时实现如以上所述的石英伴生金矿的分选方法的步骤。

此外，为实现上述目的，本发明还提出一种可读存储介质，所述可读存储介质上存储有石英伴生金矿的分选程序，所述石英伴生金矿的分选程序被处理器执行时实现如以上所述的石英伴生金矿的分选方法的步骤。

本发明提出的石英伴生金矿的分选方法、装置和可读存储介质，所述石英伴生金矿的分选方法所述石英伴生金矿的分选方法通过获取待分选金矿的RGB图像后，将所述RGB图像转换成HSV图像，并根据所述HSV图像获取图像亮度，以在所述图像亮度处于预设亮度范围内时获取所述HSV图像中所述待分选金矿的属性信息，其中，所述属性信息包括所述待分选金矿的类别和位置，再根据所述属性信息对所述待分选金矿进行分选，本发明提供的技术方案通过所述图像亮度与预设亮度范围进行比对后以进行第一次分选以及根据所述待分选金矿的类别和位置信息对其进行第二次分选，即通过两次分选可以降低所述待分选金矿的复杂性及多样性，从而提高图像采集的清晰度，进而提高金矿的分选效果。

附图说明

为了更清楚地说明本发明实施例或示例性中的技术方案，下面将对实施例或示例性描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以按照这些附图示出的获得其他的附图。

图1为本发明实施例方案涉及的硬件运行环境的终端结构示意图；

图2为本发明石英伴生金矿的分选方法第一实施例的流程示意图；

图3为本发明石英伴生金矿的分选方法第二实施例的流程示意图；

图4为本发明构建的深度学习模型的示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

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。

本发明的主要解决方案是：获取待分选金矿的RGB图像；将所述RGB图像转换成HSV图像，并根据所述HSV图像获取图像亮度；在所述图像亮度处于预设亮度范围内时，获取所述HSV图像中所述待分选金矿的属性信息，其中，所述属性信息包括所述待分选金矿的类别和位置；根据所述属性信息对所述待分选金矿进行分选。

目前中国的矿业领域面临着空前的生存与发展困难，矿产资源几近枯竭，采选过程所造成的环境污染严重，资源利用水平不高，以及来自国际市场的强有力竞争使得中国矿业领域面临着巨大的挑战。因此，矿山企业必须努力依靠科技创新，大力开发矿业领域的信息技术来改造和优化采选过程是非常必要且有意义的。由于工业现场石英伴生金矿本身的复杂性及多样性，导致拍摄过程太过复杂且图像极为不清晰，从而严重影响石英伴生金矿的分选效果。

本发明提供一种解决方案，获取待分选金矿的RGB图像后，将所述RGB图像转换成HSV图像，并根据所述HSV图像获取图像亮度，以在所述图像亮度处于预设亮度范围内时获取所述HSV图像中所述待分选金矿的属性信息，其中，所述属性信息包括所述待分选金矿的类别和位置，再根据所述属性信息对所述待分选金矿进行分选，本发明提供的技术方案通过所述图像亮度与预设亮度范围进行比对后以进行第一次分选以及根据所述待分选金矿的类别和位置信息对其进行第二次分选，即通过两次分选可以降低所述待分选金矿的复杂性及多样性，从而提高图像采集的清晰度，进而提高金矿的分选效果。

如图1所示，图1是本发明实施例方案涉及的终端的硬件运行环境示意图。

如图1所示，该终端可以包括：处理器1001，例如CPU，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)、遥控器，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如存储器(non-volatile memory))，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。

本领域技术人员可以理解，图1中示出的终端的结构并不构成对终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及石英伴生金矿的分选程序。

在图1所示的终端中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端(用户端)，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的石英伴生金矿的分选程序，并执行以下操作：

获取待分选金矿的RGB图像；

将所述RGB图像转换成HSV图像，并根据所述HSV图像获取图像亮度；

在所述图像亮度处于预设亮度范围内时，获取所述HSV图像中所述待分选金矿的属性信息，其中，所述属性信息包括所述待分选金矿的类别和位置；

根据所述属性信息对所述待分选金矿进行分选。

进一步地，处理器1001可以调用存储器1005中存储的石英伴生金矿的分选程序，还执行以下操作：

从所述RGB图像中提取颜色分量值，其中，所述颜色分量值包括R颜色分量值、G颜色分量值以及B颜色分量值；

根据所述颜色分量值确定色调值、饱和度以及明度值；

根据所述色调值、所述饱和度以及所述明度值生成所述HSV图像。

进一步地，处理器1001可以调用存储器1005中存储的石英伴生金矿的分选程序，还执行以下操作：

获取所述R颜色分量值、所述G颜色分量值以及所述B颜色分量值中的最大分量值和最小分量值；

将所述最大分量值作为所述明度值，以及根据所述最大分量值以及所述最小分量值确定所述饱和度；

根据所述饱和度、所述R颜色分量值、所述G颜色分量值、所述B颜色分量值、所述最大分量值以及所述最小分量值确定所述色调值。

进一步地，处理器1001可以调用存储器1005中存储的石英伴生金矿的分选程序，还执行以下操作：

获取所述HSV图像中各个像素点的亮度对应的亮度平均值；

将所述亮度平均值作为所述图像亮度。

进一步地，处理器1001可以调用存储器1005中存储的石英伴生金矿的分选程序，还执行以下操作：

构建深度学习模型；

获取训练集中的所述HSV图像作为训练样本，所述训练样本对所述深度学习模型进行训练，以得到训练好的深度学习模型；

所述在所述图像亮度处于预设亮度范围内时，获取所述HSV图像中所述待分选金矿的属性信息的步骤包括：

将所述图像亮度处于预设亮度范围内的所述HSV图像输入至所述训练好的深度学习模型中，以得到所述HSV图像中所述待分选金矿的属性信息。

进一步地，处理器1001可以调用存储器1005中存储的石英伴生金矿的分选程序，还执行以下操作：

在所述图像亮度未处于预设亮度范围内时，确定所述待分选金矿为废石。

本发明提供一种石英伴生金矿的分选方法。

参照图2，图2为本发明石英伴生金矿的分选方法第一实施例的流程示意图。

本实施例提出一种石英伴生金矿的分选方法，该石英伴生金矿的分选方法包括：

S10、获取待分选金矿的RGB图像；

S20、将所述RGB图像转换成HSV图像，并根据所述HSV图像获取图像亮度；

S30、在所述图像亮度处于预设亮度范围内时，获取所述HSV图像中所述待分选金矿的属性信息，其中，所述属性信息包括所述待分选金矿的类别和位置；

S40、根据所述属性信息对所述待分选金矿进行分选。

本实施例中，本申请的石英伴生金矿的分选方法可以是可编程逻辑控制器(PLC)执行，也可以是由内置控制芯片的服务器执行，本发明优选为PLC。待分选金矿包括伴生金矿(主要和石英伴生)，待分选金矿的图像信息可以通过工业相机或其他拍摄设备获取。

具体地，执行步骤S10时，PLC接收到工业相机或其他拍摄设备获取的待分选金矿的图像信息后，其中，该图像信息为RGB图像信息，即PLC获取待分选金矿的RGB图像。RGB是指代表红、绿、蓝三个通道的颜色分量。

在所述待分选金矿为金矿时，由于金矿在原矿表面边角部位带有金黄色反光且反光部位夹杂石英透明性质，导致出现整体颜色极其复杂、多变、设备反光等问题，即本实施例在获取到所述待分选金矿的RGB图像后，将所述RGB图像转换成HSV图像，并根据所述HSV图像获取图像亮度，其中，HSV也称六角锥体模型，是指色调(Hue，H)，饱和度(Saturation，S)，明度(Value，V)。即通过将RGB图像转换成HSV图像后，根据所述HSV图像获取图像亮度对所述待分选金矿进行初次分选，以筛选出不符合图像亮度的金矿，即为废石。比如，在所述图像亮度未处于预设亮度范围内时，确定所述待分选金矿为废石，以预分出一部分废石，从而进行降低废石多样性，进而提高分选精度。

进一步地，在所述RGB图像转换成HSV图像时，先从所述RGB图像中提取颜色分量值，其中，所述颜色分量值包括R颜色分量值、G颜色分量值以及B颜色分量值，再根据所述颜色分量值确定色调值、饱和度以及明度值，以及根据所述色调值、所述饱和度以及所述明度值生成所述HSV图像。

具体地，获取所述R颜色分量值、所述G颜色分量值以及所述B颜色分量值中的最大分量值和最小分量值，并将所述最大分量值作为所述明度值，以及根据所述最大分量值以及所述最小分量值确定所述饱和度，再根据所述饱和度、所述R颜色分量值、所述G颜色分量值、所述B颜色分量值、所述最大分量值以及所述最小分量值确定所述色调值。

比如，参照如下公式：

V＝Imax；

设最大分量值Imax＝max{R、G、B}，最小分量值Imin＝min{R、G、B}，此时，所述明度值V为最大分量值Imax，即V＝Imax；所述饱和度S＝(Imax-Imin)/Imax，或者，S＝0；所述色调值H分为两种情况，即当S＝0时，H为undefined，当S≠0时，所述色调值H根据最大分量值分为三种，即当Imax＝R时，H＝(G-B)/(Imax-Imin)；当Imax＝G时，H＝2+(B-R)/(Imax-Imin)；当Imax＝B时，H＝4+(R-G)/(Imax-Imin)。

具体地，在将所述RGB图像转换成HSV图像后，即可获取HSV图像的三通道的均值，其中，H通道和S通道的金矿、废石所得均值基本处于胶合状态，从而无法通过HSV图像的色调值和饱和度判断该图像对应金矿还是废石。即本实施例中通过获取所述HSV图像获取图像亮度，并根据预设亮度范围可对待分选金矿的类别进行判断。

比如，在图像亮度小于30或图像亮度大于120时，所述HSV图像对应的待分选金矿即可判定为废石，即本实施例中的预设亮度范围为[30，120]。当然，在其他实施例中，所述预设亮度范围还可以设置为其他数值，在此并不进行限定。

具体地，在所述根据所述HSV图像获取图像亮度时，先获取所述HSV图像中各个像素点的亮度对应的亮度平均值，并将所述亮度平均值作为所述图像亮度。

进一步地，在所述图像亮度处于预设亮度范围内时，获取所述HSV图像中所述待分选金矿的属性信息，其中，所述属性信息包括所述待分选金矿的类别和位置，即在获取到所述待分选金矿的类别和位置，即可根据所述待分选金矿的类别和位置进行二次分选。

其中，所述待分选金矿的类别包括金矿和废石，所述待分选金矿的位置为金矿或废石所在位置，以在分选过程中，能够快速定位到废石的位置，从而提高分选效率。

在本申请的实施例中，通过获取待分选金矿的RGB图像后，将所述RGB图像转换成HSV图像，并根据所述HSV图像获取图像亮度，以在所述图像亮度处于预设亮度范围内时获取所述HSV图像中所述待分选金矿的属性信息，其中，所述属性信息包括所述待分选金矿的类别和位置，再根据所述属性信息对所述待分选金矿进行分选，本发明提供的技术方案通过所述图像亮度与预设亮度范围进行比对后以进行第一次分选以及根据所述待分选金矿的类别和位置信息对其进行第二次分选，即通过两次分选可以降低所述待分选金矿的复杂性及多样性，从而提高图像采集的清晰度，进而提高金矿的分选效果。

进一步地，参照图3，基于第一实施例提出本发明第二实施例，在本实施例中，所述根据所述HSV图像获取图像亮度的步骤之后，所述石英伴生金矿的分选方法还包括：

S50，构建深度学习模型；

S60，获取训练集中的所述HSV图像作为训练样本，所述训练样本对所述深度学习模型进行训练，以得到训练好的深度学习模型；

搭建深度学习模型，获取训练集中的所述HSV图像作为训练样本，所述训练样本对所述深度学习模型进行训练，并利用所述深度学习模型对所述HSV图像进行特征提取，得到一组特征向量；

如图4所示，搭建的深度学习模型包括输入层C1、第一卷积层X1、第一采样层Y1、第二卷积层X2、第二采样层Y2、全连接层Z以及输出层C2；

其中，所述输入层C1之后连接所述第一卷积层X1，所述第一卷积层X1之后连接所述第一采样层Y1，所述第一采样层Y1之后连接所述第二卷积层X2，所述第二卷积层X2之后连接所述第二采样层Y2，所述第二采样层Y2之后连接所述全连接层Z，所述全连接层Z之后连接所述输出层C2，所述输出层C2输出一组二维的特征向量。

其中，将得到的一组特征向量输入到softmax分类器中，通过softmax分类器来对所述HSV图像进行分类，得到训练好的深度学习模型；

在本发明具体实施例中，所述步骤S3具体为：

记输入的一组特征向量为{(a 1,b 1),...,(a i,b i),...,(a n,b n)}，其中，ai为金矿图片i的特征向量，n为训练集的样本个数(例如，可以取样本个数为483个，在具体实施时，可以根据实际需要来选择样本个数)，b i为金矿所属的种类(例如，可以将待分选金矿所属的种类分为金矿和废石两类)，b i∈{1,2,3,...j}，j为金矿的总类数，任意一个金矿均以一定概率被识别为j个分类中的一类。

在使用softmax分类器对金矿图片进行分类时，对于任意的特征向量a i，均选择最大概率所对应的k作为当前金矿图片的分类结果，且将分类结果与标记的真实结果进行比较，如果结果一致，则分类正确；如果结果不一致，则分类错误。

例如，在一具体实施例中，某一金矿图片被识别为金矿的概率为89％，被识别为废矿的概率为50％，由于89％大于50％，因此，选择金矿作为当前HSV图像的分类结果，也就是说，将所述HSV图像分类到金矿；同时，需要与标记的真实结果进行比较，如果标记的真实结果也是金矿，则说明分类正确，否则就说明分类错误。

进一步地，所述在所述图像亮度处于预设亮度范围内时，获取所述HSV图像中所述待分选金矿的属性信息的步骤包括：

S70、将所述图像亮度处于预设亮度范围内的所述HSV图像输入至所述训练好的深度学习模型中，以得到所述HSV图像中所述待分选金矿的属性信息。

即通过将进行第一次分选后的待分选金矿输入至所述训练好的深度学习模型，可以得到所述待分选金矿的属性信息，以通过所述属性信息对所述待分选金矿进行二次分选，从而提高分选的效果。

本发明还提出一种石英伴生金矿的分选装置，所述石英伴生金矿的分选装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的石英伴生金矿的分选程序，所述石英伴生金矿的分选程序被所述处理器执行时实现如以上实施例所述的石英伴生金矿的分选方法的步骤。

本发明还提出一种可读存储介质，该可读存储介质上存储有石英伴生金矿的分选程序，所述石英伴生金矿的分选程序被处理器执行时实现如以上任一实施例所述的石英伴生金矿的分选方法的步骤。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，云端服务器，或者网络设备等)执行本发明各个实施例的方法。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。