本發(fā)明涉及礦石分選的，具體涉及一種基于多圖像融合的人工智能分選方法及裝置。

背景技術(shù)：

1、礦石分選是礦業(yè)生產(chǎn)中的一個關(guān)鍵環(huán)節(jié)，其主要目的是通過物理或化學(xué)方法，將礦石中有價值的礦物與廢石或其他雜質(zhì)分離，以提高礦石的品位，為后續(xù)的冶煉或進(jìn)一步加工提供高質(zhì)量的原料。礦石分選的效率和準(zhǔn)確性直接影響礦石資源的利用率、生產(chǎn)成本和環(huán)境影響。

2、傳統(tǒng)礦石色選機通常依賴于單一光譜(如可見光)進(jìn)行分選。專利cn108108678b公開了一種鎢礦礦石識別分選方法，通過采集和處理礦石的可見光(rgb)圖像，可以進(jìn)行礦石自動識別分選，與人工手選相比速度快、生產(chǎn)效率高、成本低且分選率高。

3、這種方法雖然適用于顏色差異明顯的礦石，但在礦石顏色或光學(xué)特性相似的情況下，識別精度較低。對于一些具有相近顏色、表面紋理或光學(xué)特性的礦石，單一光譜的分辨力有限，導(dǎo)致誤選或漏選的情況較為常見，分選準(zhǔn)確度低。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的就在于解決上述背景技術(shù)中提到的礦石分選準(zhǔn)確度低的問題，而提出一種基于多圖像融合的人工智能分選方法及裝置。

2、本發(fā)明實施的第一方面，提供了一種基于多圖像融合的人工智能分選方法，所述方法包括：

3、獲取目標(biāo)礦石的第一波段圖像、第二波段圖像和x射線圖像；所述第一波段圖像為可見光圖像；所述第二波段圖像為近紅外圖像；

4、對所述第一波段圖像、第二波段圖像和x射線圖像進(jìn)行縮放，得到多通道特征圖；

5、將所述多通道特征圖作為預(yù)訓(xùn)練的分類模型的輸入，得到目標(biāo)礦石的類型；

6、根據(jù)所述目標(biāo)礦石的類型，將所述目標(biāo)礦石輸送到對應(yīng)的接收區(qū)域。

7、可選的，所述目標(biāo)礦石的第一波段圖像和第二波段圖像由第一采集點采集；所述x射線圖像由第二采集點采集；

8、所述獲取目標(biāo)礦石的第一波段圖像、第二波段圖像和x射線圖像包括：

9、獲取目標(biāo)區(qū)域的可見光圖像和近紅外圖像；

10、對所述目標(biāo)區(qū)域的可見光圖像進(jìn)行邊緣檢測和圖像分割，確定目標(biāo)礦石的空間位置，得到目標(biāo)礦石的第一波段圖像；

11、根據(jù)所述目標(biāo)礦石的空間位置，從所述目標(biāo)區(qū)域的近紅外圖像中，提取出所述目標(biāo)礦石的第二波段圖像；

12、根據(jù)所述第一采集點和所述第二采集點的位置距離以及傳送帶的運動速度，得到第一波段圖像和x射線圖像的采集時間差；

13、根據(jù)所述采集時間差和所述目標(biāo)礦石的空間位置，得到所述目標(biāo)礦石的x射線圖像。

14、可選的，所述對所述第一波段圖像、第二波段圖像和x射線圖像進(jìn)行縮放，得到多通道特征圖包括：

15、根據(jù)雙線性插值算法，將所述第一波段圖像、第二波段圖像和x射線圖像縮放到預(yù)設(shè)大?。?/p>

16、將縮放后的第一波段圖像、第二波段圖像和x射線圖像進(jìn)行拼接，得到多通道特征圖。

17、可選的，所述分類模型包括特征提取層、特征融合層和全連接層；所述特征提取層包括第一卷積分支、第二卷積分支、第三卷積分支；所述多通道特征圖包括rgb三通道圖層、近紅外單通道圖層和x光單通道圖層；

18、其中：

19、所述第一卷積分支，用于接收所述rgb三通道圖層作為輸入，輸出第一特征張量；

20、所述第二卷積分支，用于接收所述近紅外單通道圖層作為輸入，輸出第二特征張量；

21、所述第三卷積分支，用于接收所述x光單通道圖層作為輸入，輸出第三特征張量；

22、所述特征融合層，用于接收所述第一特征張量、所述第二特征張量和所述第三特征張量作為輸入，輸出全局特征向量；

23、所述全連接層，用于接收所述全局特征向量作為輸入，輸出目標(biāo)礦石的類型。

24、可選的，所述特征融合層接收所述第一特征張量、所述第二特征張量和所述第三特征張量作為輸入，輸出全局特征向量包括：

25、將所述第一特征張量、所述第二特征張量在通道維度上進(jìn)行拼接，得到第四特征張量；

26、利用預(yù)設(shè)數(shù)量個1×1卷積核分別對所述第四特征張量進(jìn)行卷積操作，得到第五特征張量；

27、利用relu函數(shù)對所述第五特征張量進(jìn)行非線性變換，得到第六特征張量，并將所述第六特征張量展開成一維的第一特征向量；

28、將所述第三特征張量開成一維的第二特征向量；

29、將所述第一特征向量和所述第二特征向量拼接，得到全局特征向量。

30、本發(fā)明實施的第二方面，提供了一種基于多圖像融合的人工智能分選裝置，所述裝置包括：

31、圖像獲取模塊，用于獲取目標(biāo)礦石的第一波段圖像、第二波段圖像和x射線圖像；所述第一波段圖像為可見光圖像；所述第二波段圖像為近紅外圖像；

32、圖像標(biāo)準(zhǔn)化模塊，用于對所述第一波段圖像、第二波段圖像和x射線圖像進(jìn)行縮放，得到多通道特征圖；

33、礦石分類模塊，用于將所述多通道特征圖作為預(yù)訓(xùn)練的分類模型的輸入，得到目標(biāo)礦石的類型；

34、分離模塊，用于根據(jù)所述目標(biāo)礦石的類型，將所述目標(biāo)礦石輸送到對應(yīng)的接收區(qū)域。

35、可選的，所述目標(biāo)礦石的第一波段圖像和第二波段圖像由第一采集點采集；所述x射線圖像由第二采集點采集；

36、所述圖像獲取模塊包括：

37、區(qū)域圖像獲取模塊，用于獲取目標(biāo)區(qū)域的可見光圖像和近紅外圖像；

38、第一波段圖像獲取模塊，用于對所述目標(biāo)區(qū)域的可見光圖像進(jìn)行邊緣檢測和圖像分割，確定目標(biāo)礦石的空間位置，得到目標(biāo)礦石的第一波段圖像；

39、第二波段圖像獲取模塊，用于根據(jù)所述目標(biāo)礦石的空間位置，從所述目標(biāo)區(qū)域的近紅外圖像中，提取出所述目標(biāo)礦石的第二波段圖像；

40、時差確定模塊，用于根據(jù)所述第一采集點和所述第二采集點的位置距離以及傳送帶的運動速度，得到第一波段圖像和x射線圖像的采集時間差；

41、x射線圖像獲取模塊，用于根據(jù)所述采集時間差和所述目標(biāo)礦石的空間位置，得到所述目標(biāo)礦石的x射線圖像。

42、可選的，所述圖像標(biāo)準(zhǔn)化模塊包括：

43、圖像縮放模塊，用于根據(jù)雙線性插值算法，將所述第一波段圖像、第二波段圖像和x射線圖像縮放到預(yù)設(shè)大?。?/p>

44、圖像拼接模塊，用于將縮放后的第一波段圖像、第二波段圖像和x射線圖像進(jìn)行拼接，得到多通道特征圖。

45、可選的，所述分類模型包括特征提取層、特征融合層和全連接層；所述特征提取層包括第一卷積分支、第二卷積分支、第三卷積分支；所述多通道特征圖包括rgb三通道圖層、近紅外單通道圖層和x光單通道圖層；

46、其中：

47、所述第一卷積分支，用于接收所述rgb三通道圖層作為輸入，輸出第一特征張量；

48、所述第二卷積分支，用于接收所述近紅外單通道圖層作為輸入，輸出第二特征張量；

49、所述第三卷積分支，用于接收所述x光單通道圖層作為輸入，輸出第三特征張量；

50、所述特征融合層，用于接收所述第一特征張量、所述第二特征張量和所述第三特征張量作為輸入，輸出全局特征向量；

51、所述全連接層，用于接收所述全局特征向量作為輸入，輸出目標(biāo)礦石的類型。

52、可選的，所述特征融合層具體用于：

53、將所述第一特征張量、所述第二特征張量在通道維度上進(jìn)行拼接，得到第四特征張量；

54、利用預(yù)設(shè)數(shù)量個1×1卷積核分別對所述第四特征張量進(jìn)行卷積操作，得到第五特征張量；

55、利用relu函數(shù)對所述第五特征張量進(jìn)行非線性變換，得到第六特征張量，并將所述第六特征張量展開成一維的第一特征向量；

56、將所述第三特征張量開成一維的第二特征向量；

57、將所述第一特征向量和所述第二特征向量拼接，得到全局特征向量。

58、本發(fā)明的有益效果：

59、本發(fā)明提出了一種基于多圖像融合的人工智能分選方法，該方法包括：獲取目標(biāo)礦石的第一波段圖像、第二波段圖像和x射線圖像；第一波段圖像為可見光圖像；第二波段圖像為近紅外圖像；對第一波段圖像、第二波段圖像和x射線圖像進(jìn)行縮放，得到多通道特征圖；將多通道特征圖作為預(yù)訓(xùn)練的分類模型的輸入，得到目標(biāo)礦石的類型；根據(jù)目標(biāo)礦石的類型，將目標(biāo)礦石輸送到對應(yīng)的接收區(qū)域。

60、通過結(jié)合可見光圖像、近紅外圖像和x射線圖像，該方法能夠綜合利用不同波段下的礦石信息，再通過人工智能分類模型進(jìn)行綜合分析和處理，能夠?qū)⒍嗑S度信息融合，從而能夠精確區(qū)分出礦石的微小差異，即使在礦石成分高度相似的情況下，也能實現(xiàn)準(zhǔn)確的分選，顯著提高了礦石分選的準(zhǔn)確度和效率。