本发明属于图像处理
技术领域：
，尤其涉及一种传送带矿岩颗粒图像分割方法。
背景技术：
：矿岩粒度信息是反应选矿过程中破碎机工作状况的重要指标，传送带矿岩粒度检测的效果好坏直接决定了整个选矿过程的生产效率；近些年来，许多专家和学者在矿岩图像分割方法上取得了巨大突破。其中以分水岭法及其改进方法，阈值分割方法和基于特定理论的分割方法等为主；分水领算法对微弱边缘具有良好的响应，但针对图像中的噪声、物体表面细微的灰度变化会产生过分割的现象，利用分水岭算法处理矿岩图像时，无法处理岩块粘连的问题；而阈值分割方法受噪声的影响较大，而矿岩图像的采集通常环境恶劣，且矿岩自身表面存在较多的噪声点，致使阈值分割后的目标存在较多噪声点；此外以上两算法还存在：参数设计复杂、针对中小尺寸的矿岩分割准确率低，以及对对模糊边缘的分割结果不理想，存在欠分割和过分割的问题。技术实现要素：(一)要解决的技术问题本发明针对现有的图像分割方法在处理传送带矿岩图像时存在的分割精度低，对图像清晰度和噪声要求高，且参数调整复杂和适应性差的问题，为了解决现有技术的上述问题，本发明提供一种传送带矿岩颗粒图像分割方法。(二)技术方案为了达到上述目的，本发明采用的主要技术方案包括：101、针对待分割的传送带矿岩颗粒图像进行预处理，并输入至预先训练的第一卷神经网络模型，获取第一轮廓图；102、将所述第一轮廓图输入至预先训练的第二卷积神经网络模型，获取第二轮廓图；103、利用预设阈值将所述第二轮廓图进行二值化处理，获取二值化图，再将所述二值化图经过形态学闭运算处理，获取第三轮廓图；104、获取所述第三轮廓图中轮廓、轮廓的最小外接矩形和轮廓的面积，利用所述轮廓的最小外接矩形和所述轮廓的面积进行筛选，获取筛选后的轮廓、轮廓的面积和轮廓的数量，绘制所述筛选后的轮廓作为分割图。可选地，在步骤101前所述方法还包括：a1、预先采集传送带上不包含重叠区域的多张矿岩图像，将所述不包含重叠区域的多张矿岩图像经过预处理后作为样本集；a2、针对预处理后的样本集进行剪裁和插值调整获取调整后的图像，并获取所述调整后的图像中矿岩颗粒的边缘线制作标签集；a3、利用所述样本集构建第一训练样本，将所述第一训练样本作为预先构建的第一卷积神经网络的输入，所述标签集作为预先构建的第一卷积神经网络的输出，重复迭代并更新网络权重比，直至迭代次数满足预设值，获取所述预先训练的第一卷积神经网络模型。可选地，在步骤101与102之间还包括：b1、将所述样本集输入至所述预先训练的第一卷积神经网络模型，获取所述样本集的第一轮廓图；b2、利用预设阈值将所述样本集的第一轮廓图进行二值化处理，获取样本集的第一轮廓图的二值化图；b3、利用所述样本集的第一轮廓图的二值化图构建第二训练样本，将所述第二训练样本作为预先构建的第二卷积神经网络的输入，所述标签集作为预先构建的第二卷积神经网络的输出，重复迭代并更新网络权重比，直至迭代次数满足预设值，获取所述预先训练的第二卷积神经网络模型。可选地，在步骤a1或101中，所述预处理包括：灰度化、均值滤波和自适应直方图均衡化。可选地，在步骤104中，还包括：利用公式一至公式三计算第三轮廓图中每一轮廓的参数m、a1和a2；公式一：公式二：公式三：其中，w为轮廓最小外接矩形的长，h为轮廓最小外接矩形的宽，x、y均为第三轮廓图的分辨率。可选地，在步骤104中还包括：初始化参数轮廓的数量num＝0，判断每一轮廓的最小外接矩形和所述轮廓的面积，若所述轮廓的参数m＜3.5，且轮廓的面积在a1与a2之间，则将轮廓的数量num增加预设值1，直至遍历全部轮廓，绘制全部满足条件的轮廓作为分割图。可选地，所述第一训练样本的尺寸为48×48，数量为725000；所述第二训练样本的尺寸为240×240，数量为29000；所述标签集的尺寸为960×480，数量为29；所述不包含重叠区域的多张矿岩图像尺寸为1920×1080，数量为29。可选地，所述不包含重叠区域的多张矿岩图像通过手机摄像头或预先按照在传送带上方的图像采集设备获取。可选地，在步骤104中，在opencv中利用findcontours算法获取第三轮廓图中的每一轮廓，利用boundingrect算法获取每一轮廓的最小外接矩形，利用contourarea算法获取每一轮廓的面积。可选地，利用u-net神经网络构建第一卷积神经网络，利用res_unet神经网络构建第二卷积神经网络。(三)有益效果本发明的有益效果是：首先，本发明方法采用深度学习的双重卷积神经网络模型实现了传送带矿岩图像的轮廓检测，避免了复杂参数的调整干扰；其次，本发明方法降低了对矿岩图像的清晰度的要求，且通过对图像的与处理降低了对图像噪声的影响，不受复杂环境的干扰具有较好的稳定性，解决图像的杂点和边缘不连续的问题，进而降低过分割和欠分割；最后，本发明方法分割准确度高，能够自动统计矿岩颗粒的尺寸和数量，具有较佳的实用价值。附图说明图1为本发明一实施例提供的一种传送带矿岩颗粒图像分割方法流程图；图2为本发明一实施例提供的训练模型流程图；图3为本发明一实施例提供的训练后的u-net网络模型输出的第一轮廓图；图4为本发明一实施例提供的训练后的res_unet网络模型输出的第二轮廓图；图5a为本发明一实施例提供的传送带矿岩颗粒图像；图5b为本发明一实施例提供的图5a采用nur方法获取的分割效果图；图5c为本发明一实施例提供的图5a采用分水岭方法获取的分割效果图；图5d为本发明一实施例提供的图5a采用本发明方法获取的分割效果图。具体实施方式为了更好的解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。实施例一如图1所示，本发明提供了一种传送带矿岩颗粒图像分割方法，具体包括以下步骤：在本实施例中，利用u-net神经网络构建第一卷积神经网络，利用res_unet神经网络构建第二卷积神经网络，其中u-net网络是基于fcn改进得到的一种全卷积网络，res_unet网络基于resnet(residualneuralnetwork)和u-net的语义分割模型，与u-net网络不同的是，res_unet网络将残差模块加入到u-net网络中，更容易训练，提升了模型的训练速度，也使得网络可以得到比较少的参数而不损失精度，如图2所示，获取所述预先训练的第一卷积神经网络模型包括以下步骤：a1、预先采集传送带上不包含重叠区域的多张矿岩图像，将所述不包含重叠区域的多张矿岩图像经过预处理后作为样本集；举例来说，由于在生产过程中，对传送带矿岩尺寸的测量是在高速输送矿岩的传送带上进行的，因此，为实现传送带矿岩图像尺寸的准确检测，本发明从露天矿用手机采集传送带运输矿岩的视频；手机摄像头从传送带采集到的视频图像按帧分解得到多张矿岩图像，尺寸是1920×1080，本实施例从矿岩图像中选取互不包含重叠区域的29张图像，依次经过灰度化、均值滤波和自适应直方图均衡化处理后，作为样本集；特殊说明，本实施例中不包含重叠区域的多张矿岩图像通过手机摄像头获取本实施例不对其进行限定，也可以是通过预先按照在传送带上方的图像采集设备获取，此处仅用于举例说明。a2、针对预处理后的样本集进行剪裁和插值调整获取调整后的图像，并获取所述调整后的图像中矿岩颗粒的边缘线制作标签集；进一步地，对样本集中的矿岩区域进行剪裁，并将图像插值并调整到960×480，具体地举例来说，利用photoshop软件手工绘制矿岩颗粒的边缘线，制作标签集；a3、利用样本集构建第一训练样本，将第一训练样本作为预先构建的第一卷积神经网络的输入，标签集作为预先构建的第一卷积神经网络的输出，重复迭代并更新网络权重比，直至迭代次数满足预设值，获取预先训练的第一卷积神经网络模型。举例来说，本实施例中第一训练样本从29张图片中平均每张图片随机截取25000个样本，每个样本尺寸是48×48，第一训练样本的数量为725000个；101、针对待分割的传送带矿岩颗粒图像进行预处理，并输入至预先训练的第一卷神经网络模型，获取第一轮廓图；具体地，获取预先训练的第二卷积神经网络模型包括以下步骤：b1、将样本集输入至预先训练的第一卷积神经网络模型，获取所述样本集的第一轮廓图；b2、利用预设阈值将所述样本集的第一轮廓图进行二值化处理，获取样本集的第一轮廓图的二值化图，如图3所示；b3、利用样本集的第一轮廓图的二值化图构建第二训练样本，将第二训练样本作为预先构建的第二卷积神经网络的输入，标签集作为预先构建的第二卷积神经网络的输出，重复迭代并更新网络权重比，直至迭代次数满足预设值，获取预先训练的第二卷积神经网络模型。具体地，举例来说，第二训练样本包括29000个图像，第二训练样本是29张二值图中平均每张图片随机截取1000个样本，每个样本尺寸是240×240。表1和表2所示为第一训练样本和第一训练样本分别对u-net模型和res_unet模型训练参数；‘batch_size’表示每次迭代的图像数量，‘epochs’表示样本中所有样本数据被计算的次数。‘imgs_train’表示训练样本总数。‘resolution’表示图像训练样本的分辨率。表1第一卷积神经网络模型训练参数表2第二卷积神经网络模型训练参数parametervalueresolution240×240imgs_train29000batch_size1epochs7102、将所述第一轮廓图输入至预先训练的第二卷积神经网络模型，获取第二轮廓图；103、利用预设阈值将所述第二轮廓图进行二值化处理，获取二值化图，如图4所示，再将所述二值化图经过形态学闭运算处理，获取第三轮廓图，举例来说，本实施例中预设阈值为0.3；104、获取所述第三轮廓图中轮廓、轮廓的最小外接矩形和轮廓的面积，利用所述轮廓的最小外接矩形和所述轮廓的面积进行筛选，获取筛选后的轮廓、轮廓的面积和轮廓的数量，绘制所述筛选后的轮廓作为分割图；举例来说，本实施例利用在opencv中的相关算法获取第三轮廓图的下列参数，利用findcontours算法获取第三轮廓图中的每一轮廓，利用boundingrect算法获取每一轮廓的最小外接矩形，利用contourarea算法获取每一轮廓的面积；具体地，步骤104还包括：利用公式1至公式3计算第三轮廓图中每一轮廓的参数m、a1和a2；公式1：公式2：公式3：其中，w为轮廓最小外接矩形的长，h为轮廓最小外接矩形的宽，x、y均为第三轮廓图的分辨率。举例来说，初始时轮廓的数量num、每一轮廓的参数m、a1和a2均为0，判断每一轮廓的最小外接矩形和所述轮廓的面积，若所述轮廓的参数m＜3.5，且轮廓的面积(以下简称a)在a1与a2之间，则将轮廓的数量num增加预设值1，直至遍历全部轮廓，绘制全部满足条件的轮廓作为分割图；举例来说，由于第三轮廓图的矿岩区域含有小孔洞、杂点和传送带区域干扰，为了进一步提高连通阈标记的准确度，提高矿岩颗粒尺寸检测的准确度，需要设置轮廓筛选条件。令m＜3.5，a＜a2可以排除传送带区域对矿岩区域检测的影响；令a＞a1,可以有效剔除了小孔洞干扰，上述条件的设置，可以更加准确的提取到矿岩区域的轮廓，大大提高了矿岩颗粒检测的准确度,且本发明能够自动统计矿岩颗粒的数量和面积，使用方便。仿真实施例：如图5a所示，采集到从传送带获取的矿岩颗粒图像，并采用将本发明方法略去res_unet网络优化轮廓后的方法(以下简称nur方法)、分水岭方法和本发明方法分别对图5a中的矿岩颗粒进行分割，分别得到5b、5c和5d最终分分割效果图；从仿真图像可以看出，本发明方法采用深度学习的双重卷积神经网络模型实现了传送带矿岩图像的轮廓检测，避免了复杂参数的调整干扰；其次，本发明方法降低了对矿岩图像的清晰度的要求，且通过对图像的与处理降低了对图像噪声的影响，不受复杂环境的干扰具有较好的稳定性，解决图像的杂点和边缘不连续的问题，进而降低过分割和欠分割；最后，本发明方法分割准确度高，能够自动统计矿岩颗粒的尺寸和数量，具有较佳的实用价值。最后应说明的是：以上所述的各实施例仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或全部技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。当前第1页12