一种基于深度学习的矿石粒度检测方法技术

本发明专利技术公开了一种基于深度学习的矿石粒度检测方法，包括：对矿石图像进行双边滤波得到滤波矿石图像，对滤波矿石图像进行旋转扩充变换，得到R张旋转扩充变换图像；将滤波矿石图像和R张旋转扩充变换图像输入YOLOv2模型，得到滤波矿石图像中每个矿石的预测区域和R张旋转扩充变换图像的矿石预测区域；对R张旋转扩充变换图像的矿石预测区域进行旋转变换，得到与滤波矿石图像方向一致的R张扩充图像的矿石预测区域，以滤波矿石图像中每个矿石的预测区域为中心在R张扩充图像中搜索与之对应的R个预测区域，对预测区域的长和宽求和并取平均值，得到每个矿石的粒度。本发明专利技术提高了矿石粒度检测的准确性和实时性。

A method for detecting ore particle size based on deep learning

The invention discloses a method for detecting ore granularity based on depth learning, which comprises two-sided filtering of ore images to obtain filtered ore images, rotational expansion transformation of filtered ore images to obtain R-stretch rotational expansion transformation images, and input filtered ore images and R-stretch rotational expansion transformation images into YOLOv2 model. The prediction region of each ore in the filtered ore image and the ore prediction region of the R-stretch rotational extension transform image are obtained; the ore prediction region of the R-stretch rotational extension transform image is rotated to obtain the ore prediction region of the R-stretch image consistent with the direction of the filtered ore image to filter each ore in the ore image. The prediction region of rock is centered on the R dilated image, and the R prediction regions are searched. The length and width of the prediction region are summed and averaged to get the grain size of each ore. The invention improves the accuracy and real-time performance of the ore granularity detection.

【技术实现步骤摘要】
一种基于深度学习的矿石粒度检测方法
本专利技术属于图像处理与模式识别
，更具体地，涉及一种基于深度学习的矿石粒度检测方法。
技术介绍
在有色金属冶炼中，矿石解离是一道十分重要的工序，就是对大块矿石进行破碎，将各种有用的矿石颗粒从矿石中解离出来。矿石解离过程一般需要经过数层破碎机，每层破碎机承担不同的作用。矿石的粒度信息是反应选矿过程中各层破碎机工作情况的重要指标，对调节每一层破碎机设备参数有重要参考作用，直接影响整个选矿过程的生产效率。国内行业对矿石粒度采用机械筛分的方法进行测量，即选取一定数量的破碎后的矿石作为测量样本，通过机械筛或振动筛等测量矿石粒度信息分布。但是这种方法存在着耗能耗时、安全系数低及无法实时监控破碎机工作状况一系列问题。近年来，国内外的研究机构均投入大量精力试图用计算机视觉技术对矿石粒度进行检测。应用最为广泛的是基于分水岭变换的分割算法，该算法主要是在阈值分割的结果上进行分水岭变换，将矿石图像分割成单个密闭矿石区域从而进行粒度测量。分水岭变换极易造成过分割和欠分割，凹点匹配法被提出用于解决过分割和欠分割问题，但是由于矿石堆叠的复杂性以及矿石本身形状的复杂性，本文档来自技高网...

【技术保护点】
1.一种基于深度学习的矿石粒度检测方法，其特征在于，包括：(1)采集矿石图像，对矿石图像进行双边滤波得到滤波矿石图像，对滤波矿石图像进行K次角度为αi的旋转扩充变换，得到R张旋转扩充变换图像；(2)将滤波矿石图像输入YOLOv2模型，得到滤波矿石图像中每个矿石的预测区域，将R张旋转扩充变换图像输入YOLOv2模型，得到R张旋转扩充变换图像的矿石预测区域；(3)对R张旋转扩充变换图像的矿石预测区域进行角度为‑αi的旋转变换，得到与滤波矿石图像方向一致的R张扩充图像的矿石预测区域，以滤波矿石图像中每个矿石的预测区域为中心在R张扩充图像的矿石预测区域中利用搜索匹配算法搜索与之对应的R个预测区域，得到...

【技术特征摘要】
1.一种基于深度学习的矿石粒度检测方法，其特征在于，包括：(1)采集矿石图像，对矿石图像进行双边滤波得到滤波矿石图像，对滤波矿石图像进行K次角度为αi的旋转扩充变换，得到R张旋转扩充变换图像；(2)将滤波矿石图像输入YOLOv2模型，得到滤波矿石图像中每个矿石的预测区域，将R张旋转扩充变换图像输入YOLOv2模型，得到R张旋转扩充变换图像的矿石预测区域；(3)对R张旋转扩充变换图像的矿石预测区域进行角度为-αi的旋转变换，得到与滤波矿石图像方向一致的R张扩充图像的矿石预测区域，以滤波矿石图像中每个矿石的预测区域为中心在R张扩充图像的矿石预测区域中利用搜索匹配算法搜索与之对应的R个预测区域，得到滤波矿石图像中每个矿石的R+1个预测区域；(4)对每个矿石的R+1个预测区域的长和宽求和并取平均值，得到每个矿石的粒度，根据矿石图像的标定比例和每个矿石的粒度得到实际矿石粒度大小，统计矿石粒度分布。2.如权利要求1所述的一种基于深度学习的矿石粒度检测方法，其特征在于，所述角度αi为：α0＝0。3.如权利要求1或2所述的一种基于深度学习的矿石粒度检测方法，其特征在于，所述角度αi不为90°的倍数。4.如权利要求1或2所述的一种基于深度学习的矿石粒度检测方法，其...

【专利技术属性】
技术研发人员：孙志刚，王锦冬，刘文龙，肖力，王卓，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：湖北,42