基于二值化神经网络的深度学习矿石尺度测量方法及应用系统技术方案

一种基于二值化神经网络的深度学习矿石尺度测量方法及应用系统，其中包括：通过摄像头获取皮带上矿石图像；预处理矿石图像为标记图像，标记出尺寸大于阈值的矿石；将标记后的图像分为训练样本和测试样本；使用训练样本训练预设的实例分割网络并获得权重；将测试样本输入至神经网络获得分割结果，并将分割后的图像通过最小覆盖圆算法获得矿石的最长尺寸；根据矿石的尺寸，找到异常大小的矿石并发出警告。本发明专利技术解决了矿石块筛选中存在的智能化水平低依赖人工操作，效率低的问题。

【技术实现步骤摘要】
基于二值化神经网络的深度学习矿石尺度测量方法及应用系统
本专利技术涉及一种图像检测方法，一种基于二值化神经网络的深度学习矿石尺度测量方法及应用系统。
技术介绍
有色金属是当代能源、信息技术和现代材料的重要组成部分，是现代社会经济和高技术发展的重要基础。目前，我国有色金属矿山的采选规模较小，自动化、信息化程度较低，导致矿物资源利用率不高、生产过程的耗能严重，造成了较大的矿产资源浪费，也使得矿业企业缺乏足够的国际竞争力。由矿山开采出来的矿石，除少数富含有用矿外，绝大多数是含有大量脉石的贫矿。对冶金工业来说，这些贫矿由于有用成分含量低，矿物组成复杂，若直接用来冶炼提取金属，则能耗大，生产成本高。因此，在矿石冶炼之前，必须先经过分选或富集，以抛弃大部分的脉石，使有用矿物的含量达到冶炼要求。选矿工艺中最主要的工序是解离，就是将大块矿石进行破碎和磨细，将各种有用的矿物颗粒从矿石中解离出来。国内行业对矿石异常尺寸检测仍采用大量人工方法，即工人在传送带边观察，一旦出现尺寸较大的矿石块便停止机器运转。但是，这种操作方法存在着一系列问题，比如耗能耗时且效率本文档来自技高网...

【技术保护点】
1.一种基于二值化神经网络的深度学习矿石尺度测量方法及应用系统，用于对矿业生产中矿石进行智能化筛选，其特征是按以下步骤进行：/na、样本准备阶段，获取矿石块图像，预处理所述的矿石块图像为标记图像，将所述处理标记图像按9∶1分为训练样本和测试样本，对异常的标注图像数据进行剔除后得到训练用的数据集；/nb、网络创建阶段，创建二值化的MS R-CNN网络；/nc、网络训练阶段，将所述的二值化MS R-CNN网络在划分好的训练集X上训练；/nd、网络运行阶段，通过所述的训练好的二值化MS R-CNN网络对测试样本进行检测获得分割后的矿石边缘轮廓，根据最小覆盖圆算法计算出矿石的尺寸大小。/n

【技术特征摘要】
1.一种基于二值化神经网络的深度学习矿石尺度测量方法及应用系统，用于对矿业生产中矿石进行智能化筛选，其特征是按以下步骤进行：
a、样本准备阶段，获取矿石块图像，预处理所述的矿石块图像为标记图像，将所述处理标记图像按9∶1分为训练样本和测试样本，对异常的标注图像数据进行剔除后得到训练用的数据集；
b、网络创建阶段，创建二值化的MSR-CNN网络；
c、网络训练阶段，将所述的二值化MSR-CNN网络在划分好的训练集X上训练；
d、网络运行阶段，通过所述的训练好的二值化MSR-CNN网络对测试样本进行检测获得分割后的矿石边缘轮廓，根据最小覆盖圆算法计算出矿石的尺寸大小。


2.如权利要求1所述基于二值化神经网络的深度学习矿石尺度测量方法，其特征是所述步骤a样本准备阶段获取矿石块图像的步骤，包括：
(1)在传送带不同角度和高度安装摄像头采集矿石块传输视频流数据；
(2)按照一定的时间间隔提取视频中的关键帧并保存为图像数据。


3.如权利要求1所述基于二值化神经网络的深度学习矿石尺度测量方法，其特征是所述步骤a样本准备阶段预处理步骤，包括：
(1)采用标注软件对所述图像数据进行标注，获得并保存标注后的标记数据集；
(2)从标注后的数据集中按照9∶1分成训练样本和测试样本；
(3)对训练样本进行图像增强，包括：对图像进行随机角度旋转、仿射变换、翻转和噪声处理。


4.如权利要求1所述基于二值化神经网络的深度学习矿石尺度测量方法，其特征是所述步骤a样本准备阶段对异常数据剔除步骤，包括：
(1)设置标注框面积阈值，去除面积小于阈值的标注数据，其余标注框面积大于阈值；
(2)剔除明显错误的数据，根据标注框每个顶点的位置坐标，剔除坐标位置颠倒的顶点所对应的标注框。


5.如权利要求1所述基于二值化神经网络的深度学习矿石尺度测量方法，其特征是所述步骤b网络创建阶段创建实例分割网络，包括：
(1)选择MSR-CNN实例分割网络框架，采用以ResNet-50为基础的RPN网络作为Backbonenetwork，采用传统的R-CNN头获取分类结果和预测框坐标，采用MaskR-CNN的FCN掩模头和MSR-CNN框架独创的MaskIOU头来获得分割结果；
(2)ResNet-50为基础的RPN网络由3个conv2_x(3个卷积层)，4个conv3_x(3个卷积层)，6个conv4_x(3个卷积层)，3个conv5_x(3个卷积层)组成，第一层是一个7×7的卷积，最后一层是一个全连接层；其中四种不同大小残差块，分别为conv2_x(卷积核1×1，数量64；卷积核3×3，数量64；卷积核1×1，数量256)，conv3_x(卷积核1×1，数量128；卷积核3×3，数量128；卷积核1×1，数量512)，conv4_x(卷积核1×1，数量256；卷积核3×3，数量256；卷积核1×1，数量1024)，conv5_x(卷积核1×1，数量512；卷积核3×3，数量512；卷积核1×1，数量2048)；
(3)R-CNN头由7×7×256的卷积层和两个1024的全连接层构成；
(4)FCN掩模头由5个14×14×256的卷积层，1个28×28×256的卷积层和1个28×28×80的卷积层构成；
(5)MaskIOU头由4个14×14×256的卷积层，1个7×7×256的卷积层，2个1024的全连接层和最后输出c个分割结果的全连接层构成。


6.如权利要求1所述基于二值化神经网络的深度学习矿石尺度测量方法，其特征是所述步骤c网络训练阶段训练预设的实例分割网络，包括：
(1)通过kmeans算法聚类获得9个不同大小的锚框，并根据分类种类数量修改R-CNN网络最后一层输出；
(2)设置网络训练策略，包括：训练batch大小，训练epoch数量，初始化学习率，权重衰减率，优化方法，loss函数；
(3)调整训练样本图像大小与网络输入大小相同，通过1×1和3×3的卷积核的交替使用的卷积层堆叠结构，其中1×1的卷积核用于特征压缩，根据向前传播计算公式，计算图片对应的网络输出结果，采用Soft-NMS(非极大值抑制算法)用于进行目标检测评分ResNet-50网络由残差块结构组成，其传递函数公式为：
y＝F(x，{Wi})+x(1)
F＝W2*σ*(W1x)(2)
其中x为输入张量，F为线性变换和非线性变换，σ为激活函数，W为权重；
根据如下公式调整所述神经网络的学习率LR：



其中，iter为迭代次数，max_iter为最大迭代次数，power为更新梯度；
由上述网络输出结果，计算分类得分，标注框的坐标和大小以及实例分割的边缘框，使用如下损失函数计算网络结果与标注真实值之间的差异：
L＝Lcls+Lbox+Lmask(4)






Lmask＝Lcls*Siou(7)
损失函数由三项构成：
第一项是置信(confidence)的loss，也即分类损失；
第二项是边界框损失，也即回归损失；
第三项是掩模损失，也即分割结果与groundtruth的iou分数；
其中pi为锚点框预测为目标的概率；gt标签ti＝{tx，ty，tw，th}是一个向量，表示锚点框预测的偏移量；是和ti维度一样的向量，表示锚点框相对于gt实际的偏移量；R是smooth-L1函数，其中σ＝3、
根据反向传播公式，计算权重和偏置项的梯度并更新权重；



其中L为损失函数，y为网络输出值，为真实值，W为网络权重，b为偏置项。


7.如权利要求1所述基于二值化神经网络的深度学习矿石尺度测量方法，其特征是所述步骤c网络训练阶段二值化改造，包括：
(1)在正向传播过程中，对MSR-CNN中的权值矩阵X中的每个元素按照式(9)进行二值化得到χα，并保留原本的χ，即：



式中：χ为原权值矩阵X中的权值；χα表示二值化近似后得到矩阵Xα中的权值；cf，wf，hf为卷积核的数量、宽度和高度；其中...

【专利技术属性】
技术研发人员：段章领，盛典墨，
申请(专利权)人：合肥合工安驰智能科技有限公司，
类型：发明
国别省市：安徽;34