一种基于改进U-Net网络的锌浮选泡沫图像分割算法制造技术

本发明专利技术公开了一种基于改进U

【技术实现步骤摘要】
一种基于改进U
‑
Net网络的锌浮选泡沫图像分割算法


[0001]本专利技术属于泡沫浮选
，具体涉及一种锌浮选过程中的泡沫图像分割方法。

技术介绍

[0002]作为应用最为广泛的一种选矿方法，泡沫浮选可以用于几乎所有矿石的分选。泡沫浮选是以表面化学为基础，利用矿物颗粒表面亲疏水性的差异来使不同矿物达到有效分离效果的选矿方法，泡沫的表面视觉特征则直接表征了浮选生产工况。目前，我国有色金属的浮选过程主要依靠工作人员在浮选现场进行观察，通过浮选槽表面泡沫状态来进行操作参数的调整。在当前矿源复杂多变的情况下，这种操作方式存在很大的主观性和随意性，严重影响浮选过程的优化运行，对本就有限的矿物造成一定的浪费。将机器视觉技术引入矿物浮选过程，完成泡沫参数的准确测量和生产状态的量化描述，对优化浮选过程操作具有重要作用。由于由工业相机获取到的锌浮选泡沫图像存在泡沫结构复杂、轮廓不清晰、泡沫间粘连严重等问题，极大增加了分割难度。针对这些问题，提出一种新的泡沫图像分割方法，减少泡沫图像分割结果中泡沫边界信息丢失，提高泡沫分割算法准确度。

技术实现思路

[0003]本专利技术的目的是提供一种基于改进U
‑
Net网络的锌浮选泡沫图像分割算法，通过对泡沫图像进行分割，获得单个泡沫，能更好地表征图像特征，从而更好地指导浮选过程。本专利技术针对目前存在的锌浮选泡沫图像中气泡粘连性强、边界不清晰等情况而造成浮选泡沫图像分割准确率低的问题，提出了改进并优化的U
‑
Net架构，以适应于泡沫图像分割。实验结果显示本文的算法模型能够取得不错的分割效果，对泡沫图像分割有一定的参考意义。
[0004]本专利技术采用的技术方案步骤如下：
[0005]步骤一：数据准备；
[0006]采集锌快粗选过程中的泡沫图像，得到原始泡沫图像I
x
；对原始泡沫图像I
x
中的泡沫边界分别进行像素级标注，得到人工泡沫分割图像I
GT
，I
x
与I
GT
共同建立泡沫图像数据集。
[0007]步骤二：数据增强处理
[0008]对工业相机所获得的泡沫图像样本I
x
和对应的人工手动做出的分割图像I
GT
分别进行旋转、翻转，数据增强处理得到样本图像，将所有样本图像按比例划分为训练集、验证集、测试集；
[0009]步骤三：搭建分割模型。
[0010]以U
‑
Net网络对称编解码架构作为主干网络，包括依次连接的输入层、编码器模块、金字塔池化模块、解码器模块和输出层；输入为128
×
128大小的泡沫图片，编码器模块采用4层卷积池化模块，卷积层的卷积核大小为3
×
3，池化层的核大小为2
×
2，第一层卷积池化模块改为Inception与批量归一化层，扩大网络的宽度与深度，再经过3层同样的卷积
池化模块下采样后，在U
‑
Net网络的编码器模块末端加入金字塔池化模块，完成对泡沫图像的下采样过程，逐步提取泡沫图像特征信息；上采样部分经过重复的反卷积池化操作，在最后一层解码器模块使用Inception与批量归一化层，还原细节信息；同时在U
‑
Net编解码模块层之间的跳跃连接处引入注意力门控机制；最后再经过一个1
×
1的卷积和Sigmoid激活函数，得到输出为同样128
×
128大小的泡沫分割图片。
[0011]步骤四：训练图像分割网络；
[0012]将步骤二中划分后的训练集图片送入步骤三构建的改进U
‑
Net的卷积神经网络分割模型进行训练。
[0013]步骤五：利用所述U Net神经网络模型对测试集中的泡沫图像进行识别分割，得到网络最后的分割结果。
[0014]在上述的基于改进U
‑
Net网络的锌浮选泡沫图像分割算法，在步骤二中，采用一些随机的图像处理方法来对原始数据集进行扩充，包括水平翻转、垂直翻转以及90
°
、180
°
、270
°
的旋转，提高网络的泛化能力；最后将增强后的样本数据按照8∶1∶1的比例来划分训练集、验证集、测试集。
[0015]在上述的基于改进U
‑
Net网络的锌浮选泡沫图像分割算法，步骤三中，U
‑
Net网络对称引入Inception块来取代单一的卷积操作；为确保经过该模块后特征通道数加倍而尺寸大小减半，Inception模块含有三条卷积支路，各支路的卷积感受野分别为1
×
1、3
×
3和5
×
5；同时在原始的Inception块基础上，在1
×
1，3
×
3，5
×
5卷积核后紧跟着批量归一化操作，获取多尺度、多层次的图像特征信息，同时加速网络的收敛速度；编码器模块和解码器模块均采用Inception模块，保证图像分割的准确性。
[0016]在上述的基于改进U
‑
Net网络的锌浮选泡沫图像分割算法，步骤三中，在改进U
‑
Net网络的编码器模块末端引入金字塔池化模块，金字塔池化模块融合了4种尺度的特征图，包括1
×
1，2
×
2，4
×
4，8
×
8；首先，对特征图分别池化到目标尺寸，然后对池化后的结果进行1
×
1卷积将通道数减少到原来的1/4；接着，对上一步的每一个特征图利用双线性插值上采样得到原特征图相同的尺寸，然后将原特征图和上采样得到的特征图按通道数维进行拼接，得到的通道数是原特征图的通道数的两倍；最后再用1
×
1卷积将通道数缩小到原来的通道数，最终的特征图就得到和原来的特征图一样的尺寸和通道数。
[0017]在上述的基于改进U
‑
Net网络的锌浮选泡沫图像分割算法，步骤三中，在U
‑
Net网络编
‑
解码模块层间的跳跃连接处接入注意力门控机制，在编
‑
解码模块的每一层中，来自编码模块的浅层特征F
l
作为特征输入，从解码模块对应层获取的深度特征F
g
作为门控信号，两者先分别进行1
×
1卷积，再将卷积后的结果相加，经过Relu激活函数、1
×
1卷积层和Sigmoid激活函数的处理后，得到与输入特征图尺寸相同、通道数为1的权重图α；在注意力机制中，浅层特征F
l
需经最大池化层与1
×
1卷积层得到新的特征图F
′
l
，将生成的权重图α与特征图F
′
l
相乘，得到带有权重的特征图aF
′本文档来自技高网...

【技术保护点】

【技术特征摘要】
卷积将通道数缩小到原来的通道数，最终的特征图就得到和原来的特征图一样的尺寸和通道数。5.根据权利要求1所述的一种基于改进U
‑
Net网络的锌浮选泡沫图像分割算法，其特征在于，步骤三中，在U
‑
Net网络编
‑
解码模块层间的跳跃连接处接入注意力门控机制，在编
‑
解码模块的每一层中，来自编码模块的浅层特征F
l
作为特征输入，从解码模块对应层获取的深度特征F
g
作为门控信号，两者先分别进行1
×
1卷积，再将卷积后的结果相加，经过Relu激活函数、1
×
1卷积层和Sigmoid激活函数的处理后，得到与输入特征图尺寸相同、通道数为1的权重图α；在注意力机制中，浅层特征F
l
需经最大池化层与1
×
1卷积层得到新的特征图F
′
l
，将生成的权重图α与特征图F
′
l
相乘，得到带有权重的特征图aF
′
l
，最后将深度特征图F
g
与aF
′
l
相加，实现对aF
′
l
...

【专利技术属性】
技术研发人员：唐朝晖，郭俊岑，张虎，钟宇泽，谢永芳，
申请(专利权)人：中南大学，
类型：发明
国别省市：