基于深度学习的砂石粒度分布曲线检测方法技术

基于深度学习的砂石粒度分布曲线检测方法，它涉及一种砂石粒径检测方法，属于微小目标检测技术领域。本发明专利技术是为了解决对于堆叠严重、矿石密度大的图像，水岭算法容易导致欠分割的技术问题。本方法如下：一、数据采集；二、训练数据集构建；三、模型训练；四、粒度分布预测。本发明专利技术方法解决了对于堆叠严重、矿石密度大的图像，水岭算法导致欠分割的技术问题。实现了矿石粒度检测的实时化、自动化、智能化，能对破碎所产生的砂石粒度分布进行实时监测。通过粒度分布的情况进而对生产作业进行指导、实现智能生产。能生产。能生产。

【技术实现步骤摘要】
基于深度学习的砂石粒度分布曲线检测方法


[0001]本专利技术涉及一种砂石粒径检测方法，属于微小目标检测


技术介绍

[0002]粒度控制是选矿破碎作业中的核心工作。粒度参数主要有破碎颗粒的面积、周长、粒径和体积等；粒度分布是指不同粒度的颗粒占总颗粒的百分比含量。破碎矿石的粒度分布是破碎过程主要的工艺考核指标，若能精确检测破碎矿石产品的粒度分布，并据此对破碎工序控制参数进行及时调节，调整破碎产品的粒度分布，那么就可以实现破碎过程粒度控制的优化，进一步提高破碎效率，降低能源消耗。
[0003]砂石粒度检测的方法之一是通过图像分割来实现的。图像分割算法可以简单分为基于传统视觉的图像分割方法和基于神经网络的图像分割方法。传统视觉分割主要包括分水岭、Canny算子和Graph cut算法。Michel Couprie提出了分水岭算法，根据分水岭的构成来考虑图像的分割。分水岭计算分两个步骤，一个是排序过程，一个是淹没过程。首先对每个像素的灰度级进行从低到高排序，然后在从低到高实现淹没过程中，对每一个局部极小值采用先进先出(FIFO)结构进行判断及标注。分水岭算法在诸多分割任务中验证了操作的可行性。澳洲科学家Canny开发出多级边缘检测算法Canny算子，创造了边缘检测计算理论并且应用于图像分割领域。Canny算子通过降噪、寻找图像中的亮度梯度、在图像中跟踪边缘等步骤完成图像的边缘检测，并且这种方法可以适用于不同的场合。Boykov等人则将Graph cut用于分割任务当中。此类方法把图像分割看作像素标记问题，目标区域和背景区域标记为不同的值。进而通过最小化能量函数来得到目标区域和背景区域的边界即可得到分割结果。
[0004]由于矿石图像对比度低，粒度差异大，形态差异大，分割算法很难取得较好的结果。针对矿石堆积不严重，矿石目标与背景能够明显区分的图像，使用传统的视觉算法能够非常好地进行分割。但是对于堆叠严重、矿石密度大的图像，传统方法的效果大打折扣，分水岭算法容易导致欠分割，canny算子则对噪声过于敏感。使用神经网络进行语义分割依赖于大量的数据集，现有的关于语义分割的公开数据集主要是在目标较为稀疏的场景下进行实验，针对矿石粒度检测当前没有合适的数据集，并且当前语义分割方案主要是分割不同的物体类别，对于高密度的不同粒径的同类物体的分割是否适用还有待研究。

技术实现思路

[0005]本专利技术的目的是为了解决对于堆叠严重、矿石密度大的图像，水岭算法容易导致欠分割的技术问题，提供了一种基于深度学习的砂石粒度分布检测方法。
[0006]基于深度学习的砂石粒度分布曲线检测方法，步骤如下：
[0007]一、数据采集；
[0008]二、训练数据集构建：对于一个砂石标注信息定义为(x1，y1，x2，y2)，其中坐标系原点为砂石图像X左上方，粒径长度为单位为像素，通过像素和实际真
实距离之间的校准，完成了像素到指定单位(毫米)的换算，所有的粒径信息存储在一个CSV文件中，在读取时候使用一个字典进行表达，其中索引为砂石在图像位置，数值为这个砂石的粒径长度，在粒度检测中，图像的标签是一个图像中矿石的粒度分布情况，采用离散型概率分布来对图像粒度分布进行表达，设计离散型随机变量X，K个特定大小的粒径{t0，t1，...t
k
}且满足t0≤t1≤
…
≤t
K
，完成粒径信息到粒度信息的转换，对于粒度分布P，有
[0009][0010]其中P(t
m
≤X＜t
n
)代表一张图像中粒径范围在[t
m
，t
n
)中砂石数目占总体砂石数目的比例，n代表图像中砂石的总数目，A代表图像中粒径的集合；
[0011]三、模型训练：
[0012]采用反向传播方法训练模型，训练过程中采用KL散度作为损失函数，骨架网络采用DenseNet
‑
121结构，头部网络采用线性层，
[0013]使用卷积神经网络通过接受砂石图像X，对矿石图像进行特征提取，为了得到不同粒径砂石的分布信息，网络头部将矿石图像特征向量回归为一组输出向量来表示每个粒径范围的矿石分布，然后输出预测砂石粒度分布曲线Y，并且和砂石真实粒度分布曲线Y
*
进行比较，通过损失函数KL散度计算出损失收敛，驱动模型进行学习，当损失收敛到一个极小值时(理论是0，实际是个接近0的数)粒度预测的神经网络训练完毕，然后反向传播来学习模型参数，建立输入图像和粒度分布曲线之间的映射关系M:X
‑
>Y；
[0014]四、粒度分布预测：在预测阶段，输入拍摄的砂石图像X，系统输出该图像对应的砂石粒径分布，即完成砂石粒度分布曲线检测。
[0015]步骤三中所述神经网络采用DenseNet作为算法的骨架网络，其中DenseNet由若干个DenseBlock、卷积层和池化层组成，DenseBlock内部采用了密集链接，内部网络共有L层，在第i层的非线性变换记作H
i
(
·
)，对于第i层的输出记作f
i
，并且f
i
＝H
i
[f0,f1,...,f
i
‑1]，其中[f0,f1,
…
,f
i
‑1]代表把0到i
‑
1层的结果堆叠在一起，这样第i层的输出结果为前面各层的结果累计在一起后输入到非线性变换层得到的输出结果，通过DenseNet提取到输入砂石图像X所具有的特征，再加入一个全链接层，使用之前所提取到的特征，可完成砂石粒度分布曲线的检测。
[0016]步骤三所述损失函数为：
[0017][0018]其中P代表砂石真实粒度分布，Q代表预测砂石粒度分布。
[0019]本专利技术方法解决了对于堆叠严重、矿石密度大的图像，水岭算法导致欠分割的技术问题。实现了矿石粒度检测的实时化、自动化、智能化，能对破碎所产生的砂石粒度分布进行实时监测。通过粒度分布的情况进而对生产作业进行指导、实现智能生产。
附图说明
[0020]图1是本专利技术技术路线图；
[0021]图2是本专利技术步骤一中训练神经网络模型过程图；
[0022]图3是本专利技术中DenseNet的基本架构示意图；
[0023]图4是本专利技术实验一中采集到的砂石图像；
[0024]图5是本专利技术实验一中采集到的砂石图像；
[0025]图6是本专利技术实验一中采集到的砂石图像；
[0026]图7是图6中砂石的粒径标注图像。
具体实施方式
[0027]本专利技术技术方案不局限于以下所列举具体实施方式，还包括各具体实施方式间的任意组合。
[0028]具体实施方式一：本实施方式基于深度学习的砂石粒度分布曲线检测方法，步骤如下：
[0029]一、数据采集；
[0030]二、训练数据集构建：对于一个本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度学习的砂石粒度分布曲线检测方法，其特征在于所述基于深度学习的砂石粒度分布曲线检测方法，步骤如下：一、数据采集；二、训练数据集构建：对于一个砂石标注信息定义为(x1，y1，x2，y2)，其中坐标系原点为砂石图像X左上方，粒径长度为单位为像素，通过像素和实际真实距离之间的校准，完成了像素到指定单位的换算，所有的粒径信息存储在一个CSV文件中，在读取时候使用一个字典进行表达，其中索引为砂石在图像位置，数值为这个砂石的粒径长度，在粒度检测中，图像的标签是一个图像中矿石的粒度分布情况，采用离散型概率分布来对图像粒度分布进行表达，设计离散型随机变量X，K个特定大小的粒径{t0，t1，...t
k
}且满足t0≤t1≤
…
≤t
K
，完成粒径信息到粒度信息的转换，对于粒度分布P，有其中P(t
m
≤X＜t
n
)代表一张图像中粒径范围在[t
m
，t
n
)中砂石数目占总体砂石数目的比例，n代表图像中砂石的总数目，A代表图像中粒径的集合；三、模型训练：采用反向传播方法训练模型，训练过程中采用KL散度作为损失函数，骨架网络采用DenseNet结构，头部网络采用线性层，使用卷积神经网络通过接受砂石图像X，对矿石图像进行特征提取，为了得到不同粒径砂石的分布信息，网络头部将矿石图像特征向量回归为一组输出向量来表示每个粒径范围的矿石分布，然后输出预测砂石粒度分布曲线Y，并且和砂石真实粒度分布曲线Y
*
进行比...

【专利技术属性】
技术研发人员：吕鹏，狄龙飞，秦宋林，于文强，吴锐，刘家锋，田小娟，贾新文，
申请(专利权)人：中国水利水电第十一工程局有限公司哈尔滨工业大学，
类型：发明
国别省市：