一种基于深度学习的矿石粒度分析方法及系统技术方案

本发明专利技术涉及一种基于深度学习的矿石粒度分析方法及系统，所述方法包括：S10、预先对经过标定的用于矿口进行拍摄相机所拍摄的矿口图像进行抓取，得到矿石图像第一样本集；S20、基于所述矿石图像第一样本集，对预先获取的基础模型进行微调训练，获取微调模型；S30、实时经过标定的用于矿口进行拍摄相机所拍摄的矿口图像进行抓取，并将所抓取的矿口图像输入至所述微调模型中，所述微调模型输出模型结果；S40、基于所述模型结果和预先获取的实际尺度比例信息，得到该模型结果中矿石的粒度信息。得到该模型结果中矿石的粒度信息。得到该模型结果中矿石的粒度信息。

【技术实现步骤摘要】
一种基于深度学习的矿石粒度分析方法及系统


[0001]本专利技术涉及图像数据处理
，尤其涉及一种基于深度学习的矿石粒度分析方法及系统。

技术介绍

[0002]矿石的粒度信息在选矿工作中有十分重要的价值，能为破碎工作前破碎机参数提供参考，也是评价矿石破碎效果的一项重要指标。矿石生产流水线各个步骤之间操作间隔较短，利用实时精确的矿石粒度信息能为矿石解离作业提供更优化的控制方案，提高整体作业的效率。
[0003]传统的选矿解离工作中对于矿石粒度信息主要来源于专业人员的判断，或者是抽样筛分检测。这类方法不仅精度有限，且十分耗费人力，也会降低生产过程效率。近年来，利用图像采集系统采集矿口图像，并结合数字图像处理技术实时进行矿石粒度分析取得了不错的成效，其中数字图像处理技术主要分为两类：一是基于传统的图像处理方法，如算子滤波，边缘检测、阈值分割以及聚类等方法得到矿石的形状轮廓统计特征。还有一类是基于深度学习的计算机视觉处理方法。随着深度学习在计算机视觉领域进一步发展，图像分类、目标检测、图像分割和更多技术有了显著的进步，这类方法主要使用各类神本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的矿石粒度分析方法，其特征在于，包括：S10、预先对经过标定的用于矿口进行拍摄相机所拍摄的矿口图像进行抓取，得到矿石图像第一样本集；S20、基于所述矿石图像第一样本集，对预先获取的基础模型进行微调训练，获取微调模型；所述基础模型为采用第一数据集对预先设定的第一SOLOv2模型进行训练所得到的模型；所述第一SOLOv2模型依次包括：骨干网络、PAN、核分支、特征分支以及卷积层；所述第一数据集为经过数据增强处理后的预先获取的训练数据集；S30、实时经过标定的用于矿口进行拍摄相机所拍摄的矿口图像进行抓取，并将所抓取的矿口图像输入至所述微调模型中，所述微调模型输出模型结果；S40、基于所述模型结果和预先获取的实际尺度比例信息，得到该模型结果中矿石的粒度信息。2.根据权利要求1所述的基于深度学习的矿石粒度分析方法，其特征在于，在所述S10之前还包括：S01、针对预先获取的矿石语义分割数据集，进行预处理，得到了训练数据集中每一矿石图像的亮度和对比度信息；所述训练数据集为预处理后的矿石语义分割数据集；S02、基于训练数据集中每一矿石图像的亮度和对比度信息，通过极大似然估计，得到训练数据集亮度和对比度的高斯分布无偏估计；S03、基于训练数据集亮度和对比度的高斯分布无偏估计，通过通过Mosaic的方式，对所述训练数据集进行数据增强，得到第一数据集；S04、采用第一数据集，对预先设定的第一SOLOv2模型进行训练，得到基础模型。3.根据权利要求2所述的基于深度学习的矿石粒度分析方法，其特征在于，所述S01具体包括：S011、将所述预先获取的矿石语义分割数据集中每一矿石图像的像素分辨率均转换到640
×
640，得到第一过渡数据集；S012、获取所述第一过渡数据集中每一矿石图像的亮度和对比度信息，并将所述第一过渡数据集中对比度值小于0.2的矿山图像删除，得到第二过渡数据集；S013、将所述第二过渡数据集划分为训练数据集和测试数据集。4.根据权利要求3所述的基于深度学习的矿石粒度分析方法，其特征在于，所述S02具体包括：基于训练数据集中每一矿石图像的亮度和对比度信息，通过极大似然估计，得到训练数据集亮度和对比度的高斯分布无偏估计；所述训练数据集亮度和对比度的高斯分布无偏估计包括：训练集中每张图像的亮度的均值估计、亮度的方差估计、对比度的均值估计、对比度的方差估计；
μ
i
为亮度的均值估计；σ
i
为亮度的方差估计；μ
c
为对比度的均值估计；σ
c
为对比度的方差估计；N为训练集中图像总数；为训练集中第x张图像的平均亮度；i
max
为图像最大亮度；i
min
为图像最小亮度；r
(x，y)
、g
(x，y)
、b
(x，y)
分别为像素的红绿蓝三分量数值；C
x
表示训练集中第x张图像的对比度。5.根据权利要求4所述的基于深度学习的矿石粒度分析方法，其特征在于，所述S03具体包括：S031、随机选择所述训练数据集四张矿石图像，并将每张矿石图像像素分辨率缩放到480
×
480，然后拼接成一张第一图片；S032、使用随机生成函数生成一个归一化坐标，该归一化坐标的横纵坐标都在[0.2，0.8]范围内；S033、将所述归一化坐标作为增强结果的中心点，对所述第一图片进行640
×
640大小的像素块截取；若截取的像素块中有出现空白部分，对于空白的部分，通过拼接中心四象限划分截取第一图片为四部分，每一部分用截取到的像素块缩放进行填充，得到生成图像；
S034、重复S031
‑
S033直到生成预设数量个生成图像，并对生成图像再次进行亮度和对比度计算，同时通过像素整体加减以及缩放的方式调整生成图像的亮度和对比度，使得每一生成图像的亮度和对比度分布与训练数据集相同。6.根据权利要求5所述的基于深度学习的矿石粒度分析方法，其特征在于，所述S04具体包括：S041、设置SOLOv2模型骨干网络为ResNet50，分类类别数为2，装载ResNet50预训练模型参数；S042、对SOLOv2的剩余参数进行初始化，选用ReLU作为卷积层的激活函数，使用Kaiming高斯初始化方法，使得每一卷积层的输出的方差都为1；S043、设置训练参数，将训练轮次设置为50，每次反向传播的批大小为24；S044、将训练数据集按训练参数设置进行训练，并在每一轮次结束时进行测试集测试和结果参数保存；S045、训练完成，根据记录的每一轮测试结果挑选出最佳精度的模型参数作为基础模型。7.根据权利要求6所述的基于深度学习的矿石粒度分析方法，其特征在于，所述S10中用于矿口进行拍摄的相机预先采用张正友标定法和人工标定值法进行标定，得到像素级别的实际尺度比例信息。8.根据权利要求7所述的基于深度学习的矿石粒度分析方法，其特征在于，所述采用张正友标定法和人工标定值法进行标定的方法包括：A1、使用张正友标定法得到相机的内参和外参，并使用径向畸变和切向畸变矫正法矫正相机图像；A2、根据相机与矿石轨道距离以及标定得到的棋盘格点之间的距离关系，采用公式(1)计算出矿石轨道与相机成像平面的夹角在横轴上的分量和纵轴上的分量；所述公式(1)为：其中，θ为横轴方向的夹角分量或纵轴方向的夹角分量；l
u
是根据棋盘格得到的某个像素点与图像中心在横轴方向的或者在纵轴方向的像素距离；d
r
是标定到的相机成像平面与光心之间的距离；d

【专利技术属性】
技术研发人员：于瑞云，黄永安，
申请(专利权)人：东北大学，
类型：发明
国别省市：