【技术实现步骤摘要】
本专利技术涉及矿石图像检测，特别是涉及一种矿石粒度检测方法、系统、电子设备及存储介质。
技术介绍
1、本部分的陈述仅仅是提到了与本专利技术相关的
技术介绍
，并不必然构成现有技术。
2、矿产资源是现代社会经济和工业体系的不可或缺的支柱，在现代社会经济和工业体系中扮演着多重关键角色。
3、粒度是衡量矿石颗粒大小和分布的关键参数，直接影响到矿石的后续处理、选矿工艺和利用效率。而矿石粒度检测则是优化矿产资源利用的关键工具，通过准确测量矿石的粒度，可以实现对生产流程的精确控制，优化工艺参数，提高生产效率，降低能耗并减少污染，从而最大程度地提升经济效益。
4、现有的矿石粒度检测方法，存在一些根本性的结构和性能上的缺陷，包括精度不足、对噪声和干扰敏感、计算复杂度高等问题。
5、早期的人工物理筛分存在一定主观性，依赖于工人的经验和技能，容易受到个体差异的影响，导致结果的不一致性。这种方法耗时且劳动密集，不适用于大规模矿石处理，影响了生产效率。且对于微小颗粒的筛选较为困难，难以满足生产中对精确粒度分布的需求。
6、传统图像处理方法通常包括图像预处理、分割、特征提取和分类等步骤，基于传统图像处理方法的粒度检测在一定程度上取得了成果，但也存在一些局限性。对于具有复杂纹理以及复杂场景下的矿石图像，传统方法可能无法充分捕捉详细特征，容易出现检测不可靠的情况，使得检测的准确性大受限制。
7、深度学习方法相对于传统图像处理方法的优势在于其能够从大规模数据中学习复杂的非线性关系，更好地适应多
技术实现思路
1、为了解决现有技术的不足，本专利技术提供了一种矿石粒度检测方法、系统、电子设备及计算机可读存储介质，从设计图像分割模型和优化模型结果入手，着眼于提高矿石粒度检测的整体性能，为矿石加工和利用提供更为可靠和准确的粒度信息。
2、第一方面，本专利技术提供了一种矿石粒度检测方法；
3、一种矿石粒度检测方法，包括：
4、获取待预测矿石图像；
5、将待预测矿石图像输入训练好的矿石图像分割模型，基于通过训练获取的多组最优模型参数，分别获取第一分割结果图像和第二分割结果图像；
6、通过基于双阈值的融合补充分割方法对第一分割结果图像和第二分割结果图像进行处理，获取矿石分割图像；
7、对矿石图像分割结果进行轮廓检测，获取矿石粒度检测结果。
8、进一步的，所述矿石图像分割模型为引入高效通道注意力模块的u-net网络。
9、优选的，高效通道注意力模块对输入特征图进行处理具体包括：
10、对输入特征图进行全局平均池化，获取特征向量；
11、根据输入特征图的通道数，自适应获取卷积核的大小，并对特征向量进行卷积操作，使用sigmoid激活函数获取权重信息；
12、根据权重信息和输入特征图，获取通道特征。
13、进一步的，所述通过基于双阈值的融合补充分割方法对第一分割结果图像和第二分割结果图像进行处理包括：
14、基于松弛预测阈值和自适应灰度阈值分别对第一分割图像和第二分割图像进行处理，获取对应的第一融合补充分割结果和第二融合补充分割结果；
15、对第一融合补充分割结果和第二融合补充分割结果进行逻辑与运算，获取矿石分割图像。
16、优选的，基于松弛预测阈值和自适应灰度阈值对第一分割图像进行处理包括：
17、基于松弛预测阈值，通过矿石分割模型获取第三分割图像；
18、对第一分割图像和第三分割图像进行逻辑异或运算，获取第一补充分割图像；
19、对第一分割图像进行取反运算，并与待预测矿石图像进行逻辑与运算，获取预测的背景区域；
20、对预测的背景区域进行阈值分割，获取第二补充分割图像；
21、对第一补充分割图像和第一分割图像以及第二补充分割图像和第一分割图像分别进行逻辑或运算，并对运算结果进行逻辑与运算，获取第一融合补充分割结果。
22、优选的，基于松弛预测阈值和自适应灰度阈值对第二分割图像进行处理包括：
23、基于松弛预测阈值，通过矿石分割模型获取第四分割图像；
24、对第二分割图像和第四分割图像进行逻辑异或运算，获取第三补充分割图像；
25、对第二分割图像进行取反运算，并与待预测矿石图像进行逻辑与运算，获取预测的背景区域；
26、对预测的背景区域进行阈值分割，获取第四补充分割图像；
27、对第三补充分割图像和第二分割图像以及第四补充分割图像和第二分割图像分别进行逻辑或运算，并对运算结果进行逻辑与运算，获取第二融合补充分割结果。
28、进一步的，所述对矿石图像分割结果进行轮廓检测具体为：通过开放计算机视觉库中的轮廓检测算法对矿石分割图像进行矿石粒度检测。
29、第二方面，本专利技术提供了一种矿石粒度检测系统；
30、一种矿石粒度检测系统，包括：
31、获取模块，被配置为：获取待预测矿石图像；
32、分割模块，被配置为：将待预测矿石图像输入训练好的矿石图像分割模型，基于通过训练获取的多组最优模型参数，分别获取第一分割结果图像和第二分割结果图像；
33、融合补充分割模块，被配置为：通过基于双阈值的融合补充分割方法对第一分割结果图像和第二分割结果图像进行处理，获取矿石图像分割结果；
34、矿石粒度检测模块，被配置为：对矿石图像分割结果进行轮廓检测，获取矿石粒度检测结果。
35、第三方面，本专利技术提供了一种电子设备；
36、一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成上述的矿石粒度检测方法。
37、第四方面，本专利技术提供了一种计算机可读存储介质；
38、一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成上述的矿石粒度检测方法。
39、与现有技术相比，本专利技术的有益效果是：
40、1、本专利技术提供的技术方案，将高效通道注意力（efficient channel attention,eca）模块引入u-net（u型网络）结构中，提出ecau-net模型来分割矿石图像；可以更好地捕捉矿石图像的关键特征，并具有更强的空间关系建模能力，从而提高分割结果的准确性。
41、2、本专利技术提供的技术方案，为了避免深度学习中单一阈值的目标缺失，减少不必要的错误分割，提出了一种基于双阈值的融合补充分割方法；通过将两次结果分割融合，可以在尽可能保留矿石部分的同时减少粘连和噪声问题，达到补充矿石细节的效果。
<本文档来自技高网...【技术保护点】
1.一种矿石粒度检测方法，其特征在于，包括：
2.如权利要求1所述的矿石粒度检测方法，其特征在于，所述矿石图像分割模型为引入高效通道注意力模块的U-Net网络。
3.如权利要求2所述的矿石粒度检测方法，其特征在于，高效通道注意力模块对输入特征图进行处理具体包括：
4.如权利要求1所述的矿石粒度检测方法，其特征在于，所述通过基于双阈值的融合补充分割方法对第一分割结果图像和第二分割结果图像进行处理包括：
5.如权利要求4所述的矿石粒度检测方法，其特征在于，基于松弛预测阈值和自适应灰度阈值对第一分割图像进行处理包括：
6.如权利要求4所述的矿石粒度检测方法，其特征在于，基于松弛预测阈值和自适应灰度阈值对第一分割图像进行处理包括：
7.如权利要求1所述的矿石粒度检测方法，其特征在于，所述对矿石图像分割结果进行轮廓检测具体为：通过开放计算机视觉库中的轮廓检测算法对矿石分割图像进行矿石粒度检测。
8.一种矿石粒度检测系统，其特征在于，包括：
9.一种电子设备，其特征在于，包括存储器和处理器以及存储
10.一种计算机可读存储介质，其特征在于，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-7任一项所述的矿石粒度检测方法。
...【技术特征摘要】
1.一种矿石粒度检测方法，其特征在于，包括：
2.如权利要求1所述的矿石粒度检测方法，其特征在于，所述矿石图像分割模型为引入高效通道注意力模块的u-net网络。
3.如权利要求2所述的矿石粒度检测方法，其特征在于，高效通道注意力模块对输入特征图进行处理具体包括：
4.如权利要求1所述的矿石粒度检测方法，其特征在于，所述通过基于双阈值的融合补充分割方法对第一分割结果图像和第二分割结果图像进行处理包括：
5.如权利要求4所述的矿石粒度检测方法，其特征在于，基于松弛预测阈值和自适应灰度阈值对第一分割图像进行处理包括：
6.如权利要求4所述的矿石粒度检测方法，其特征在于，基于...
【专利技术属性】
技术研发人员：展彦彤，赵世杰，牛为善，万文博，
申请(专利权)人：山东师范大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。