CN116597258B - 一种基于多尺度特征融合的矿石分选模型训练方法及系统 - Google Patents
一种基于多尺度特征融合的矿石分选模型训练方法及系统 Download PDFInfo
- Publication number
- CN116597258B CN116597258B CN202310879685.0A CN202310879685A CN116597258B CN 116597258 B CN116597258 B CN 116597258B CN 202310879685 A CN202310879685 A CN 202310879685A CN 116597258 B CN116597258 B CN 116597258B
- Authority
- CN
- China
- Prior art keywords
- feature
- ore
- network
- resnet
- scale
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000004927 fusion Effects 0.000 title claims abstract description 111
- 238000012549 training Methods 0.000 title claims abstract description 106
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000012795 verification Methods 0.000 claims abstract description 47
- 238000012545 processing Methods 0.000 claims abstract description 44
- 230000008859 change Effects 0.000 claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims description 21
- 230000007246 mechanism Effects 0.000 claims description 21
- 230000003993 interaction Effects 0.000 claims description 19
- 239000013598 vector Substances 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 14
- 238000007499 fusion processing Methods 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 230000001186 cumulative effect Effects 0.000 claims description 8
- 238000013145 classification model Methods 0.000 claims description 5
- 230000001131 transforming effect Effects 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 3
- 238000004064 recycling Methods 0.000 abstract description 13
- 238000010586 diagram Methods 0.000 description 9
- 238000000926 separation method Methods 0.000 description 9
- 229910052500 inorganic mineral Inorganic materials 0.000 description 7
- 239000011707 mineral Substances 0.000 description 7
- 239000002699 waste material Substances 0.000 description 7
- 238000009776 industrial production Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 239000010419 fine particle Substances 0.000 description 1
- 238000005188 flotation Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 238000007885 magnetic separation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/32—Normalisation of the pattern dimensions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于多尺度特征融合的矿石分选模型训练方法及系统,该方法包括:获取若干矿石图像数据,并按照预设规则根据若干所述矿石图像数据划分出训练集以及验证集;对所述训练集进行随机数据增强处理,并基于多尺度特征融合算法构建出ResNet‑MS网络;设置所述ResNet‑MS网络的学习率初始值、学习率变化方法以及优化器种类,并将所述训练集和所述验证集分别输入至所述ResNet‑MS网络中;分别比较每一所述验证集通过所述ResNet‑MS网络输出的准确率,并将准确率最高的验证集对应的ResNet‑MS网络设定为目标矿石分选模型。通过上述方式能够显著提升低品位矿石的回收利用率。
Description
技术领域
本发明涉及数据处理技术领域,特别涉及一种基于多尺度特征融合的矿石分选模型训练方法及系统。
背景技术
早期常规的选矿依方式不同可分为:磁选、重选、浮选等,这些选矿工艺都必须将矿石磨至细小颗粒或粉末,耗能高、污染大,成本也居高不下,属于传统的选矿工艺。在人工智能高速发展的背景下,目前国内外一批新兴的高技术选矿设备制造企业,采用最新的X射线透视成像和人工智能判别的技术路线。该类技术可在原矿石破碎后直接进行干式分选,有效地降低了贫化损失,降低了污染与成本,提升了效率。
基于卷积神经网络的识别技术是当今图像识别的主流方式之一,目前,高品位矿石经 X 射线透视成像后,特征明显,识别率较高;而低品位的矿石,由于矿石内部的矿物质零星分布,且粒度较小,导致矿石图像在多次下采样的过程中,会造成特征丢失,难以识别,致使低品位矿石的回收率较低,造成了资源的浪费。
因此,针对现有技术中的低品位矿石图像中小粒度特征丢失,导致识别率较低的情况,提出一种基于多尺度特征融合的矿石分选模型训练方法很有必要。
发明内容
基于此,本发明的目的是提供一种基于多尺度特征融合的矿石分选模型训练方法,以提升低品位矿石的识别率。
本发明实施例第一方面提出了一种基于多尺度特征融合的矿石分选模型训练方法,所述方法包括:
获取若干矿石图像数据,并按照预设规则根据若干所述矿石图像数据划分出训练集以及验证集;
对所述训练集进行随机数据增强处理,并基于多尺度特征融合算法构建出ResNet-MS网络;
设置所述ResNet-MS网络的学习率初始值、学习率变化方法以及优化器种类,并将所述训练集和所述验证集分别输入至所述ResNet-MS网络中;
分别比较每一所述验证集通过所述ResNet-MS网络输出的准确率,并将准确率最高的验证集对应的ResNet-MS网络设定为目标矿石分选模型。
本发明的有益效果是:通过获取若干矿石图像数据,并按照预设规则根据若干所述矿石图像数据划分出训练集以及验证集;进一步的,对所述训练集进行随机数据增强处理,并基于多尺度特征融合算法构建出ResNet-MS网络;更进一步的,设置所述ResNet-MS网络的学习率初始值、学习率变化方法以及优化器种类,并将所述训练集和所述验证集分别输入至所述ResNet-MS网络中;最后只需分别比较每一所述验证集通过所述ResNet-MS网络输出的准确率,并将准确率最高的验证集对应的ResNet-MS网络设定为目标矿石分选模型。通过上述方式能够基于多尺度特征融合算法将不同尺度的特征进行融合,在此过程之中,能够有效的保留小粒度的特征,从而显著提升了低品位矿石的回收利用率,进而提升了工业生产中资源的回收利用水平,减少了资源的损失与浪费,提升了用户的使用体验。
优选的,所述对所述训练集进行随机数据增强处理的步骤包括:
通过RGB方式在所述训练集以及所述验证集中读取出具有tif格式的若干初始图片,并将若干所述初始图片均缩放至96x96像素,以生成若干对应的目标图片;
将若干所述目标图片以第一预设概率进行水平翻转,并将若干所述目标图片的亮度、对比度、饱和度以及色调在预设变化阈值内进行随机变换;
将若干所述目标图片以第二预设概率转换成对应的灰度图,并将若干所述目标图片以第三预设概率添加预设幅值的标准高斯噪声。
优选的,所述基于多尺度特征融合算法构建出ResNet-MS网络的步骤包括:
获取所述多尺度特征融合算法中的主干网络,并提取出所述主干网络中的多尺度特征,并获取所述主干网络中产生的若干特征图;
逐一识别出每一所述特征图对应的大小尺寸以及通道数,并通过所述多尺度特征融合算法中的通道均衡模块对若干所述特征图的通道数进行均衡处理;
获取每一所述特征图中的若干通道分别对应的权重,并对每一所述权重进行累乘运算,以生成对应的若干加权特征图;
通过所述多尺度特征融合算法中的融合模块对若干所述加权特征图进行融合处理,以构建出所述ResNet-MS网络。
优选的,所述通过所述多尺度特征融合算法中的通道均衡模块对若干所述特征图的通道数进行均衡处理的步骤包括:
将若干所述特征图输入至ECA通道注意力机制中,以识别出若干所述特征图分别对应的目标通道数,并通过第一预设卷积函数将若干所述特征图对应的目标通道数均转变成第一固定值;
将所述第一固定值输入至PfAAM混合注意力机制中,并通过第二预设卷积函数将所述第一固定值转变为第二固定值,所述第二固定值大于所述第一固定值;
将每一所述特征图转换为对应的特征向量,以完成对若干所述特征图的通道数的均衡处理。
优选的,所述获取每一所述特征图中的若干通道分别对应的权重,并对每一所述权重进行累乘运算,以生成对应的若干加权特征图的步骤包括:
通过所述特征向量计算出与所述特征图适配的一维卷积核参数,并将所述一维卷积核参数输入至所述一维卷积中,以通过所述一维卷积分别计算出每一所述特征图中的若干通道分别对应的权重;
对若干所述通道分别对应的权重进行归一化处理,并将归一化处理后的权重与对应的特征图逐通道相乘,以生成对应的若干所述加权特征图。
优选的,所述通过所述多尺度特征融合算法中的融合模块对若干所述加权特征图进行融合处理的步骤包括:
分别提取出每一所述加权特征图分别对应的特征图维度,并获取每一所述加权特征图对应的特征图尺寸;
根据所述特征图维度以及所述特征图尺寸计算出对应的交互矩阵,并对所述交互矩阵进行归一化处理,以生成对应的归一化交互矩阵,以完成对若干所述加权特征图的融合处理。
优选的,所述方法还包括:
获取与所述目标矿石分选模型对应的目标矿石种类,并建立所述目标矿石种类与所述目标矿石分选模型之间的映射关系;
基于所述映射关系构建出所述目标矿石分选模型的启用规则,所述启用规则具有唯一性。
本发明实施例第二方面提出了一种基于多尺度特征融合的矿石分选模型训练系统,所述系统包括:
获取模块,用于获取若干矿石图像数据,并按照预设规则根据若干所述矿石图像数据划分出训练集以及验证集;
增强模块,用于对所述训练集进行随机数据增强处理,并基于多尺度特征融合算法构建出ResNet-MS网络;
初始化模块,用于设置所述ResNet-MS网络的学习率初始值、学习率变化方法以及优化器种类,并将所述训练集和所述验证集分别输入至所述ResNet-MS网络中;
训练模块,用于分别比较每一所述验证集通过所述ResNet-MS网络输出的准确率,并将准确率最高的验证集对应的ResNet-MS网络设定为目标矿石分选模型。
其中,上述基于多尺度特征融合的矿石分选模型训练系统中,所述增强模块具体用于:
通过RGB方式在所述训练集以及所述验证集中读取出具有tif格式的若干初始图片,并将若干所述初始图片均缩放至96x96像素,以生成若干对应的目标图片;
将若干所述目标图片以第一预设概率进行水平翻转,并将若干所述目标图片的亮度、对比度、饱和度以及色调在预设变化阈值内进行随机变换;
将若干所述目标图片以第二预设概率转换成对应的灰度图,并将若干所述目标图片以第三预设概率添加预设幅值的标准高斯噪声。
其中,上述基于多尺度特征融合的矿石分选模型训练系统中,所述增强模块还具体用于:
获取所述多尺度特征融合算法中的主干网络,并提取出所述主干网络中的多尺度特征,并获取所述主干网络中产生的若干特征图;
逐一识别出每一所述特征图对应的大小尺寸以及通道数,并通过所述多尺度特征融合算法中的通道均衡模块对若干所述特征图的通道数进行均衡处理;
获取每一所述特征图中的若干通道分别对应的权重,并对每一所述权重进行累乘运算,以生成对应的若干加权特征图;
通过所述多尺度特征融合算法中的融合模块对若干所述加权特征图进行融合处理,以构建出所述ResNet-MS网络。
其中,上述基于多尺度特征融合的矿石分选模型训练系统中,所述增强模块还具体用于:
将若干所述特征图输入至ECA通道注意力机制中,以识别出若干所述特征图分别对应的目标通道数,并通过第一预设卷积函数将若干所述特征图对应的目标通道数均转变成第一固定值;
将所述第一固定值输入至PfAAM混合注意力机制中,并通过第二预设卷积函数将所述第一固定值转变为第二固定值,所述第二固定值大于所述第一固定值;
将每一所述特征图转换为对应的特征向量,以完成对若干所述特征图的通道数的均衡处理。
其中,上述基于多尺度特征融合的矿石分选模型训练系统中,所述增强模块还具体用于:
通过所述特征向量计算出与所述特征图适配的一维卷积核参数,并将所述一维卷积核参数输入至所述一维卷积中,以通过所述一维卷积分别计算出每一所述特征图中的若干通道分别对应的权重;
对若干所述通道分别对应的权重进行归一化处理,并将归一化处理后的权重与对应的特征图逐通道相乘,以生成对应的若干所述加权特征图。
其中,上述基于多尺度特征融合的矿石分选模型训练系统中,所述增强模块还具体用于:
分别提取出每一所述加权特征图分别对应的特征图维度,并获取每一所述加权特征图对应的特征图尺寸;
根据所述特征图维度以及所述特征图尺寸计算出对应的交互矩阵,并对所述交互矩阵进行归一化处理,以生成对应的归一化交互矩阵,以完成对若干所述加权特征图的融合处理。
其中,上述基于多尺度特征融合的矿石分选模型训练系统中,所述基于多尺度特征融合的矿石分选模型训练方法还包括启用模块,所述启用模块具体用于:
获取与所述目标矿石分选模型对应的目标矿石种类,并建立所述目标矿石种类与所述目标矿石分选模型之间的映射关系;
基于所述映射关系构建出所述目标矿石分选模型的启用规则,所述启用规则具有唯一性。
本发明实施例第三方面提出了一种计算机,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,其中,所述处理器执行所述计算机程序时实现如上面所述的基于多尺度特征融合的矿石分选模型训练方法。
本发明实施例第四方面提出了一种可读存储介质,其上存储有计算机程序,其中,该程序被处理器执行时实现如上面所述的基于多尺度特征融合的矿石分选模型训练方法。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
图1为本发明第一实施例提供的基于多尺度特征融合的矿石分选模型训练方法的流程图;
图2为本发明第二实施例提供的基于多尺度特征融合的矿石分选模型训练方法中的ResNet18的网络结构图;
图3为本发明第二实施例提供的基于多尺度特征融合的矿石分选模型训练方法中的通道均衡模块的结构示意图;
图4为本发明第二实施例提供的基于多尺度特征融合的矿石分选模型训练方法中的ECA原理示意图;
图5为本发明第二实施例提供的基于多尺度特征融合的矿石分选模型训练方法中的PfAAM原理示意图;
图6为本发明第二实施例提供的基于多尺度特征融合的矿石分选模型训练方法中的渐进式特征融合模块的结构示意图;
图7为本发明第二实施例提供的基于多尺度特征融合的矿石分选模型训练方法中的特征交互融合模块的结构示意图;
图8为本发明第三实施例提供的基于多尺度特征融合的矿石分选模型训练系统的结构框图。
如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
为了便于理解本发明,下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的若干实施例。但是,本发明可以以许多不同的形式来实现,并不限于本文所描述的实施例。相反地,提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
需要说明的是,当元件被称为“固设于”另一个元件,它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件,它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
请参阅图1,所示为本发明第一实施例提供的基于多尺度特征融合的矿石分选模型训练方法,本实施例提供的基于多尺度特征融合的矿石分选模型训练方法能够显著提升低品位矿石回收利用率,进而提升了工业生产中资源回收利用水平,减少了资源的损失与浪费,提升了用户的使用体验。
具体的,本实施例提供的基于多尺度特征融合的矿石分选模型训练方法具体包括以下步骤:
步骤S10,获取若干矿石图像数据,并按照预设规则根据若干所述矿石图像数据划分出训练集以及验证集;
具体的,在本实施例中,首先需要说明的是,本实施例训练出的矿石分选模型主要用于根据采集到的矿石图像来区分各类矿石,具体的,本实施例提供的各类矿石可以是铜矿石、铁矿石以及锂矿石等,都在本实施例的保护范围之内。
另外,还需要指出的是,本实施例提供的矿石分选模型训练方式是基于现有的多尺度特征融合算法实施的,基于该多尺度特征融合算法训练出的矿石分选模型能够准确的识别出低品位矿石的矿石图像,从而能够大幅提升矿石分选的效率。
基于此,为了能够准确的完成矿石分选模型的训练,本步骤需要首先获取到若干矿石图像数据,其中,需要指出的是,该矿石图像数据是随机产生的,进一步的,本实施例还会按照预设规则将当前若干矿石图像划分出训练集以及验证集,优选的,本实施例按照8:2的方式划分出训练集以及验证集,以进行后续的训练。
步骤S20,对所述训练集进行随机数据增强处理,并基于多尺度特征融合算法构建出ResNet-MS网络;
进一步的,在本步骤中,需要说明的是,在通过上述步骤分别获取到需要的训练集以及验证集之后,本步骤会立即对当前训练集进行随机数据增强处理,以对应提升当前训练集的抗干扰能力,在此基础之上,本步骤就会根据上述多尺度特征融合算法构建出需要的ResNet-MS网络,以在当前ResNet-MS网络的基础上做进一步的训练。
其中,需要指出的是,本步骤是以ResNet18网络为基础,构建出需要的ResNet-MS网络的,以最终完成矿石图像的识别。
步骤S30,设置所述ResNet-MS网络的学习率初始值、学习率变化方法以及优化器种类,并将所述训练集和所述验证集分别输入至所述ResNet-MS网络中;
更进一步的,在本实施例中,需要说明的是,在通过上述步骤构建出需要的ResNet-MS网络之后,需要进行对应的训练,在此之前,需要初始化当前ResNet-MS网络的各类参数,具体的,本步骤会设置当前ResNet-MS网络的学习率初始值、学习率变化方法以及优化器种类,在此基础之上,只需分别将上述训练集和验证集输入至当前ResNet-MS网络的内部。
其中,本实施例划分出的训练集和验证集是固定不变的,但本实施例会通过当前训练集以及验证集对当前ResNet-MS网络进行多次迭代训练,以训练出最优的模型。
步骤S40,分别比较每一所述验证集通过所述ResNet-MS网络输出的准确率,并将准确率最高的验证集对应的ResNet-MS网络设定为目标矿石分选模型。
最后,在本步骤中,需要说明的是,每一次将验证集输入至上述ResNet-MS网络中均会对应输出一个准确率,同理,输入若干次上述验证集,就会对应产生若干个准确率,在此基础之上,只需进一步比较当前若干个准确率的大小,并最终比较出最高的准确率,与此同时,就能够将准确率最高的验证集对应的ResNet-MS网络设定为需要的目标矿石分选模型。
其中,需要指出的是,本实施例提供的目标矿石分选方法能够同时准确的识别出高品位以及低品位的矿石图像,从而大幅提升了矿石分选的效率。
使用时,通过多尺度融合算法能够将不同尺度的特征进行融合,在此过程中,能够同时保留小粒度的特征,从而显著提升了低品位矿石的回收利用率,进而提升了工业生产中资源的回收利用水平,减少了资源的损失与浪费,提升了用户的使用体验。
需要说明的是,上述的实施过程只是为了说明本申请的可实施性,但这并不代表本申请的基于多尺度特征融合的矿石分选模型训练方法只有上述唯一一种实施流程,相反的,只要能够将本申请的基于多尺度特征融合的矿石分选模型训练方法实施起来,都可以被纳入本申请的可行实施方案。
综上,本发明上述实施例提供的基于多尺度特征融合的矿石分选模型训练方法能够显著提升低品位矿石的回收利用率,对应提升了工业生产中资源回收利用水平,减少了资源的损失与浪费,提升了用户的使用体验。
请参阅图2至图7,本发明第二实施例也提供了一种基于多尺度特征融合的矿石分选模型训练方法,本实施例提供的基于多尺度特征融合的矿石分选模型训练方法与上述第一实施例提供的基于多尺度特征融合的矿石分选模型训练方法不同之处在于:
具体的,在本实施例中,需要说明的是,上述对所述训练集进行随机数据增强处理的步骤包括:
通过RGB方式在所述训练集以及所述验证集中读取出具有tif格式的若干初始图片,并将若干所述初始图片均缩放至96x96像素,以生成若干对应的目标图片;
将若干所述目标图片以第一预设概率进行水平翻转,并将若干所述目标图片的亮度、对比度、饱和度以及色调在预设变化阈值内进行随机变换;
将若干所述目标图片以第二预设概率转换成对应的灰度图,并将若干所述目标图片以第三预设概率添加预设幅值的标准高斯噪声。
具体的,在本实施例中,需要说明的是,本实施例会通过现有的RGB读取的方式在上述训练集以及验证集中读取出tif(Tag Image File)格式的若干初始图片,进一步,为了便于后续的训练,本实施例会同一将当前若干初始图片的大小均缩放至96x96像素,从而能够对应生成若干需要的目标图片。
具体的,本实施例会进一步将当前若干目标图片以0.5的概率进行水平翻转,进一步的,将当前若干目标图片的亮度、对比度、饱和度以及色调在50%至150%的范围内进行随机变换,更进一步的,将当前若干目标图片以0.2的概率转变成对应的灰度图,在此基础之上,再将当前目标图片以0.5的概率添加幅值为20的标准高斯噪声,从而能够大幅增加当前若干目标图片的抗干扰性能。
进一步的,在本实施例中,需要说明的是,上述基于多尺度特征融合算法构建出ResNet-MS网络的步骤包括:
获取所述多尺度特征融合算法中的主干网络,并提取出所述主干网络中的多尺度特征,并获取所述主干网络中产生的若干特征图;
逐一识别出每一所述特征图对应的大小尺寸以及通道数,并通过所述多尺度特征融合算法中的通道均衡模块对若干所述特征图的通道数进行均衡处理;
获取每一所述特征图中的若干通道分别对应的权重,并对每一所述权重进行累乘运算,以生成对应的若干加权特征图;
通过所述多尺度特征融合算法中的融合模块对若干所述加权特征图进行融合处理,以构建出所述ResNet-MS网络。
进一步的,在本实施例中,需要说明的是,优选的,本实施例提供的基于多尺度特征融合算法以ResNet18算法为例,进行对应的解释说明。
具体的,本实施例会提取出当前ResNet18算法中的主干网络,具体的,如图2所示,能够进一步提取出当前主干网络中的多尺度特征,与此同时,还能够获取到当前主干网络中产生的若干特征图。其中,需要说明的是,本实施例提供的主干网络包含两种短路连接结构,具体的,如图2所示,其中实线部分对应的特征图的大小、尺寸以及通道数均相同,对应的,虚线部分对应的特征图的大小、尺寸以及通道数均不相同,基于此,本实施例需要进一步识别出当前每一个特征图对应的大小尺寸以及通道数。
在此基础之上,本实施例会进一步通过上述多尺度特征融合算法中的通道均衡模块对当前若干特征图的通道数进行均衡处理,与此同时,还需要获取每个特征图中的每个通道分别对应的权重,并对每个权重进行累乘运算,即可生成需要的加权特征图。
最后只需通过上述多尺度特征融合算法中的融合模块对上述若干加权特征图进行融合处理,就能够构建出需要的ResNet-MS网络。
另外,在本实施例中,需要说明的是,上述通过所述多尺度特征融合算法中的通道均衡模块对若干所述特征图的通道数进行均衡处理的步骤包括:
将若干所述特征图输入至ECA通道注意力机制中,以识别出若干所述特征图分别对应的目标通道数,并通过第一预设卷积函数将若干所述特征图对应的目标通道数均转变成第一固定值;
将所述第一固定值输入至PfAAM混合注意力机制中,并通过第二预设卷积函数将所述第一固定值转变为第二固定值,所述第二固定值大于所述第一固定值;
将每一所述特征图转换为对应的特征向量,以完成对若干所述特征图的通道数的均衡处理。
另外,在本实施例中,需要说明的是,本实施例提供的通道均衡模块包含有ECA通道注意力机制以及PfAAM混合注意力机制,具体的,如图3所示,基于此,本实施例会首先将当前若干特征图输入至上述ECA通道注意力机制,以通过该ECA通道注意力机制识别出当前若干特征图分别对应的目标通道数,进一步的,通过现有的1*1卷积函数将当前若干特征图的通道数统一变成128,即上述第一固定值,基于此,进一步将上述第一固定值输入至上述PfAAM混合注意力机制中,以进行二次处理。
具体的,本实施例会进一步通过3*3卷积函数将当前第一固定值转变成第二固定值,优选的,将上述128变成256,在此基础之上,进一步将上述每个特征图转换为对应的特征向量,以完成当前若干特征图的通道数的均衡处理。
另外,在本实施例中,还需要说明的是,上述获取每一所述特征图中的若干通道分别对应的权重,并对每一所述权重进行累乘运算,以生成对应的若干加权特征图的步骤包括:
通过所述特征向量计算出与所述特征图适配的一维卷积核参数,并将所述一维卷积核参数输入至所述一维卷积中,以通过所述一维卷积分别计算出每一所述特征图中的若干通道分别对应的权重;
对若干所述通道分别对应的权重进行归一化处理,并将归一化处理后的权重与对应的特征图逐通道相乘,以生成对应的若干所述加权特征图。
另外,在本实施例中,还需要说明的是,具体的,如图4所示,需要说明的是,所示为上述ECA(Efficient Channel Attention)通道注意力机制的结构示意图,具体的,本实施例将上述特征图输入至ECA通道注意力机制的内部时,当前ECA通道注意力机制会将当前特征图从[H,W,C]矩阵转变成[1,1,C]向量,即上述特征向量,与此同时,计算出与当前特征图适配的一维卷积核参数,进一步的,将当前一维卷积核参数输入至上述一维卷积中,从而能够通过当前一维卷积分别计算出当前每个特征图中的若干通道分别对应的权重。
进一步的,对当前若干通道的权重进行归一化处理,并将归一化处理后的权重与对应的特征图逐通道相乘,就能够得到需要的加权特征图。
对应的,如图5所示,需要说明的是,所示为上述PfAAM(Parameter-free-AverageAttention Module)通道注意力机制的结构示意图,当上述特征图输入至当前PfAAM通道注意力机制的内部时,当前PfAAM通道注意力机制会将当前特征图从[H,W,C]矩阵转变为[1,1,C]以及[H,W,1]向量,进一步的,将上述两组向量均扩展为[H,W,C]向量,从而能够得到两组特征数据,基于此,进行逐像素相乘,再进行归一化处理,以使数值分布在(0,1)的区间,再将该区间内的数据与输入的特征图的通道进行逐通道相乘处理,从而能够同样得到加权特征图。
其中,在本实施例中,需要指出的是,所述通过所述多尺度特征融合算法中的融合模块对若干所述加权特征图进行融合处理的步骤包括:
分别提取出每一所述加权特征图分别对应的特征图维度,并获取每一所述加权特征图对应的特征图尺寸;
根据所述特征图维度以及所述特征图尺寸计算出对应的交互矩阵,并对所述交互矩阵进行归一化处理,以生成对应的归一化交互矩阵,以完成对若干所述加权特征图的融合处理。
其中,在本实施例中,需要说明的是,具体的,如图6所示,需要说明的是,例如本实施例从上述主干网络中提取出3个不同尺度的特征,该3个特征经过CEBlock模块统一变成256个通道,但尺寸大小保持不变,进一步的,将当前三个特征同时输入至上述融合模块的渐进式特征融合模块中,以进行两两融合,再获取原输入特征和与其相关的两组融合后的特征,进行三三融合,以进一步输入至上述融合模块中的特征交互融合模块中。其中,在图6中,需要指出的是,以Y开头的数据是由以X开头的数据经过CAM模块融合产生的。以Z开头的数据是由数据X和对应的两组数据Y按照设定的系数相加得到的,具体的,Z=X+0.1(Y),以便于进行后续的处理。其中,需要指出的是,x、y以及z分别表示一类数据,在数据处理的过程中,每一类数据均会产生若干个子数据,即如图6所示,以便于后续的处理。
进一步的,在本实施例中,如图7所示,需要说明的是,具体的,详细融合过程如下:
1、输入的两个特征图维度:C*W1*H1 、C*W2*H2 ;
2、将两个特征图reshape: C*S1、C*S2(S1=W1*H1,S2=W2*H2);
3、将 C*S1换维变成S1*C,再与C*S2相乘,得到包含两组特性信息的交互矩阵S1*S2;
4、先将S1*S2乘以-1,再经softmax(-S1*S2, dim=1),得到归一化后的矩阵S1*S2;
5、同理重复3,4两步,得到归一化的交互矩阵S2*S1;
6、将C*S1与归一化后的S1*S2相乘可得C*S2 ,经reshape 变成 C*W2*H2;
7、将C*S2与归一化后的S2*S1相乘可得C*S1 ,经reshape 变成 C*W1*H1。
此时产生的两组特征包含彼此的信息,且保持通道数和尺寸大小不变。其中,需要说明的是,C表示通道数,W表示宽度,H表示高度,S表示矩阵。
其中,在本实施例中,需要指出的是,所述方法还包括:
获取与所述目标矿石分选模型对应的目标矿石种类,并建立所述目标矿石种类与所述目标矿石分选模型之间的映射关系;
基于所述映射关系构建出所述目标矿石分选模型的启用规则,所述启用规则具有唯一性。
其中,在本实施例中,需要说明的是,在通过上述步骤训练出准确率最高的矿石分选模型之后,本实施例会进一步确定出当前目标矿石分选模型所能够识别的各种目标矿石种类,与此同时,同步建立当前目标矿石种类与当前目标矿石分选模型之间的映射关系,在此基础之上,根据上述映射关系构建出需要的启用规则,并且该启用规则具有唯一性。
需要指出的是,本发明第二实施例所提供的方法,其实现原理及产生的一些技术效果和第一实施例相同,为简要描述,本实施例未提及之处,可参考第一实施例提供的相应内容。
综上,本发明上述实施例提供的基于多尺度特征融合的矿石分选模型训练方法能够显著提升低品位矿石的回收利用率,对应提升了工业生产中资源的回收利用水平,减少了资源的损失与浪费,提升了用户的使用体验。
请参阅图8,所示为本发明第三实施例提供的基于多尺度特征融合的矿石分选模型训练系统,所述系统包括:
获取模块12,用于获取若干矿石图像数据,并按照预设规则根据若干所述矿石图像数据划分出训练集以及验证集;
增强模块22,用于对所述训练集进行随机数据增强处理,并基于多尺度特征融合算法构建出ResNet-MS网络;
初始化模块32,用于设置所述ResNet-MS网络的学习率初始值、学习率变化方法以及优化器种类,并将所述训练集和所述验证集分别输入至所述ResNet-MS网络中;
训练模块42,用于分别比较每一所述验证集通过所述ResNet-MS网络输出的准确率,并将准确率最高的验证集对应的ResNet-MS网络设定为目标矿石分选模型。
其中,上述基于多尺度特征融合的矿石分选模型训练系统中,所述增强模块22具体用于:
通过RGB方式在所述训练集以及所述验证集中读取出具有tif格式的若干初始图片,并将若干所述初始图片均缩放至96x96像素,以生成若干对应的目标图片;
将若干所述目标图片以第一预设概率进行水平翻转,并将若干所述目标图片的亮度、对比度、饱和度以及色调在预设变化阈值内进行随机变换;
将若干所述目标图片以第二预设概率转换成对应的灰度图,并将若干所述目标图片以第三预设概率添加预设幅值的标准高斯噪声。
其中,上述基于多尺度特征融合的矿石分选模型训练系统中,所述增强模块22还具体用于:
获取所述多尺度特征融合算法中的主干网络,并提取出所述主干网络中的多尺度特征,并获取所述主干网络中产生的若干特征图;
逐一识别出每一所述特征图对应的大小尺寸以及通道数,并通过所述多尺度特征融合算法中的通道均衡模块对若干所述特征图的通道数进行均衡处理;
获取每一所述特征图中的若干通道分别对应的权重,并对每一所述权重进行累乘运算,以生成对应的若干加权特征图;
通过所述多尺度特征融合算法中的融合模块对若干所述加权特征图进行融合处理,以构建出所述ResNet-MS网络。
其中,上述基于多尺度特征融合的矿石分选模型训练方法中,所述增强模块22还具体用于:
将若干所述特征图输入至ECA通道注意力机制中,以识别出若干所述特征图分别对应的目标通道数,并通过第一预设卷积函数将若干所述特征图对应的目标通道数均转变成第一固定值;
将所述第一固定值输入至PfAAM混合注意力机制中,并通过第二预设卷积函数将所述第一固定值转变为第二固定值,所述第二固定值大于所述第一固定值;
将每一所述特征图转换为对应的特征向量,以完成对若干所述特征图的通道数的均衡处理。
其中,上述基于多尺度特征融合的矿石分选模型训练方法中,所述增强模块22还具体用于:
通过所述特征向量计算出与所述特征图适配的一维卷积核参数,并将所述一维卷积核参数输入至所述一维卷积中,以通过所述一维卷积分别计算出每一所述特征图中的若干通道分别对应的权重;
对若干所述通道分别对应的权重进行归一化处理,并将归一化处理后的权重与对应的特征图逐通道相乘,以生成对应的若干所述加权特征图。
其中,上述基于多尺度特征融合的矿石分选模型训练方法中,所述增强模块22还具体用于:
分别提取出每一所述加权特征图分别对应的特征图维度,并获取每一所述加权特征图对应的特征图尺寸;
根据所述特征图维度以及所述特征图尺寸计算出对应的交互矩阵,并对所述交互矩阵进行归一化处理,以生成对应的归一化交互矩阵,以完成对若干所述加权特征图的融合处理。
其中,上述基于多尺度特征融合的矿石分选模型训练方法中,所述基于多尺度特征融合的矿石分选模型训练方法还包括启用模块52,所述启用模块52具体用于:
获取与所述目标矿石分选模型对应的目标矿石种类,并建立所述目标矿石种类与所述目标矿石分选模型之间的映射关系;
基于所述映射关系构建出所述目标矿石分选模型的启用规则,所述启用规则具有唯一性。
本发明第四实施例提供的一种计算机,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,其中,所述处理器执行所述计算机程序时实现如上述实施例提供的基于多尺度特征融合的矿石分选模型训练方法。
本发明第五实施例提供了一种可读存储介质,其上存储有计算机程序,其中,该程序被处理器执行时实现如上述实施例提供的基于多尺度特征融合的矿石分选模型训练方法。
综上所述,本发明上述实施例提供的基于多尺度特征融合的矿石分选模型训练方法能够显著提升低品位矿石的回收利用率,对应提升了工业生产中资源回收利用水平,减少了资源的损失与浪费,提升了用户的使用体验。
需要说明的是,上述各个模块可以是功能模块也可以是程序模块,既可以通过软件来实现,也可以通过硬件来实现。对于通过硬件来实现的模块而言,上述各个模块可以位于同一处理器中;或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、 “示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种基于多尺度特征融合的矿石分选模型训练方法,其特征在于,所述方法包括:
获取若干矿石图像数据,并按照预设规则根据若干所述矿石图像数据划分出训练集以及验证集;
对所述训练集进行随机数据增强处理,并获取多尺度特征融合算法中的主干网络,以提取出所述主干网络中的多尺度特征,且根据所述多尺度特征构建出对应的ResNet-MS网络;
设置所述ResNet-MS网络的学习率初始值、学习率变化方法以及优化器种类,并将所述训练集和所述验证集分别输入至所述ResNet-MS网络中;
分别比较每一所述验证集通过所述ResNet-MS网络输出的准确率,并将准确率最高的验证集对应的ResNet-MS网络设定为目标矿石分选模型;
所述对所述训练集进行随机数据增强处理的步骤包括:
通过RGB方式在所述训练集以及所述验证集中读取出具有tif格式的若干初始图片,并将若干所述初始图片均缩放至96x96像素,以生成若干对应的目标图片;
将若干所述目标图片以第一预设概率进行水平翻转,并将若干所述目标图片的亮度、对比度、饱和度以及色调在预设变化阈值内进行随机变换;
将若干所述目标图片以第二预设概率转换成对应的灰度图,并将若干所述目标图片以第三预设概率添加预设幅值的标准高斯噪声;
所述基于多尺度特征融合算法构建出ResNet-MS网络的步骤包括:
获取所述多尺度特征融合算法中的主干网络,并提取出所述主干网络中的多尺度特征,并获取所述主干网络中产生的若干特征图;
逐一识别出每一所述特征图对应的大小尺寸以及通道数,并通过所述多尺度特征融合算法中的通道均衡模块对若干所述特征图的通道数进行均衡处理;
获取每一所述特征图中的若干通道分别对应的权重,并对每一所述权重进行累乘运算,以生成对应的若干加权特征图;
通过所述多尺度特征融合算法中的融合模块对若干所述加权特征图进行融合处理,以构建出所述ResNet-MS网络。
2.根据权利要求1所述的基于多尺度特征融合的矿石分选模型训练方法,其特征在于:所述通过所述多尺度特征融合算法中的通道均衡模块对若干所述特征图的通道数进行均衡处理的步骤包括:
将若干所述特征图输入至ECA通道注意力机制中,以识别出若干所述特征图分别对应的目标通道数,并通过第一预设卷积函数将若干所述特征图对应的目标通道数均转变成第一固定值;
将所述第一固定值输入至PfAAM混合注意力机制中,并通过第二预设卷积函数将所述第一固定值转变为第二固定值,所述第二固定值大于所述第一固定值;
将每一所述特征图转换为对应的特征向量,以完成对若干所述特征图的通道数的均衡处理。
3.根据权利要求2所述的基于多尺度特征融合的矿石分选模型训练方法,其特征在于:所述获取每一所述特征图中的若干通道分别对应的权重,并对每一所述权重进行累乘运算,以生成对应的若干加权特征图的步骤包括:
通过所述特征向量计算出与所述特征图适配的一维卷积核参数,并将所述一维卷积核参数输入至所述一维卷积中,以通过所述一维卷积分别计算出每一所述特征图中的若干通道分别对应的权重;
对若干所述通道分别对应的权重进行归一化处理,并将归一化处理后的权重与对应的特征图逐通道相乘,以生成对应的若干所述加权特征图。
4.根据权利要求1所述的基于多尺度特征融合的矿石分选模型训练方法,其特征在于:所述通过所述多尺度特征融合算法中的融合模块对若干所述加权特征图进行融合处理的步骤包括:
分别提取出每一所述加权特征图分别对应的特征图维度,并获取每一所述加权特征图对应的特征图尺寸;
根据所述特征图维度以及所述特征图尺寸计算出对应的交互矩阵,并对所述交互矩阵进行归一化处理,以生成对应的归一化交互矩阵,以完成对若干所述加权特征图的融合处理。
5.根据权利要求1所述的基于多尺度特征融合的矿石分选模型训练方法,其特征在于:所述方法还包括:
获取与所述目标矿石分选模型对应的目标矿石种类,并建立所述目标矿石种类与所述目标矿石分选模型之间的映射关系;
基于所述映射关系构建出所述目标矿石分选模型的启用规则,所述启用规则具有唯一性。
6.一种基于多尺度特征融合的矿石分选模型训练系统,其特征在于,用于实现如权利要求1-5中任意一项所述的基于多尺度特征融合的矿石分选模型训练方法,所述系统包括:
获取模块,用于获取若干矿石图像数据,并按照预设规则根据若干所述矿石图像数据划分出训练集以及验证集;
增强模块,用于对所述训练集进行随机数据增强处理,并基于多尺度特征融合算法构建出ResNet-MS网络;
初始化模块,用于设置所述ResNet-MS网络的学习率初始值、学习率变化方法以及优化器种类,并将所述训练集和所述验证集分别输入至所述ResNet-MS网络中;
训练模块,用于分别比较每一所述验证集通过所述ResNet-MS网络输出的准确率,并将准确率最高的验证集对应的ResNet-MS网络设定为目标矿石分选模型。
7.一种计算机,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至5中任意一项所述的基于多尺度特征融合的矿石分选模型训练方法。
8.一种可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至5中任意一项所述的基于多尺度特征融合的矿石分选模型训练方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310879685.0A CN116597258B (zh) | 2023-07-18 | 2023-07-18 | 一种基于多尺度特征融合的矿石分选模型训练方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310879685.0A CN116597258B (zh) | 2023-07-18 | 2023-07-18 | 一种基于多尺度特征融合的矿石分选模型训练方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116597258A CN116597258A (zh) | 2023-08-15 |
CN116597258B true CN116597258B (zh) | 2023-09-26 |
Family
ID=87606638
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310879685.0A Active CN116597258B (zh) | 2023-07-18 | 2023-07-18 | 一种基于多尺度特征融合的矿石分选模型训练方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116597258B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021115159A1 (zh) * | 2019-12-09 | 2021-06-17 | 中兴通讯股份有限公司 | 文字识别网络模型训练方法、文字识别方法、装置、终端及其计算机存储介质 |
CN113569795A (zh) * | 2021-08-06 | 2021-10-29 | 中国矿业大学 | 一种基于机器视觉的煤矸石识别方法及系统 |
JP6980958B1 (ja) * | 2021-06-23 | 2021-12-15 | 中国科学院西北生態環境資源研究院 | 深層学習に基づく農村地域分けゴミ識別方法 |
WO2022160771A1 (zh) * | 2021-01-26 | 2022-08-04 | 武汉大学 | 基于自适应多尺度特征提取模型的高光谱图像分类方法 |
CN115880523A (zh) * | 2022-11-17 | 2023-03-31 | 南京邮电大学 | 一种图像分类模型、模型训练方法及其应用 |
CN116416479A (zh) * | 2023-06-06 | 2023-07-11 | 江西理工大学南昌校区 | 基于深度卷积融合多尺度图像特征的矿物分类方法 |
-
2023
- 2023-07-18 CN CN202310879685.0A patent/CN116597258B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021115159A1 (zh) * | 2019-12-09 | 2021-06-17 | 中兴通讯股份有限公司 | 文字识别网络模型训练方法、文字识别方法、装置、终端及其计算机存储介质 |
WO2022160771A1 (zh) * | 2021-01-26 | 2022-08-04 | 武汉大学 | 基于自适应多尺度特征提取模型的高光谱图像分类方法 |
JP6980958B1 (ja) * | 2021-06-23 | 2021-12-15 | 中国科学院西北生態環境資源研究院 | 深層学習に基づく農村地域分けゴミ識別方法 |
CN113569795A (zh) * | 2021-08-06 | 2021-10-29 | 中国矿业大学 | 一种基于机器视觉的煤矸石识别方法及系统 |
CN115880523A (zh) * | 2022-11-17 | 2023-03-31 | 南京邮电大学 | 一种图像分类模型、模型训练方法及其应用 |
CN116416479A (zh) * | 2023-06-06 | 2023-07-11 | 江西理工大学南昌校区 | 基于深度卷积融合多尺度图像特征的矿物分类方法 |
Non-Patent Citations (4)
Title |
---|
一种多尺度内聚颗粒模型的构建方法及数值模拟研究;郭进山;蔡改贫;卢小江;夏刘洋;余世科;;科学技术与工程(08);全文 * |
多尺度特征融合与极限学习机结合的交通标志识别;马永杰;程时升;马芸婷;陈敏;;液晶与显示(06);全文 * |
多尺度特征融合工件目标语义分割;和超;张印辉;何自芬;;中国图象图形学报(03);全文 * |
结合双模多尺度CNN特征及自适应深度 KELM的浮选工况识别;廖一鹏;张进;王志刚;王卫星;;光学精密工程(08);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116597258A (zh) | 2023-08-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108229526B (zh) | 网络训练、图像处理方法、装置、存储介质和电子设备 | |
CN107038416B (zh) | 一种基于二值图像改进型hog特征的行人检测方法 | |
CN108520215B (zh) | 基于多尺度联合特征编码器的单样本人脸识别方法 | |
CN104143081A (zh) | 基于嘴部特征的笑脸识别系统及方法 | |
CN105718889A (zh) | 基于GB(2D)2PCANet深度卷积模型的人脸身份识别方法 | |
CN110706235A (zh) | 一种基于双级级联分割的远红外行人检测方法 | |
CN111160481A (zh) | 基于深度学习的adas目标检测方法及系统 | |
CN113159045A (zh) | 一种结合图像预处理与卷积神经网络的验证码识别方法 | |
AG | Development of portable automatic number plate recognition (ANPR) system on Raspberry Pi | |
CN105354547A (zh) | 一种结合纹理和彩色特征的行人检测方法 | |
CN107886093B (zh) | 一种字符检测方法、系统、设备及计算机存储介质 | |
CN113221814A (zh) | 一种道路交通标志识别方法、设备及存储介质 | |
CN116597258B (zh) | 一种基于多尺度特征融合的矿石分选模型训练方法及系统 | |
CN115393868B (zh) | 文本检测方法、装置、电子设备和存储介质 | |
CN111242216A (zh) | 基于条件生成对抗卷积神经网络的图像生成方法 | |
CN110751150A (zh) | 一种基于fpga的二值神经网络车牌识别方法及系统 | |
CN107423739A (zh) | 图像特征提取方法及装置 | |
CN111539420B (zh) | 基于注意力感知特征的全景图像显著性预测方法及系统 | |
Ran et al. | Adaptive fusion and mask refinement instance segmentation network for high resolution remote sensing images | |
Ou et al. | Qin Seal Script Character Recognition with Fuzzy and Incomplete Information | |
CN113239865A (zh) | 基于深度学习的车道线检测方法 | |
CN113283299A (zh) | 基于cgan网络增强局部放电信号prpd图谱数据的方法 | |
CN115424250A (zh) | 一种车牌识别方法及装置 | |
CN111340137A (zh) | 图像识别方法、装置及存储介质 | |
CN111738255A (zh) | 一种基于深度学习的路牌文本检测与识别算法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |