CN117808808B - 一种矿石粒度检测方法、系统、电子设备及存储介质 - Google Patents
一种矿石粒度检测方法、系统、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117808808B CN117808808B CN202410231338.1A CN202410231338A CN117808808B CN 117808808 B CN117808808 B CN 117808808B CN 202410231338 A CN202410231338 A CN 202410231338A CN 117808808 B CN117808808 B CN 117808808B
- Authority
- CN
- China
- Prior art keywords
- image
- segmentation
- ore
- result
- fusion
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 68
- 238000003860 storage Methods 0.000 title claims abstract description 9
- 230000011218 segmentation Effects 0.000 claims abstract description 230
- 230000004927 fusion Effects 0.000 claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000012545 processing Methods 0.000 claims abstract description 34
- 238000003709 image segmentation Methods 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 16
- 239000013589 supplement Substances 0.000 claims abstract description 10
- 230000000295 complement effect Effects 0.000 claims description 32
- 239000002245 particle Substances 0.000 claims description 22
- 238000010586 diagram Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 11
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 230000000153 supplemental effect Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 5
- 238000003672 processing method Methods 0.000 description 3
- 230000001502 supplementing effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 229910052500 inorganic mineral Inorganic materials 0.000 description 2
- 239000011707 mineral Substances 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- 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
- Image Analysis (AREA)
Abstract
本发明公开了一种矿石粒度检测方法、系统、电子设备及存储介质,属于矿石图像检测技术领域。包括获取待预测矿石图像;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;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;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。能够提高矿石粒度检测的整体性能,解决现有技术中矿石粒度检测准确性和泛化能力不高的问题。
Description
技术领域
本发明涉及矿石图像检测技术领域,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。
背景技术
本部分的陈述仅仅是提到了与本发明相关的背景技术,并不必然构成现有技术。
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。
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。
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。
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。
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。
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,更好地适应多样性和复杂性。但现有的深度学习模型往往针对单一场景,泛化能力较差,有时因结构复杂,对硬件资源和计算能力要求较高,以至于无法满足矿业生产现场使用的需求,限制了其在实际应用中的效果和可行性。
发明内容
为了解决现有技术的不足,本发明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。
第一方面,本发明提供了一种矿石粒度检测方法;
一种矿石粒度检测方法,包括:
获取待预测矿石图像;
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;
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;
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。
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。
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:
对输入特征图进行全局平均池化,获取特征向量;
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;
根据权重信息和输入特征图,获取通道特征。
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:
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;
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。
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:
基于松弛预测阈值,通过矿石分割模型获取第三分割图像;
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;
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;
对预测的背景区域进行阈值分割,获取第二补充分割图像;
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。
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:
基于松弛预测阈值,通过矿石分割模型获取第四分割图像;
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;
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;
对预测的背景区域进行阈值分割,获取第四补充分割图像;
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。
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。
第二方面,本发明提供了一种矿石粒度检测系统;
一种矿石粒度检测系统,包括:
获取模块,被配置为:获取待预测矿石图像;
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;
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;
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。
第三方面,本发明提供了一种电子设备;
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。
第四方面,本发明提供了一种计算机可读存储介质;
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。
与现有技术相比,本发明的有益效果是:
1、本发明提供的技术方案,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。
2、本发明提供的技术方案,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。
3、本发明提供的技术方案,对网络模型重复训练,选取训练效果最好的两次参数进行保存;在进行分割预测时,可通过这两次参数获得两个分割结果,再分别应用所提出的融合补充分割方法进行处理,达到消除参数差异和寻求共同区域的效果。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本发明实施例提供的流程示意图;
图2为本发明实施例提供的网络架构示意图。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本发明使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
实施例一
现有的矿石粒度检测方法泛化能力较差,无法满足在矿业生产现场使用的需求,检测精度低;因此,本发明提供了一种矿石粒度检测方法。
首先,利用标注好的矿石图像数据集对所提出的矿石图像分割模型重复进行训练,并根据训练效果保存两次最好的模型参数;其次,将需要预测的矿石图像输入到训练好的网络模型中,通过两次不同的模型参数可以获得两张分割结果图像;然后,使用融合补充分割方法对获得的两张图像分别进行处理,得到补充细节后的两张结果图像;最后,对所获得的两张补充细节后的矿石分割图像进行逻辑与运算,然后使用形态学开运算对其结果进行处理,可得到优化的矿石图像分割结果,进而可借助OpenCV(Open Computer VisionLibrary,开放计算机视觉库)的轮廓检测功能进行矿石粒度检测。
接下来,结合图1-图2对本实施例公开的一种矿石粒度检测方法进行详细说明。该矿石粒度检测方法,包括:
S1、获取待预测矿石图像。
其中,待预测矿石图像为在实际应用场景中实时采集的矿石图像。
S2、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,在默认预测阈值下,分别获取第一分割结果图像和第二分割结果图像。
矿石图像分割是矿石粒度检测的前置步骤之一,通过图像分割,将矿石图像中的不同颗粒或区域划分出来,形成清晰的分割结果,可以为后续的粒度检测提供基础,使得每个颗粒的边界和形状能够更明显地呈现,便于进行精准的粒度分析。因此,在进行矿石粒度检测时,确保矿石图像分割的准确性是至关重要的,这有助于提高整个粒度检测过程的可靠性和准确性。
本实施例中,为了更好地捕捉矿石图像的特征,提高分割的准确性,同时保持高效的计算性能,将矿石图像分割模型设计为引入高效通道注意力模块的U-Net网络,默认预测阈值设置为0.5。
具体的,矿石图像分割模型包括编码器和解码器,编码器包括输入层、多个依次连接的第一卷积块和下采样层,解码器包括多个依次连接的上采样层、ECA模块、第二卷积块和最后的一个输出层。输入层用于接收单通道的待检测矿石图像作为U-Net网络的输入,第一卷积块由连续的两个3*3卷积层、批归一化层和激活函数ReLU构成,第一卷积块对输入的待检测矿石图像进行卷积操作,获取第一特征图;下采样层用于通过最大池化操作将上一层输出的特征图的尺寸减半。上采样层通过反卷积操作将特征图的尺寸增大一倍,同时通道数减半,得到第二特征图。通过跳跃连接将编码器中对应的第一特征图与解码器的第二特征图进行连接,以帮助信息传递和恢复细节,拼接后的特征图输入ECA模块,经ECA模块进行处理,以增强对重要通道特征的关注能力,获取具有通道注意力的特征图,经第二卷积块处理后,最后一层的输出经过sigmoid激活函数得到最终的分割结果。
示例性的,若采集的矿石图像是长*宽为512*512的彩色图像,首先,将其转换成长*宽*特征通道数为512*512*1的单通道图像并输入网络;然后,经过第一个第一卷积块将其转换成长*宽*特征通道数为512*512*64的特征图;其次,将其通过下采样操作转换成长*宽*特征通道数为256*256*64的特征图,并再经过第二个第一卷积块转换成长*宽*特征通道数为256*256*128大小的特征图。此后,便根据如图2所示的网络结构逐层进行操作,直至最后编码器输出长*宽*特征通道数为512*512*1的特征图作为网络的分割结果。图2中,在每个过程的特征图的上方标注了对应的特征图通道数。
作为一种实施方式,高效通道注意力模块对输入特征图进行处理具体包括:
(1)对输入特征图进行全局平均池化,获取特征向量。
示例性的,ECA模块首先对输入特征图进行全局平均池化,取每个特征通道的平均值来表示不同通道的重要性:
,
其中,X表示输入的特征,g表示全局平均池化,y则表示进行全局平均池化后的结果。
(2)根据输入特征图的通道数,自适应获取卷积核的大小,以确保特征通道之间交互的覆盖范围。
示例性的,实现公式表示为:
,
,
其中,k为卷积核的大小,C表示输入特征图X的特征通道数量,Ψ(C)表示一种映射,通过映射Ψ(C)来自适应地获得卷积核的大小。但应注意的是,k的取值应该为奇数。
(3)对获取的特征向量进行一维卷积操作,使用sigmoid激活函数获取权重信息。
示例性的,卷积核Wk的大小确定后,对y进行一维卷积操作,并使用sigmoid激活函数σ来获得权重信息ω:
,
(4)根据权重信息和输入特征图,获取通道特征。
示例性的,将权重信息应用于输入特征图X,以获得ECA模块的通道特征Y,表示为:
,
综上所述,为了提高U-Net对矿石图像的分割性能,本实施例将ECA模块引入U-Net,提出了ECAU-Net(具有高效通道注意力机制的U型卷积神经网络)。在U-Net的每个跳跃连接完成时,将这些拼接好的特征送入ECA模块,以便于充分融合矿石的浅层特征和深层特征。此外,为了确保网络的初始输入图像和最终输出图像具有相同的大小,ECAU-Net在执行卷积运算时使用填充,使得每次卷积后特征图的大小保持不变,从而避免了拼接时不必要的裁剪等问题。ECAU-Net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。
作为一种实施方式,利用标注好的矿石图像数据集对所提出的ECAU-Net重复进行训练,并根据训练效果保存两次最好的模型参数,应用于待预测矿石图像的处理。
S3、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。
作为一种实施方式,步骤S3具体包括:
S301、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。
在传统的图像分割方法中,基于阈值的图像分割是一种常见的方法。然而,由于它通常依赖于单个阈值,因此很难对目标和背景之间在灰度值方面没有明确界限的图像进行准确分割。
对于像素级的图像语义分割问题,卷积神经网络的输出通常是每个像素的预测概率,并且使用0.5作为分割的预测阈值。显然,当该阈值小于0.5时,更多的像素点将被视为目标;相反,当该阈值大于0.5时,更多的像素点将被视为背景。但在这两种情况下都存在一定的问题,即容易导致过度分割和欠分割。
为了避免单一阈值丢失信息,尽可能完整地准确分割矿石目标,减少不必要的错误分割,本实施例中提出了一种基于双阈值的融合补充分割方法。
具体的,S301具体包括:
S3011、基于松弛预测阈值,通过矿石分割模型获取第三分割图像,此时,矿石分割模型的权重参数与获取第一分割图像时相同;基于松弛预测阈值,通过矿石分割模型获取第四分割图像,此时,矿石分割模型的权重参数与获取第二分割图像时相同。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;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。
接下来,以对第一分割图像的处理为例,对S3011进行进一步说明。
假设X为待预测矿石图像,Y1表示矿石分割模型在默认预测阈值下输出的第一分割图像,Y2是矿石分割模型在松弛预测阈值(即预测阈值变小为0.25)下输出的第三图像,Y1和Y2的逻辑异或运算的结果为第一补充分割结果,表示如下:
,
其中,Sup_Seg1为第一补充分割结果。
事实上,Sup_Seg1就是矿石分割模型预测概率在0.25和0.50之间的松弛预测输出,设置松弛预测阈值是为了让网络模型将更多的像素分割成矿石,但允许错误分割。
S3012、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,获取预测的第一背景区域;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,获取预测的第二背景区域。对预测的第一背景区域进行阈值分割,获取第二补充分割图像;对预测的第二背景区域进行阈值分割,获取第四补充分割图像。
对于矿石图像,目标区域将更亮,这意味着它的灰度值更大;而由于大量间隙和阴影的存在,背景区域会更暗,其灰度值也会更小。
接下来,以对第一分割图像的处理为例,对S3011进行进一步说明。
将第一分割图像Y1进行取反运算后与待预测矿石图像X进行逻辑与运算,得到预测的第一背景区域,用B表示:
,
然而,预测的背景在实际中并不完全是背景。取第一背景区域B的平均灰度值为阈值,并对第一背景区域B进行阈值分割,得到第二补充分割结果,表示为:
,
其中,x、y表示像素的横纵坐标,f(x, y)表示像素灰度值,T表示进行阈值分割。
S3013、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。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。
示例性的,分别对Sup_Seg1和Sup_Seg2与Y1进行逻辑或运算,然后对这两个结果执行逻辑与运算,得到第一融合补充分割结果Y,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。表示为:
。
S302、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。
只通过改进模型来提高对矿石图像的分割性能,往往很难有效解决分割中的粘连和噪声问题。为了便于对分割结果进行粒度检测,需要进行一系列优化操作,确保分割结果清晰、准确,以提高粒度检测的可靠性。
对于同一个网络模型,在各种训练条件完全相同的情况下重复训练两次,得到的这两个训练好的模型性能基本相近但不会完全一致。如果将其用于分割同一张矿石图像,得到的两个预测结果在细节上就会表现出细微差异,尤其是矿石的边缘部分。因此,如果对这两个结果图像进行逻辑与运算,将具有保留共同区域的效果。
S4、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。
示例性的,借助OpenCV中的轮廓检测算法对矿石分割图像进行矿石粒度检测,获取矿石粒度检测结果。
只通过改进模型来提高对矿石图像的分割性能,往往很难有效解决分割中的粘连和噪声问题。为了便于对分割结果进行粒度检测,需要进行一系列优化操作,确保分割结果清晰、准确,以提高粒度检测的可靠性。
对于同一个网络模型,在各种训练条件完全相同的情况下重复训练两次,得到的这两个训练好的模型性能基本相近但不会完全一致。如果将其用于分割同一张矿石图像,得到的两个预测结果在细节上就会表现出细微差异,尤其是矿石的边缘部分。因此,如果对这两个结果图像进行逻辑与运算,将具有保留共同区域的效果。
鉴于上述因素,本实施例中对网络模型重复训练,选取训练效果最好的两次参数进行保存。在进行分割预测时,可通过这两次参数获得两个分割结果,再应用所提出的融合补充分割方法进行处理,可得到两个补充细节后的结果,然后对这两个进行逻辑与运算,可以确保最终结果能够在不同参数的共同识别的基础上消除它们各有的粘连和噪声问题。最后,可以再应用形态学操作中的开运算,平滑结合后的矿石的边界,并进一步减少噪声,使得分割区域更加连续和清晰。
实施例二
本实施例公开了一种矿石粒度检测系统,包括:
获取模块,被配置为:获取待预测矿石图像;
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;
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;
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。
此处需要说明的是,上述获取模块、分割模块、融合补充分割模块和矿石粒度检测模块对应于实施例一中的步骤,上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例一所公开的内容。需要说明的是,上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
实施例三
本发明实施例三提供一种电子设备,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,计算机指令被处理器运行时,完成上述矿石粒度检测方法的步骤。
实施例四
本发明实施例四提供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,完成上述矿石粒度检测方法的步骤。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
上述实施例中对各个实施例的描述各有侧重,某个实施例中没有详述的部分可以参见其他实施例的相关描述。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种矿石粒度检测方法,其特征在于,包括:
获取待预测矿石图像;
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;
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;
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;
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:
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;
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;
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:
基于松弛预测阈值,通过矿石分割模型获取第三分割图像;
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;
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;
对预测的背景区域进行阈值分割,获取第二补充分割图像;
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;
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:
基于松弛预测阈值,通过矿石分割模型获取第四分割图像;
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;
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;
对预测的背景区域进行阈值分割,获取第四补充分割图像;
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;
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。
2.如权利要求1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:
对输入特征图进行全局平均池化,获取特征向量;
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;
根据权重信息和输入特征图,获取通道特征。
3.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。
4.一种矿石粒度检测系统,其特征在于,包括:
获取模块,被配置为:获取待预测矿石图像;
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;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;
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;
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:
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;
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;
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:
基于松弛预测阈值,通过矿石分割模型获取第三分割图像;
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;
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;
对预测的背景区域进行阈值分割,获取第二补充分割图像;
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;
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:
基于松弛预测阈值,通过矿石分割模型获取第四分割图像;
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;
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;
对预测的背景区域进行阈值分割,获取第四补充分割图像;
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;
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。
5.一种电子设备,其特征在于,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,完成权利要求1-3任一项所述的矿石粒度检测方法。
6.一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1-3任一项所述的矿石粒度检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410231338.1A CN117808808B (zh) | 2024-03-01 | 2024-03-01 | 一种矿石粒度检测方法、系统、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410231338.1A CN117808808B (zh) | 2024-03-01 | 2024-03-01 | 一种矿石粒度检测方法、系统、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117808808A CN117808808A (zh) | 2024-04-02 |
CN117808808B true CN117808808B (zh) | 2024-05-14 |
Family
ID=90425908
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410231338.1A Active CN117808808B (zh) | 2024-03-01 | 2024-03-01 | 一种矿石粒度检测方法、系统、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117808808B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111047555A (zh) * | 2019-11-13 | 2020-04-21 | 鞍钢集团矿业有限公司 | 基于图像处理技术的矿石图像粒度检测算法 |
WO2022037274A1 (zh) * | 2020-08-21 | 2022-02-24 | 意领科技有限公司 | 利用超声成像提供视觉反馈的肌肉训练方法及系统 |
CN115546127A (zh) * | 2022-09-21 | 2022-12-30 | 厦门大学 | 一种发动机滑油磨粒图像分析方法及装置、介质、设备 |
CN116524356A (zh) * | 2023-04-11 | 2023-08-01 | 湖北工业大学 | 一种矿石图像小样本目标检测方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110706267B (zh) * | 2019-09-04 | 2022-11-15 | 五邑大学 | 一种基于采矿过程的矿石三维坐标获取方法及其装置 |
-
2024
- 2024-03-01 CN CN202410231338.1A patent/CN117808808B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111047555A (zh) * | 2019-11-13 | 2020-04-21 | 鞍钢集团矿业有限公司 | 基于图像处理技术的矿石图像粒度检测算法 |
WO2022037274A1 (zh) * | 2020-08-21 | 2022-02-24 | 意领科技有限公司 | 利用超声成像提供视觉反馈的肌肉训练方法及系统 |
CN115546127A (zh) * | 2022-09-21 | 2022-12-30 | 厦门大学 | 一种发动机滑油磨粒图像分析方法及装置、介质、设备 |
CN116524356A (zh) * | 2023-04-11 | 2023-08-01 | 湖北工业大学 | 一种矿石图像小样本目标检测方法及系统 |
Non-Patent Citations (2)
Title |
---|
基于深度学习U-Net模型的石块图像分割算法;徐江川;金国强;朱天奕;余芬芬;郭杰;金一;竺长安;;工业控制计算机;20180425(04);全文 * |
蔡改贫 ; 刘占 ; 汪龙 ; 张丹荣 ; .基于形态学优化处理的标记符分水岭矿石图像分割.科学技术与工程.2020,(23),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN117808808A (zh) | 2024-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111028217A (zh) | 一种基于全卷积神经网络的图像裂缝分割方法 | |
CN109753878B (zh) | 一种恶劣天气下的成像识别方法及系统 | |
CN111696110B (zh) | 场景分割方法及系统 | |
CN111369550A (zh) | 图像配准与缺陷检测方法、模型、训练方法、装置及设备 | |
CN108960412B (zh) | 图像识别方法、装置及计算机可读存储介质 | |
CN109886159B (zh) | 一种非限定条件下的人脸检测方法 | |
CN109409376B (zh) | 针对固废对象的图像分割方法、计算机终端及存储介质 | |
WO2022194079A1 (zh) | 天空区域分割方法、装置、计算机设备和存储介质 | |
CN112329782A (zh) | 一种原料粒度确定方法、系统、终端及介质 | |
CN111696079A (zh) | 一种基于多任务学习的表面缺陷检测方法 | |
CN107871315B (zh) | 一种视频图像运动检测方法和装置 | |
CN113487610A (zh) | 疱疹图像识别方法、装置、计算机设备和存储介质 | |
CN113763424A (zh) | 基于嵌入式平台的实时智能目标检测方法及系统 | |
CN109558877B (zh) | 基于kcf的海上目标跟踪算法 | |
CN113158860B (zh) | 基于深度学习多维度输出人脸质量评估方法与电子设备 | |
CN113326734A (zh) | 一种基于YOLOv5的旋转目标检测方法 | |
CN117808808B (zh) | 一种矿石粒度检测方法、系统、电子设备及存储介质 | |
CN109800793B (zh) | 一种基于深度学习的目标检测方法和系统 | |
CN110889858A (zh) | 一种基于点回归的汽车部件分割方法及装置 | |
CN111178200A (zh) | 一种仪表盘指示灯的识别方法及计算设备 | |
CN110751150A (zh) | 一种基于fpga的二值神经网络车牌识别方法及系统 | |
Singh et al. | Weakly supervised image dehazing using generative adversarial networks | |
CN114627139A (zh) | 基于像素特征学习的无监督图像分割方法、装置及设备 | |
CN109325441B (zh) | 一种输电线路绝缘子对象识别方法 | |
CN117854028B (zh) | 一种自动驾驶多任务场景分析方法及系统 |
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 |