【技術實現步驟摘要】
本專利技術涉及機器視覺，特別是指一種基于礦石圖像特征的品位等級智能分類方法。
技術介紹
1、在礦業生產中，選礦階段作為礦物開采加工源頭之一，其分選精度和生產效率與礦石的品位信息有著緊密的聯系，且分選的好壞直接影響到最終產品的品質和市場競爭力，通過優化分選工藝，及時檢測獲取礦石的品位信息并進行等級分類，可以為后續生產提供指導，獲得更適合不同特定應用需求的礦物產品，從而滿足不同行業的需要。其中品位是指礦石中關鍵物質所占的比例，以石墨礦的碳品位為例，就是其中碳含量的比例。目前傳統的品位檢測方法主要是通過化工實驗或物理性儀器進行檢測，采用此方法，技術人員需要每日定期進行大量采樣化驗，其優點在于分析結果精確、有效，但是這種技術面臨兩個顯著缺點：1）隨機性大：當前采礦車間通過人工采樣來進行品位測定，采樣具有較大的隨機性，且受到人為參與因素的影響較大；2）時效性低：整個“采樣—制樣—化驗”分析鏈條較長，通常存在數個小時的延遲。化驗結果出來后，該檢驗批次礦石與后續多個班次礦石混合，難以及時把握出礦的平均品位。這導致后續可能難以有效指導采礦場上的出礦流程，難以有效指導生產計劃。
2、隨著計算機視覺及深度學習技術的飛躍式發展，采用深度學習技術直接應用到礦石圖像上進行品位等級的分類已經成為可能，高效的卷積神經網絡通過不同大小的卷積核的連續卷積，每一個卷積都是在上一個卷積的基礎上進行的運算，從而逐步提取礦石上的各種特征，通過這些特征結合對應的品位信息實現品位等級的綜合分類。這種方法的高效體現在其分類的實時性和準確性，實現對出礦品位信息的快速
3、綜上所述，現有的基于深度學習的礦石品位等級分類方法存在容易產生過擬合，從而難以保證礦石品位分級的可靠性，以及可能遺漏某些重要的分級特征，導致提取的特征不夠全面、充分，影響分級準確率的問題。對此，如何利用較少的層數在較少樣本數據上取得較好的效果，是探究提升模型表現的一個重要方向。因此，為了實現基于深度學習的礦石品位等級分類方法快速、精確的可靠特性，在幾種礦石圖像樣本有限的情況下，從技術手段上抑制模型的過擬合傾向，引導模型尋找泛化性更好的特征并且不遺漏任何有用的分級特征，從而保證識別準確率和在不同礦石上的通用性是一項亟需解決的技術問題。
技術實現思路
1、本專利技術提供了一種基于礦石圖像特征的品位等級智能分類方法，以解決現有的基于深度學習的礦石品位等級分類方法存在容易產生過擬合，從而難以保證礦石品位分級的可靠性，以及可能遺漏某些重要的分級特征，導致提取的特征不夠全面、充分，影響分級準確率的技術問題。
2、為解決上述技術問題，本專利技術提供了如下技術方案：
3、一方面，本專利技術提供了一種基于礦石圖像特征的品位等級智能分類方法，所述基于礦石圖像特征的品位等級智能分類方法包括：
4、構建礦石圖像數據集，將所述礦石圖像數據集劃分為訓練集、驗證集和測試集，并對訓練集、驗證集和測試集中的礦石圖像數據分別進行預處理操作；
5、構建一個多分支結構的殘差神經網絡模型，作為礦石品位等級檢測模型；
6、基于所述礦石圖像數據集對所述礦石品位等級檢測模型進行訓練；
7、利用訓練好的礦石品位等級檢測模型對待測礦石的品位等級進行檢測。
8、進一步地，構建礦石圖像數據集，將所述礦石圖像數據集劃分為訓練集、驗證集和測試集，包括：
9、在礦山中采樣隨機分布的礦石，拍攝礦石的圖像，并測定其品位等級，構建數量充足、等級分布均勻以及標注品位等級標簽的礦石圖像數據集；
10、將所述礦石圖像數據集按照6：2：2的比例劃分為訓練集、驗證集和測試集三個子集，確保每個子集中不存在其他子集的圖像數據，并使用圖像哈希技術比較各子集中的圖像數據，二次檢驗各子集中是否存在相同的圖像數據，避免數據污染。
11、進一步地，對訓練集、驗證集和測試集中的礦石圖像數據分別進行預處理操作，包括：
12、對訓練集中的礦石圖像數據進行隨機的尺寸縮放并裁剪，并對其中的礦石圖像數據按80%的概率進行隨機亮度或對比度變換以及隨機水平翻轉；
13、對驗證集和測試集中的礦石圖像數據僅作尺寸縮放和中心裁剪處理。
14、進一步地，所述礦石品位等級檢測模型包括依次連接的主干塊、5個ir_a-mbconv-block塊、第一降采樣塊、10個ir_b-block塊、第二降采樣塊、5個ir_c-block塊、1×1卷積塊、全局平均池化層和全連接層。
15、進一步地，主干塊包括依次連接的三個3×3convbnact塊、一個步長為2的maxpool層、一個1×1卷積塊、一個步長為2的3×3maxpool層和多個分支，其中，所述主干塊中的分支一為一個1×1卷積塊，分支二包含依次連接的一個1×1卷積塊和一個5×5卷積塊，分支三包含依次連接的一個1×1卷積塊和兩個mbconv塊，分支四包含依次連接的一個步長為1、填充為1的3×3avgpool層和一個1×1卷積塊，各分支輸出的特征數據最后根據通道維度進行特征拼接。
16、進一步地，所述ir_a-mbconv-block塊、所述ir_b-block塊和所述ir_c-block塊均為多分支殘差結構，分別包含一個保持原始輸出的主干和若干個分支；其中，
17、ir_a-mbconv-block塊中的分支一為一個1×1卷積塊，分支二包含依次連接的一個1×1卷積塊和一個mbconv塊，分支三包含依次連接的一個1×1卷積塊和兩個mbconv塊，分支四包含依次連接的一個步長為1、填充為1的3×3平均池化層和一個1×1卷積塊，各分支輸出的特征數據本文檔來自技高網...
【技術保護點】
1.一種基于礦石圖像特征的品位等級智能分類方法，其特征在于，包括：
2.如權利要求1所述的基于礦石圖像特征的品位等級智能分類方法，其特征在于，構建礦石圖像數據集，將所述礦石圖像數據集劃分為訓練集、驗證集和測試集，包括：
3.如權利要求1所述的基于礦石圖像特征的品位等級智能分類方法，其特征在于，對訓練集、驗證集和測試集中的礦石圖像數據分別進行預處理操作，包括：
4.如權利要求1所述的基于礦石圖像特征的品位等級智能分類方法，其特征在于，所述礦石品位等級檢測模型包括依次連接的主干塊、5個IR_A-MBConv-block塊、第一降采樣塊、10個IR_B-block塊、第二降采樣塊、5個IR_C-block塊、1×1卷積塊、全局平均池化層和全連接層。
5.如權利要求4所述的基于礦石圖像特征的品位等級智能分類方法，其特征在于，所述主干塊包括依次連接的三個3×3ConvBNAct塊、一個步長為2的MaxPool層、一個1×1卷積塊、一個步長為2的3×3MaxPool層和多個分支，其中，所述主干塊中的分支一為一個1×1卷積塊，分支二包含依次連接的
6.如權利要求4所述的基于礦石圖像特征的品位等級智能分類方法，其特征在于，所述IR_A-MBConv-block塊、所述IR_B-block塊和所述IR_C-block塊均為多分支殘差結構，分別包含一個保持原始輸出的主干和若干個分支；其中，
7.如權利要求4所述的基于礦石圖像特征的品位等級智能分類方法，其特征在于，所述第一降采樣塊和所述第二降采樣塊均為多分支結構；其中，
8.如權利要求7所述的基于礦石圖像特征的品位等級智能分類方法，其特征在于，卷積塊包含依次連接的一個卷積層、一個BN標準化層和激活函數；
9.如權利要求4所述的基于礦石圖像特征的品位等級智能分類方法，其特征在于，基于所述礦石圖像數據集對所述礦石品位等級檢測模型進行訓練，包括：
10.如權利要求9所述的基于礦石圖像特征的品位等級智能分類方法，其特征在于，所述ECA注意力機制模塊添加在IR_C-block和1×1卷積塊之間。
...【技術特征摘要】
1.一種基于礦石圖像特征的品位等級智能分類方法，其特征在于，包括：
2.如權利要求1所述的基于礦石圖像特征的品位等級智能分類方法，其特征在于，構建礦石圖像數據集，將所述礦石圖像數據集劃分為訓練集、驗證集和測試集，包括：
3.如權利要求1所述的基于礦石圖像特征的品位等級智能分類方法，其特征在于，對訓練集、驗證集和測試集中的礦石圖像數據分別進行預處理操作，包括：
4.如權利要求1所述的基于礦石圖像特征的品位等級智能分類方法，其特征在于，所述礦石品位等級檢測模型包括依次連接的主干塊、5個ir_a-mbconv-block塊、第一降采樣塊、10個ir_b-block塊、第二降采樣塊、5個ir_c-block塊、1×1卷積塊、全局平均池化層和全連接層。
5.如權利要求4所述的基于礦石圖像特征的品位等級智能分類方法，其特征在于，所述主干塊包括依次連接的三個3×3convbnact塊、一個步長為2的maxpool層、一個1×1卷積塊、一個步長為2的3×3maxpool層和多個分支，其中，所述主干塊中的分支一為一個1×1卷積塊，分支二包含依次連接的一個1×1卷積塊和一個5×5卷積塊，分支三包含依...
【專利技術屬性】
技術研發人員：潘人杰，黃學雨，魏炳輝，
申請(專利權)人：宜春江理鋰電新能源產業研究院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。