[go: up one dir, main page]

CN117409009A - 一种基于UNet的干式磁选颗粒实时分选方法 - Google Patents

一种基于UNet的干式磁选颗粒实时分选方法 Download PDF

Info

Publication number
CN117409009A
CN117409009A CN202311723374.1A CN202311723374A CN117409009A CN 117409009 A CN117409009 A CN 117409009A CN 202311723374 A CN202311723374 A CN 202311723374A CN 117409009 A CN117409009 A CN 117409009A
Authority
CN
China
Prior art keywords
unet
training
model
magnetic separation
particle
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.)
Pending
Application number
CN202311723374.1A
Other languages
English (en)
Inventor
廖乾
黄勇
肖晶峰
刘洋
张胜广
刘石梅
曾尚林
刘恒发
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changsha Research Institute of Mining and Metallurgy Co Ltd
Original Assignee
Changsha Research Institute of Mining and Metallurgy Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Changsha Research Institute of Mining and Metallurgy Co Ltd filed Critical Changsha Research Institute of Mining and Metallurgy Co Ltd
Priority to CN202311723374.1A priority Critical patent/CN117409009A/zh
Publication of CN117409009A publication Critical patent/CN117409009A/zh
Priority to CN202410858849.6A priority patent/CN118761979A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30241—Trajectory

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于UNet的干式磁选颗粒实时分选方法，包括：S1、采集颗粒轨迹图像和环境背景图像；标记磁选轨迹，得到带标记的磁选过程图像数据集作为初始数据集；将初始数据集分为训练集和验证集；S2、将训练集进行数据增强处理和数据预处理，得到预处理数据增强训练集；S3、将预处理数据增强训练集输入基于UNet语义分割网络结构的模型以训练模型；S4、反复迭代运行S3，当训练数达到最大迭代次数时结束训练，使用验证集对模型进行准确率验证，保存训练集在迭代中准确率最高的模型作为最优磁选识别模型；S5、将最优磁选识别模型用于颗粒轨迹识别，识别颗粒轨迹，根据颗粒轨迹调节干式磁选机的分矿板，实现颗粒分选。

Description

一种基于UNet的干式磁选颗粒实时分选方法
技术领域
本发明涉及智能冶金工程技术领域，尤其涉及一种基于UNet的干式磁选颗粒实时分选方法。
背景技术
随着现代冶金工程技术的持续发展，干式磁选技术的应用越来越广泛；例如国家在对于铁和锰等重要金属资源的综合回收中，常常使用到干式磁选技术进行分选。在干式磁选工程中，对于分矿板实时准确的控制为重要，而分矿板的调节又与干式磁选机颗粒轨迹的识别息息相关。
目前，在干式磁选机的颗粒轨迹识别和分矿板控制方面，主要依靠人工目测的方式进行操作和调整；但是人工目测的方法需要考虑到相关工作人员的个人情况，准确性容易受到人的主观因素和疲劳程度的影响，导致出现误判和调整不准确的情况；人工目测法非常依赖于经验和相关工作人员的技能水平，缺乏统一的标准和准确的定量分析。此外，由于人工目测法需要工作人员值守，导致整体的效率较为低下，难以满足干式磁选机分选的实时要求，且对于消耗人力资源来说也是较大的消耗。
发明内容
本发明提供了一种基于UNet的干式磁选颗粒实时分选方法，用以解决传统的干式磁选机的颗粒轨迹识别和分矿板控制工作中，主要采用人工目测法进行操作和调整，导致系统工作时受限于人工引起的误差大、效率低以及消耗人力过多等因素的技术问题。
为实现上述目的，本发明提供了一种基于UNet的干式磁选颗粒实时分选方法，包括以下步骤：
S1、采集干式磁选机的颗粒轨迹图像和环境背景图像；将图像中的磁选轨迹进行标记，得到带标记的磁选过程图像数据集，作为初始数据集；将初始数据集根据预设比列分为训练集和验证集。
S2、将训练集中的单样本图片进行数据增强处理，将经过数据增强处理后的训练集进行数据预处理，得到预处理数据增强训练集。
S3、将预处理数据增强训练集输入基于UNet语义分割网络结构的模型，进行一次前向传播和一次后向传播，深度学习训练模型。
S4、反复迭代运行S3训练模型，当训练数达到最大迭代次数时，结束训练，使用验证集对反复迭代的模型进行准确率验证，保存训练集在迭代中准确率最高的模型作为最优磁选识别模型。
S5、将最优磁选识别模型用于实际的颗粒轨迹识别中，对实时采集的干式磁选机图像进行语义分割，实时识别颗粒轨迹，并根据颗粒轨迹自适应调节干式磁选机的分矿板，实现颗粒分选。
优选的，在S3中训练模型具体包括：
将预处理数据增强训练集输入基于UNet语义分割网络结构的模型，模型输出预测语义分割值。
使用自定义损失函数，计算预测语义分割值与真实值之间的损失误差，真实值为人为设定；使用AdamW算法持续修正网络参数来减小损失函数；并通过余弦退火学习率自适应周期更新调整学习率。
优选的，在S1中，干式磁选机的颗粒轨迹图像和环境背景图像具体包括：不同类型、大小、工况、屏频率、磁性强弱的颗粒轨迹图像及对应的环境背景图像；环境背景图像包含环境光照和背景颜色数据。
优选的，方法还包括搭建基于UNet语义分割网络结构的模型，包括以下步骤：
初始化网络参数：初始化基于UNet语义分割网络结构的模型的权重和偏置。
定义损失函数：自定义损失函数作为训练的损失函数。
定义优化器：使用AdamW算法作为优化器，用于根据损失函数的梯度来持续修正网络权重参数。
定义学习率调整策略：使用余弦退火调整学习率，通过设置初始学习率和周期数来控制学习率的变化。
定义学习率衰减函数：使用余弦函数来调整学习率，在每个周期内，学习率按照余弦函数的形式逐渐减小。
定义周期：根据训练数据集的大小和批次大小，确定训练的总周期数。
得到基于UNet语义分割网络结构的模型。
优选的，在定义损失函数时，采用均方根误差函数与交叉信息熵函数之和作为损失函数：
；
的表达式为：
；
其中，RMSE是均方根误差函数，是样本的标记，/>是激活函数后的输出，/>是特征的维度序号，/>是特征的维度总数。
的表达式为：
；
其中，是交叉信息熵函数，/>是类别维度，/>是预测输出，/>是实际输入。
优选的，在S2中，数据增强处理包括：随机裁剪、旋转、缩放、水平翻转、垂直翻转、亮度、对比度、颜色随机调整和多样本的CutMix混合。
优选的，在使用多样本的CutMix混合进行数据增强处理时：
和/>是两个不同的训练样本，/>和/>是对应的标记值，CutMix需要生成的是新的训练样本和对应标记/>和/>：
；
其中，为丢弃掉部分区域和进行填充的二进制掩码，/>是逐像素相乘，/>属于Beta分布：/>的均匀分布。
优选的，UNet语义分割网络中，网络的深度、通道数和每层的卷积核大小参数根据实际问题和数据集进行调整和优化。
本发明具有以下有益效果：
本发明的基于UNet的干式磁选颗粒实时分选方法，基于UNet语义分割网络构建了模型，并通过反复迭代训练模型，选取准确率最高的模型实际使用，使得本发明的模型能够精准的进行语义分割，进而提供精准的干式磁选机颗粒轨迹分割结果；UNet网络结构具有编码器-解码器的架构，能够通过多层卷积和池化操作进行特征提取和上采样，使得本方案能够实现干式磁选机中像素级别的颗粒轨迹分割，能够精确地识别出各个颗粒的轨迹，并提供详细的分割结果；通过使用本方案的方法，能够消除人为因素的干扰，提供精确的颗粒轨迹分割结果，且本方法具备实时性的特点，能够满足高速干式磁选机的实时要求，提高了工作的效率；此外本方法自动化程度高，不再依赖人工的经验和技能，为实现自动的分矿板位置调整和控制奠定基础。
除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照附图，对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的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。在附图中：
图1是本发明优选实施例的方法流程图。
图2是本发明优选实施例的颗粒轨迹图像。
具体实施方式
以下结合附图对本发明的实施例进行详细说明，但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
参见图1，本发明优选实施例中，提供了一种基于UNet的干式磁选颗粒实时分选方法，包括以下步骤：
S1、采集干式磁选机的颗粒轨迹图像和环境背景图像；将图像中的磁选轨迹进行标记，得到带标记的磁选过程图像数据集，作为初始数据集；将初始数据集根据预设比列分为训练集和验证集。
在S1中，干式磁选机的颗粒轨迹图像和环境背景图像具体包括：不同类型、大小、工况、屏频率、磁性强弱的颗粒轨迹图像及对应的环境背景图像，环境背景图像包含环境光照和背景颜色数据。本发明优选实施例中，颗粒轨迹图像参见图2。
本发明优选实施例中，通过工业相机采集干式磁选机的颗粒轨迹图像和环境背景图像。
S2、将训练集中的单样本图片进行数据增强处理，将经过数据增强处理后的训练集进行数据预处理，得到预处理数据增强训练集。
在S2中，数据增强处理包括：随机裁剪、旋转、缩放、水平翻转、垂直翻转、亮度、对比度、颜色随机调整和多样本的CutMix混合。
CutMix是一种数据增强方法，可以增强模型对于图像位置和内容的鲁棒性。
本发明优选实施例中，对图片随机裁剪比例为30%；旋转角度范围-60~60；亮度、对比度为50%~150%；作为训练图像数据集数据增强，扩充数据的多样性。
本发明优选实施例中，对图像数据统一缩放至大小作为模型的输入，并对图像进行数据归一化操作，图片的像素点/>的值使像素值分布在[-1,1]区间内。
在使用多样本的CutMix混合进行数据增强处理时：
和/>是两个不同的训练样本，/>和/>是对应的标记值，CutMix需要生成的是新的训练样本和对应标记/>和/>：
；
其中，为丢弃掉部分区域和进行填充的二进制掩码，/>是逐像素相乘，/>属于Beta分布：/>的均匀分布。
本发明优选实施例中，还包括搭建基于UNet语义分割网络结构的模型：
初始化网络参数：初始化基于UNet语义分割网络结构的模型的权重和偏置。
定义损失函数：选取合适的损失函数作为训练的损失函数。
在定义所以损失函数时，采用均方根误差函数与交叉信息熵函数之和作为损失函数：
；
的表达式为：
；
其中，RMSE是均方根误差函数，是样本的标记，/>是激活函数后的输出，/>是特征的维度序号，/>是特征的维度总数。
的表达式为：
；
其中，是交叉信息熵函数，/>是类别维度，/>是预测输出，/>是实际输入。
定义优化器：使用AdamW算法作为优化器，用于根据损失函数的梯度来持续修正网络权重参数。
定义学习率调整策略：使用余弦退火调整学习率，通过设置初始学习率和周期数来控制学习率的变化。
定义学习率衰减函数：使用余弦函数来调整学习率，在每个周期内，学习率按照余弦函数的形式逐渐减小。
定义周期：根据训练数据集的大小和批次大小，确定训练的总周期数。
本发明优选实施例中，UNet语义分割网络中的需要构建的编码器部分内容包括：
用于接收原始图像输入的输入层。
用于提取图像特征卷积层，卷积层可以使用不同的卷积核大小和数量。
激活函数，引入非线性，通常在卷积层后面添加激活函数，例如ReLU。
池化层：通过最大池化或平均池化操作进行采样，减小特征图的尺寸。
本发明优选实施例中，UNet语义分割网络中的需要构建的解码器部分内容包括：
上采样层：通过上采样层操作将编码器的特征尺寸图逐步增加，可以使用反卷积或转置卷积操作进行上采样。
跳跃连接：将对应尺寸的编码器特征图与解码器特征图进行融合，以保留更多的空间细节信息。
卷积层：使用卷积操作进一步处理特征图。
激活函数：为了引入非线性，通常在卷积层后面添加激活函数，例如ReLU。
本发明优选实施例中，UNet语义分割网络中的需要构建的输出层部分内容包括：
最后一层卷积层：将解码器输出的特征图通过一个最后的卷积层，将通道数设置为所需的分类数（例如，对每个像素进行二分类，通道数为1）。
激活函数：根据任务需求，可以使用适当的激活函数，如Sigmoid（二分类）或Softmax（多分类）。
UNet语义分割网络中，网络的深度、通道数和每层的卷积核大小参数能够根据实际问题和数据集进行调整和优化。
本发明优选实施例中，根据训练情况，运行硬件情况，可以对unet深度和卷积核大小进行适度选择，如运行对运行速度要求快，硬件受限的情况下，可以减少网络的深度，已经部分大核运算。
本发明优选实施例中，在构建完UNet网络后，接下来对该网络进行训练，使用有标签的颗粒轨迹图像作为训练数据，通过反向传播和优化算法进行网络参数的更新，以提高分割准确性。
S3、将预处理数据增强训练集输入基于UNet语义分割网络结构的模型，进行一次前向传播和一次后向传播，深度学习训练模型。
训练模型具体包括：将预处理数据增强训练集输入基于UNet语义分割网络结构的模型，输出预测语义分割值。
使用自定义损失函数，计算预测语义分割值与真实值之间的损失误差，真实值为人为设定；使用AdamW算法持续修正网络参数来减小损失函数；并通过余弦退火学习率自适应周期更新调整学习率。
本发明优选实施例中，通过使用自定义损失函数和AdamW优化算法进行后向传播，同时结合余弦退火学习率调整方法，可以在训练过程中不断修正网络参数，并使损失函数逐渐减小。这样可以提高模型的训练稳定性和收敛速度，并克服局部收敛问题，进一步提升干式磁选机粒子轨迹识别系统的准确性和性能。
S4、反复迭代运行S3训练模型，当训练数达到最大迭代次数时，结束训练，使用验证集对反复迭代的模型进行准确率验证，保存训练集在迭代中准确率最高的模型作为最优磁选识别模型。
本发明优选实施例中，可以通过以下方法来计算准确率：
方法一：像素准确率（pixel accuracy, PA）：这是最简单的一种方法，它就是将预测正确的像素个数除以总的像素个数。用公式表示为：
；
其中，表示类别总数，/>表示真实类别为/>的像素被预测为类别/>的个数，/>表示真实类别和预测类别都为/>的像素个数。
方法二：平均像素准确率（mean pixel accuracy, MPA）：这是对PA的改进，它是先对每个类别计算PA，然后再对所有类别的PA求平均。用公式表示为：
；
方法三：平均交并比（mean intersection over union, MIoU）：这是语义分割中最常用和最标准的准确率度量方法。它是先对每个类别计算交并比（intersection overunion, IoU），然后再对所有类别的IoU求平均。用公式表示为：
；
其中，IoU表示真实类别和预测类别之间的重叠区域和并集区域之比，也就是两个集合相交与相并之比。
本发明优选实施例中，经计算，模型能够达到95.36%的语义切分像素准确率，95.13%的平均像素准确率，93.51%平均交并比。
S5、将最优磁选识别模型用于实际的颗粒轨迹识别中，对实时采集的干式磁选机图像进行语义分割，实时识别颗粒轨迹，并根据颗粒轨迹自适应调节干式磁选机的分矿板，实现颗粒分选。
本发明优选实施例中，在嵌入式开发板上部署训练好的网络模型，对实时采集的干式磁选机图像进行语义分割，实现颗粒轨迹的实时识别。
综上可知，本发明优选实施例的基于UNet的干式磁选颗粒实时分选方法，基于UNet语义分割网络构建了模型，并通过反复迭代训练模型，选取准确率最高的模型实际使用，使得本发明的模型能够精准的进行语义分割，进而提供精准的干式磁选机颗粒轨迹分割结果；UNet网络结构具有编码器-解码器的架构，能够通过多层卷积和池化操作进行特征提取和上采样，使得本方案能够实现干式磁选机中像素级别的颗粒轨迹分割，能够精确地识别出各个颗粒的轨迹，并提供详细的分割结果；通过使用本方案的方法，能够消除人为因素的干扰，提供精确的颗粒轨迹分割结果，且本方法具备实时性的特点，能够满足高速干式磁选机的实时要求，提高了工作的效率；此外本方法自动化程度高，不再依赖人工的经验和技能，为实现自动的分矿板位置调整和控制奠定基础。
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 (8)

1.一种基于UNet的干式磁选颗粒实时分选方法，其特征在于，包括以下步骤：
S1、采集干式磁选机的颗粒轨迹图像和环境背景图像；将图像中的磁选轨迹进行标记，得到带标记的磁选过程图像数据集，作为初始数据集；将所述初始数据集根据预设比列分为训练集和验证集；
S2、将所述训练集中的单样本图片进行数据增强处理，将经过数据增强处理后的训练集进行数据预处理，得到预处理数据增强训练集；
S3、将所述预处理数据增强训练集输入基于UNet语义分割网络结构的模型，深度学习训练模型；
S4、反复迭代运行S3训练模型，当训练数达到最大迭代次数时，结束训练，使用所述验证集对反复迭代的模型进行准确率验证，保存训练集在迭代中准确率最高的模型作为最优磁选识别模型；
S5、将所述最优磁选识别模型用于实际的颗粒轨迹识别中，对实时采集的干式磁选机图像进行语义分割，实时识别颗粒轨迹，并根据所述颗粒轨迹自适应调节干式磁选机的分矿板，实现颗粒分选。
2.根据权利要求1所述的基于UNet的干式磁选颗粒实时分选方法，其特征在于，在S3中训练模型具体包括：
将所述预处理数据增强训练集输入所述基于UNet语义分割网络结构的模型，模型输出预测语义分割值；
使用自定义损失函数，计算所述预测语义分割值与真实值之间的损失误差；使用AdamW算法持续修正网络参数来减小损失函数；并通过余弦退火学习率自适应周期更新调整学习率。
3.根据权利要求2所述的基于UNet的干式磁选颗粒实时分选方法，其特征在于，在S1中，所述干式磁选机的颗粒轨迹图像和环境背景图像具体包括：不同类型、大小、工况、屏频率、磁性强弱的颗粒轨迹图像及对应的环境背景图像；所述环境背景图像包含环境光照和背景颜色数据。
4.根据权利要求3所述的基于UNet的干式磁选颗粒实时分选方法，其特征在于，所述方法还包括搭建所述基于UNet语义分割网络结构的模型，包括以下步骤：
初始化网络参数：初始化所述基于UNet语义分割网络结构的模型的权重和偏置；
定义损失函数：自定义损失函数作为训练的损失函数；
定义优化器：使用AdamW算法作为优化器，用于根据损失函数的梯度来持续修正网络权重参数；
定义学习率调整策略：使用余弦退火调整学习率，通过设置初始学习率和周期数来控制学习率的变化；
定义学习率衰减函数：使用余弦函数来调整学习率，在每个周期内，学习率按照余弦函数的形式逐渐减小；
定义周期：根据训练数据集的大小和批次大小，确定训练的总周期数；
得到基于UNet语义分割网络结构的模型。
5.根据权利要求4所述的基于UNet的干式磁选颗粒实时分选方法，其特征在于，在定义所述损失函数时，采用均方根误差函数与交叉信息熵函数之和作为损失函数：
；
的表达式为：
；
其中，RMSE是均方根误差函数，是样本的标记，/>是激活函数后的输出，/>是特征的维度序号，/>是特征的维度总数；
的表达式为：
；
其中，是交叉信息熵函数，/>是类别维度，/>是预测输出，/>是实际输入。
6.根据权利要求5所述的基于UNet的干式磁选颗粒实时分选方法，其特征在于，在S2中，所述数据增强处理包括：随机裁剪、旋转、缩放、水平翻转、垂直翻转、亮度、对比度、颜色随机调整和多样本的CutMix混合。
7.根据权利要求6所述的基于UNet的干式磁选颗粒实时分选方法，其特征在于，在使用所述多样本的CutMix混合进行数据增强处理时：
和/>是两个不同的训练样本，/>和/>是对应的标记值，CutMix需要生成的是新的训练样本和对应标记/>和/>：
；
其中，为丢弃掉部分区域和进行填充的二进制掩码，/>是逐像素相乘，/>属于Beta分布：/>的均匀分布。
8.根据权利要求1至7任一项所述的基于UNet的干式磁选颗粒实时分选方法，其特征在于，所述UNet语义分割网络中，网络的深度、通道数和每层的卷积核大小参数根据实际问题和数据集进行调整和优化。
CN202311723374.1A 2023-12-15 2023-12-15 一种基于UNet的干式磁选颗粒实时分选方法 Pending CN117409009A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202311723374.1A CN117409009A (zh) 2023-12-15 2023-12-15 一种基于UNet的干式磁选颗粒实时分选方法
CN202410858849.6A CN118761979A (zh) 2023-12-15 2024-06-28 一种干式磁选机的分矿板的控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311723374.1A CN117409009A (zh) 2023-12-15 2023-12-15 一种基于UNet的干式磁选颗粒实时分选方法

Publications (1)

Publication Number Publication Date
CN117409009A true CN117409009A (zh) 2024-01-16

Family

ID=89496571

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202311723374.1A Pending CN117409009A (zh) 2023-12-15 2023-12-15 一种基于UNet的干式磁选颗粒实时分选方法
CN202410858849.6A Pending CN118761979A (zh) 2023-12-15 2024-06-28 一种干式磁选机的分矿板的控制方法

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN202410858849.6A Pending CN118761979A (zh) 2023-12-15 2024-06-28 一种干式磁选机的分矿板的控制方法

Country Status (1)

Country Link
CN (2) CN117409009A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119152315A (zh) * 2024-11-14 2024-12-17 长沙矿冶研究院有限责任公司 一种ElectroTrackNet的电选轨迹识别方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0645644U (ja) * 1992-10-14 1994-06-21 勝雄 渋谷 鉄缶．アルミ缶および乾電池の選別装置
CN102527489A (zh) * 2012-01-16 2012-07-04 昆明理工大学 一种利用矿带图像灰度动态分割摇床矿带的方法
CN111862135A (zh) * 2020-08-03 2020-10-30 湖南大奇智能科技有限公司 一种摇床矿带图像分割方法
CN115228595A (zh) * 2022-07-20 2022-10-25 云南品视智能科技有限公司 一种基于目标检测的矿带智能分割方法
CN115345849A (zh) * 2022-08-15 2022-11-15 杭州智开科技有限公司 一种基于Mask-RCNN算法的选矿摇床矿带分析模型
CN115496951A (zh) * 2022-10-09 2022-12-20 淮阴工学院 一种基于改进YOLOv5s的安全设备检测方法
CN116510901A (zh) * 2023-04-27 2023-08-01 宣城市安工大工业技术研究院有限公司 一种生活垃圾智能分选系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0645644U (ja) * 1992-10-14 1994-06-21 勝雄 渋谷 鉄缶．アルミ缶および乾電池の選別装置
CN102527489A (zh) * 2012-01-16 2012-07-04 昆明理工大学 一种利用矿带图像灰度动态分割摇床矿带的方法
CN111862135A (zh) * 2020-08-03 2020-10-30 湖南大奇智能科技有限公司 一种摇床矿带图像分割方法
CN115228595A (zh) * 2022-07-20 2022-10-25 云南品视智能科技有限公司 一种基于目标检测的矿带智能分割方法
CN115345849A (zh) * 2022-08-15 2022-11-15 杭州智开科技有限公司 一种基于Mask-RCNN算法的选矿摇床矿带分析模型
CN115496951A (zh) * 2022-10-09 2022-12-20 淮阴工学院 一种基于改进YOLOv5s的安全设备检测方法
CN116510901A (zh) * 2023-04-27 2023-08-01 宣城市安工大工业技术研究院有限公司 一种生活垃圾智能分选系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
游科顺: "选矿摇床分选过程模型构建及控制参数优化研究", 中国优秀硕士学位论文全文数据库, 15 January 2023 (2023-01-15), pages 19 - 25 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119152315A (zh) * 2024-11-14 2024-12-17 长沙矿冶研究院有限责任公司 一种ElectroTrackNet的电选轨迹识别方法及系统
CN119152315B (zh) * 2024-11-14 2025-01-28 长沙矿冶研究院有限责任公司 一种ElectroTrackNet的电选轨迹识别方法及系统

Also Published As

Publication number Publication date
CN118761979A (zh) 2024-10-11

Similar Documents

Publication Publication Date Title
CN111445488B (zh) 一种弱监督学习自动识别和分割盐体的方法
CN109800698A (zh) 基于深度网络的图标检测方法
CN105374015A (zh) 基于局部对比度和笔画宽度估计的低质量文档图像二值化方法
CN102768757B (zh) 一种基于图像类型分析的遥感图像色彩校正方法
CN111160127A (zh) 一种基于深度卷积神经网络模型的遥感影像处理及检测方法
CN106096610A (zh) 一种基于支持向量机的文档图像二值化方法
CN115049841A (zh) 基于深度无监督多步对抗域自适应的高分辨sar图像地物要素提取方法
CN105426825A (zh) 一种基于航拍图像识别的电网地理接线图绘制方法
CN115147418A (zh) 缺陷检测模型的压缩训练方法和装置
CN117409009A (zh) 一种基于UNet的干式磁选颗粒实时分选方法
CN109447111A (zh) 一种基于子类训练样本的遥感监督分类方法
CN110335280A (zh) 一种基于移动端的金融单据图像分割与矫正方法
CN106372597A (zh) 基于自适应上下文信息的cnn交通检测方法
CN115272826A (zh) 一种基于卷积神经网络的图像识别方法、装置及系统
CN112637593B (zh) 基于人工智能和视频分析的视频编码优化方法
CN117727046A (zh) 新型山洪前端仪器仪表读数自动识别方法及系统
CN115830514B (zh) 一种适用于带弯曲河道的全河段表面流速计算方法及系统
CN115393861B (zh) 一种手写体文本精准分割方法
CN110175548A (zh) 基于注意力机制和通道信息的遥感图像建筑物提取方法
CN115082922A (zh) 基于深度学习的水表数字图片处理方法及系统
CN115546788A (zh) 一种基于改进YOLOv5的混凝土气泡检测方法
CN112215303B (zh) 一种基于自学属性的图像理解方法及系统
CN109389173A (zh) 一种基于m-cnn的试卷分数自动统计分析方法和装置
CN113223098A (zh) 图像颜色分类的预处理优化方法
CN116630814B (zh) 一种基于机器学习的建筑灾害快速定位评估方法

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20240116