矿石块度视觉识别判断方法

TD67; 针对传送带矿石块度还需要人工测量的问题,提出了一种基于深度学习的矿石块度检测方法.该方法在Darknet框架下采用残差神经网络结构组成CSPDarkNet21主干特征提取网络,在考虑只需要识别判断大块矿石的条件下选用简单双向特征融合PANet作为特征提取网络并将PANet由三个特征层简化为一个特征层,加快了模型训练及预测的速度,同时使用CIOU对loss值进行计算使训练更加稳定.在对矿石识别完成后,利用矿石块度判断结构对预测框像素面积进行计算得到矿石的真实尺寸.在最终测试中,在将图像经过灰度化、中值滤波处理后进行测试.结果表明,相比于单独UNet图像分割算法对矿石块度进行判断,IO...

Full description

Saved in:
Bibliographic Details
Published in中国矿业 Vol. 30; no. 6; pp. 100 - 105
Main Authors 何文轩, 胡健, 柳小波, 荆洪迪, 孙效玉
Format Magazine Article
LanguageChinese
Published 东北大学智慧矿山研究中心,辽宁沈阳110819%鞍钢集团关宝山矿业有限公司,辽宁鞍山114014%中国科学院沈阳自动化研究所数字工厂研究室,辽宁沈阳110016 01.06.2021
Subjects
矿石块度
深度学习
传送带
视觉识别
Online AccessGet full text
ISSN1004-4051
DOI10.12075/j.issn.1004-4051.2021.06.028

Cover

More Information
Summary:TD67; 针对传送带矿石块度还需要人工测量的问题,提出了一种基于深度学习的矿石块度检测方法.该方法在Darknet框架下采用残差神经网络结构组成CSPDarkNet21主干特征提取网络,在考虑只需要识别判断大块矿石的条件下选用简单双向特征融合PANet作为特征提取网络并将PANet由三个特征层简化为一个特征层,加快了模型训练及预测的速度,同时使用CIOU对loss值进行计算使训练更加稳定.在对矿石识别完成后,利用矿石块度判断结构对预测框像素面积进行计算得到矿石的真实尺寸.在最终测试中,在将图像经过灰度化、中值滤波处理后进行测试.结果表明,相比于单独UNet图像分割算法对矿石块度进行判断,IO R方法在降低6个百分点精确率的情况下减少2.7倍模型训练时间以及提升9.07倍模型运行效率,是一种能够快速训练及预测矿石块度的方法,非常适用于传送带等需要快速识别判断的现场环境使用,同时降低了边云端计算的设备及训练成本.
ISSN:1004-4051
DOI:10.12075/j.issn.1004-4051.2021.06.028