1.本發明屬于選礦技術領域，具體涉及一種基于目標檢測和語義分割mask-rcnn深度學習網絡的礦石分類、定位和粒度分級檢測方法及裝置。
背景技術：
2.礦石的類別和粒度分布是評價破碎效果以及對礦石后續處理的一項重要依據，類別現在主要分為磁鐵礦、赤鐵礦、褐鐵礦和菱鐵礦，粒度參數主要包括面積、周長、粒徑和體積等。傳統檢測方法是采用低效、離線的人工篩分檢測法確定礦石的碎后粒度分布，以及專家人工確定礦石大體類別，難以保證選礦生產需要。
3.近年來數字圖像處理技術逐漸應用到礦石粒度檢測中。這種非接觸式檢測方法可以有效克服傳統檢測方法的不足，且能很好地適應碎磨生產的惡劣工況，因此，通過在傳送帶上方安裝圖像采集系統，利用數字圖像技術結合現代數據處理等軟測量技術，實時連續地進行在線粒度測量及自動統計結果，是礦石粒度測量的有效手段。山東黃金礦業有限公司在實用新型專利《一種傳送帶礦石粒度圖像獲取設備》提出了一種硬件系統，但并沒有涉及軟件算法。中國礦業大學在發明專利《一種基于多元多尺度熵的礦石粒度檢測技術》中提出了圖像處理算法，但是需要復雜的區域提取、邊界提取、圖像分割等特征提取過程。上述的文獻在礦石粒度分析方面做了許多工作，但是并沒有兼具分析礦石類別和粒度分布。
4.深度學習是一種新的機器學習方法，通過組合低層特征形成更加抽象的高層表示屬性類別或特征，用基于不同深度卷積的分層特征提取高效算法來替代手工獲取特征。
5.目標檢測技術：目標檢測的目的是將圖片中不同種類的物體用不同顏色的方框框出來，并且標出方框中物體的種類和概率。通俗講，目標檢測技術主要解決兩個問題：圖像上的目標物在哪(位置)，是什么(類別)。目標檢測網絡模型的訓練和實現需要的信息包括方框的位置坐標，方框里面的物體類別信息。通過不斷的訓練迭代，最終得到一個目標檢測模型，來檢測需要檢測的物體。
6.語義分割技術：圖像語義分割任務最初流行的深度學習方法是圖像塊分類(patch classification)，即利用像素周圍的圖像塊對每一個像素進行獨立的分類。使用圖像塊分類的主要原因是分類網絡通常是全連接層(full connected layer)，且要求固定尺寸的圖像。全卷積網絡(fcn)的提出，使得卷積神經網絡無需全連接層即可進行密集的像素預測，cnn從而得到普及。使用這種方法可生成任意大小的圖像分割圖，且該方法比
聲明：
“基于深度學習網絡的礦石分類和粒度分級方法及裝置與流程” 該技術專利(論文)所有權利歸屬于技術(論文)所有人。僅供學習研究，如用于商業用途，請聯系該技術所有人。
我是此專利(論文)的發明人(作者)
1630
編輯：中冶有色網
來源：鞍鋼集團礦業有限公司
分享 0
舉報 0
收藏 0
反對 0
點贊 0
2025年07月09日 ~ 11日 
