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 PDFInfo
- 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
Links
- 239000002245 particle Substances 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000007885 magnetic separation Methods 0.000 title claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 64
- 230000011218 segmentation Effects 0.000 claims abstract description 46
- 239000006148 magnetic separator Substances 0.000 claims abstract description 26
- 238000000926 separation method Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000012795 verification Methods 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims abstract description 7
- 229910052500 inorganic mineral Inorganic materials 0.000 claims abstract description 4
- 239000011707 mineral Substances 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 55
- 230000004913 activation Effects 0.000 claims description 8
- 238000000137 annealing Methods 0.000 claims description 7
- 230000007613 environmental effect Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 239000003550 marker Substances 0.000 claims description 3
- 238000009827 uniform distribution Methods 0.000 claims description 3
- 238000011179 visual inspection Methods 0.000 description 6
- 238000011176 pooling Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- PWHULOQIROXLJO-UHFFFAOYSA-N Manganese Chemical compound [Mn] PWHULOQIROXLJO-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 229910052748 manganese Inorganic materials 0.000 description 1
- 239000011572 manganese Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
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)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (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
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***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***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。
Priority Applications (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 |
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 (1)
| 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117409009A (zh) |
Citations (7)
| 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*** |
-
2023
- 2023-12-15 CN CN202311723374.1A patent/CN117409009A/zh active Pending
Patent Citations (7)
| 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*** |
Non-Patent Citations (1)
| 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 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111210435B (zh) | 一种基于局部和全局特征增强模块的图像语义分割方法 | |
| CN111325203B (zh) | 一种基于图像校正的美式车牌识别方法及*** | |
| CN108615226B (zh) | 一种基于生成式对抗网络的图像去雾方法 | |
| CN109872285B (zh) | 一种基于变分约束的Retinex低照度彩色图像增强方法 | |
| CN103049763B (zh) | 一种基于上下文约束的目标识别方法 | |
| CN112017164A (zh) | 基于深度阈值卷积模型的土石料级配检测方法 | |
| 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 | |
| CN110751606B (zh) | 一种基于神经网络算法的泡沫图像处理方法及*** | |
| CN111738113A (zh) | 基于双注意力机制与语义约束的高分辨遥感图像的道路提取方法 | |
| CN112637593B (zh) | 基于人工智能和视频分析的视频编码优化方法 | |
| CN109544694A (zh) | 一种基于深度学习的增强现实***虚实混合建模方法 | |
| CN110334584A (zh) | 一种基于区域全卷积网络的手势识别方法 | |
| CN115393861B (zh) | 一种手写体文本精准分割方法 | |
| CN111047618B (zh) | 基于多尺度的无参考屏幕内容图像质量评估方法 | |
| CN115457551A (zh) | 适用于小样本条件的叶片损伤识别方法 | |
| CN113610035A (zh) | 一种基于改进编解码网络的水稻分蘖期杂草分割识别方法 | |
| CN115082922A (zh) | 基于深度学习的水表数字图片处理方法及*** | |
| CN113610024B (zh) | 一种多策略的深度学习遥感影像小目标检测方法 | |
| 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 | |
| CN117496518A (zh) | 基于文本检测和表格检测的电子卷宗图像智能矫正方法 | |
| CN117409009A (zh) | 一种基于UNet的干式磁选颗粒实时分选方法 | |
| CN110348339B (zh) | 一种基于实例分割的手写文档文本行的提取方法 | |
| CN112215303A (zh) | 一种基于自学属性的图像理解方法及*** | |
| CN105303529A (zh) | 一种基于直方图均衡化的数字图像去雾方法 | |
| CN109389173A (zh) | 一种基于m-cnn的试卷分数自动统计分析方法和装置 |
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 |