基于Res-UNet算法的螺旋溜槽精矿带识别分割方法研究.pdf
《基于Res-UNet算法的螺旋溜槽精矿带识别分割方法研究.pdf》由会员分享,可在线阅读,更多相关《基于Res-UNet算法的螺旋溜槽精矿带识别分割方法研究.pdf(11页珍藏版)》请在咨信网上搜索。
1、70doi:10.3969/j.issn.1671-9492.2024.02.011有色金属(选矿部分)基于 Res-UNet 算法的螺旋溜槽精矿带识别分割方法研究2024年第2 期刘惠中1.,邓富龙,刘茜茜,刘建业1(1.江西理工大学机电工程学院,江西赣州3410 0 0;2.江西省矿冶机电工程技术研究中心,江西赣州3410 0 0)摘要:螺旋溜槽在铁、锡、钛、钼锯等金属及硫、煤等非金属矿的选矿生产中获大量应用,但目前螺旋溜槽的精矿截取调节控制还是依赖于人工,急需开发一种精矿的自适应截取技术代替人工截取以提高螺旋溜槽的生产效率。而实现这一目标的首要任务就是需要解决依赖人工肉眼获取精矿带位置信
2、息的问题,因此提出了一个改进的UNet网络模型Res50-UNet-FD。算法模型使用UNet模型为基础,将残差网络ResNet50代替UNet网络中编码部分的特征提取网络,解决了深层特征提取过程中特征梯度消失以及网络消失的问题,有效提升了螺旋溜槽精矿带特征信息提取的精度。同时,为了改进和优化螺旋溜槽精矿带图像样本数据难易不平衡的问题,利用Focal Loss 和 Dice Loss的混合损失函数代替原本的 CELoss 损失函数。经对比,本文算法优于VGG-UNet、Re s 34-U Ne t、D C-U Ne t 网络模型,算法模型的mIOU、m PA、F1分数和精确度分别为0.96 3
3、2、0.9869、0.98 7 0、0.990 7。在性能指标上,本文算法无论是mIOU、m PA 还是F1分数,整体性能都比VGG-UNet、Res34-UNet、D C-U Ne t 网络模型高,算法的整体性能稳定。本文算法实现了对螺旋溜槽精矿矿带的分割识别,分割精度可以满足生产中对螺旋溜槽精矿分带特征信息识别的需求,为实现螺旋溜槽精矿的自适应截取奠定基础。关键词:螺旋溜槽;重力选矿;Res-UNet;矿带分割中图分类号:TD954;TD925+.7Research on Spiral Concentrator Concentrate Zone Identification Segment
4、ation MethodLIU Huizhongl2,DENG Fulong,LIU Xixi,LIU Jianye!(1.School of Mechanical and Electrical Engineering,Jiangxi University of Science and Technology,2.Jiangxi Province Engineering Research Center for Mechanical and Electrical of Mining andAbstract:Spiral concentrator has been widely applied in
5、 large scale in beneficiation process for iron,tin,titanium,tantalum niobium and other metals and sulfur,coal and other non-metallic ores in thebeneficiation production has been a large number of applications,but at present the spiral concentratorconcentrate adjustment relies on artificial control,t
6、here is an urgent need to develop an adaptiveinterception of concentrates instead of the artificial interception in order to improve the production efficiencyof the spiral concentrator.The first task to achieve this goal is the need to solve the problem of relying onthe artificial naked eye to obtai
7、n information about the location of the concentrate zone,so an improvedUNet network model,Res5o-UNet-FD,is proposed.The model uses the UNet model as the base model,and replaces the residual network ResNet50 with the feature extraction network in the coding part of theUNet network,which solves the pr
8、oblems of feature gradient disappearance as well as networkdisappearance in the process of deep feature extraction,and effectively improves the accuracy of featureinformation extraction in the concentrate zone of the spiral concentrator.The algorithm model uses the UNet收稿日期:2 0 2 3-0 5-2 4基金项目:国家自然科
9、学基金资助项目(5 2 16 40 19);江西省“双千计划”引进高层次创新人才项目(jxsq2018101046)作者简介:刘惠中(196 9一),男,江西信丰人,教授,博士生导师,主要从事选矿装备及智能化等方面的研究。文献标志码:ABased on Res-UNetGanzhou 341000,Jiangxi,China;Metallurgy,G a n z h o u 3410 0 0,Ji a n g x i,C h i n a)文章编号:16 7 1-9492(2 0 2 4)0 2-0 0 7 0-112024年第2 期刘惠中等:基于Res-UNet算法的螺旋溜槽精矿带识别分割方法
10、研究model as the base model,and the residual network ResNet5o replaces the feature extraction network in thecoding part of the UNet network,which solves the problems of feature gradient disappearance as well asnetwork disappearance in the process of deep feature extraction,and effectively improves the
11、 accuracy offeature information extraction in the concentrate zone of the spiral concentrator.At the same time,in orderto improve and optimize the problem of imbalance of the sample data of the spiral concentrator concentrateimage,a hybrid loss function of Focal Loss and Dice Loss is utilized instea
12、d of the original Cross-Entropyloss function.Upon comparison,this papers algorithm outperforms the VGG-UNet,Res34-UNet,andDC-UNet network models,and the mIOU,mPA,F1 score,and precision of the algorithms model are0.963 2,0.986 9,0.987 0,and 0.990 7,respectively.In terms of performance metrics,the ove
13、rallperformance of this papers algorithm,both in terms of mIOU,mPA,and Fl scores,is better than thatof VGG-UNet,Res34-UNet,and DC-UNet network models,and the algorithms overall performance isstable.The algorithm realizes the segmentation and identification of the concentrate band of the spiralconcen
14、trator,and the segmentation precision can meet the demand for the identification of the featureinformation of the concentrate band of the spiral concentrator in the production,and lays the foundation forthe realization of the adaptive interception of the concentrate of the spiral concentrator.Key wo
15、rds:spiral concentrator;gravity concentration;Res-UNet;mineral belt segmentation螺旋溜槽是一种高效的流膜重力选矿设备,因其工作无需动力、易于配置、占地面积小等特点,在铁、锡、钛、钼锯等金属及硫、煤等非金属矿的选矿生产中获大量应用1-2 。据不完全统计,我国螺旋溜槽使用量已经达到数十万台套。尽管螺旋溜槽的分选效率高,但是螺旋溜槽的精矿截取主要还是依赖人工调节截取器对精矿进行分割截取,而螺旋选矿过程中,设备数量往往众多,仅仅凭借经验的人工操作,不仅耗时费力,而且调节过程中,由于工人经验不同、责任心不同,会导致精矿质量的
16、波动,相应影响螺旋溜槽的分选效率。针对以上问题,本文提出了一种基于改进UNet算法的螺旋溜槽精矿带识别视觉技术来代替人工对精矿带的观察和识别,以达到提高精矿截取精度和提高螺旋溜槽选矿效率的目的。由于螺旋溜槽的矿浆流速度较大,矿带分界线容易出现波动,与摇床相比,螺旋溜槽的精矿矿带分界线不仅存在模糊不清问题,还存在边界线不规则情况,且螺旋溜槽的精矿矿带的颜色和背景颜色较为相似,因此,螺旋溜槽精矿带的分割识别难度较大。近些年来,随着机器视觉技术和图像识别技术的快速发展,视觉技术在众多领域得到了广泛应用,如:李原等3 将残差网络ResNet引人UNet的特征提取网络,在残差块间用稠密连接,提升浅层网络
17、上的深度拓展,利用改进Res-UNet 网络对钢铁表面缺陷进行图像分割,分割效果较好;杨文旺等对摇床71图像中的矿带进行边界拟合,通过对拟合后的边界点坐标相减乘以像素比方法,得到矿带宽度;杨文旺等5 通过对摇床矿带颜色RGB特征值,提取出矿带底部分界线以及左右分界点,对分界点进行直线拟合,最终得到矿带宽度;朱立学等6 1通过对UNet网络结构进行轻量化,对网络中的卷积核数量进行缩减调整,将下采样通道数从32,6 4,12 8,2 5 6,5 12 减到16,32,6 4,12 8,2 5 6,即使用点卷积Conv1X1压缩通道将下采样和下采样通道数进行了对半缩减,轻量化后的网络实时性有了较高的
18、提升;张平均等7 将ResNet 替换VGG16作为UNet 的特征提取网络,同时为了解决卷积过程中,特征图压缩导致有效信息缺失的问题,在原本的跳跃连接上嵌入一种聚焦注意力机制模型,因此提出改进ATT-ResUNet网络结构,并将该结构运用到人造板表面缺陷的图像分割中,取得较好效果;刘惠中等8 利用改进的Canny边缘检测算法和深度学习HED边缘算法对螺旋溜槽的矿物分带图像进行边界线的检测,实现了对矿带分界线的检测。尽管视觉技术在其他领域的应用较为广泛,应用效果也较好,但是针对螺旋溜槽的分割识别的研究相对较少,并且螺旋溜槽精矿矿带无论是在颜色相似度,还是边界线相似度上,都存在一定的分割难度,因
19、此,需要使用一种网络更深,特征提取更详细的方法对螺旋溜槽精矿矿带进行识别分割。本文利用UNet 网络模型为基础模型,利用残差网络ResNet50网络代替UNet中编码部分的特72征提取网络,提出一个改进的UNet算法,有效提升了螺旋溜槽精矿带特征信息提取的精度,解决了样本数据难易不平衡问题,用于螺旋溜槽精矿矿带图像的分割,取得了较好的效果。1改进的 UNet 算法1.1UNet 网络结构UNet网络结构由全卷积神经网络FCN改进得到的,因此,UNet 和FCN网格结构比较相似。UNet的第一个特点就是对称性,即网络结构左右两Conv33立BatchNorm2dRelu立Conv33立Batch
20、Norm2d立ReluMaxPool2d有色金属(选矿部分)侧对称且相似,如图1所示。UNet网络结构是最为经典的编码-解码结构,编码结构部分主要是利用特征提取网络对图像进行特征提取,捕获图像的语义特征信息,此部分提取得到的特征信息为浅层特征,各个浅层特征通过下采样进行传递。而在解码部分,网络利用上采样将各个深层特征进行图像分辨辩率恢复,对语义信息进行精确定位,同时,相同尺寸的浅层特征和深层特征通过跳跃连接进行浅层和深层特征的融合。因整个网络结构为编码-解码结构,且左右对称且相似,整体呈现U形,因此得名UNet网络。InputOutputConv33ReluBatchNorm2d立ReluCo
21、nv33立BatchNorm2dRelu立MaxPool2dEncodeBlockEncodeBlockEncodeBlock2024年第2 期Conv33ReluConv33UpsamplingBilinearDecodeBlockDecodeBlockDecodeBlockReluConv3 3Relu4Conv33UpsamplingBilinearEncodeBlock图 1 UNet 网络结构Fig.1UNet network architecture1.2Res-UNet网络结构螺旋溜槽矿带图像中的精矿带语义信息较为简单,背景复杂度不高,但是精矿带语义信息和部分背景存在较大相似度问
22、题,这样导致精矿带边缘细节信息很难精准地捕捉,背景和精矿矿带较难区分,所以网络结构对图像语义信息提取的能力相对比较重要,需要对图像的浅层特征和深层特征处理得更加精细化。精矿矿带图像有时存在精矿矿带和背景混杂的情况,并且精矿、中矿、尾矿以及矿泥的差异较小,这些情况对网络模型来说极具挑战。在对螺旋溜槽精矿矿带图像分割识别中,如果仅仅识别出精矿矿带是无法满足实际生产需求,为了更符合实际生产要求,不仅仅需要对螺旋溜槽精矿矿带进行识DecodeBlock别,后期还需要对精矿矿带的位置以及精矿矿带边缘的尺寸距离进行测定,因此,图像语义分割会比图像分类更加合适。根据螺旋溜槽实际生产和精矿矿带图像的特点,本文
23、提出一种改进的UNet算法,将利用残差网络ResNet50网络替换原本UNet网络结构中编码部分的特征提取网络,构建一个Res50-UNet网络模型,用该模型实现对螺旋溜槽精矿矿带图像的语义分割任务。Res50-UNet网络模型最主要的特点就是将残差网络ResNet50和基础网络UNet 进行组合,在组合的过程中,也将两者的优点结合了起来,对于ResNet50网络模型来说,最大的优点就是利用跨层连接的残差块,解决了深层特征提取过程中特2024年第2 期刘惠中等:基于Res-UNet算法的螺旋溜槽精矿带识别分割方法研究征梯度消失以及网络消失的问题;而UNet网络模Input型对于形状小、图像边缘
24、不规则的目标,在语义分割上存在较好的能力。UNet网络模型利用上采样、下采样、跳跃连接将提取得到的图像浅层特征以及深层特征进行融合,充分利用了浅层特征信息,使得该网络结构模型获得相对较好的语义信息。Res50-UNet网络模型充分发挥了残差网络ResNet50和UNet网络模型的各自特点,使得在提取螺旋溜槽精矿矿带图像特征时,提取特征信息的效率更高,对浅层特征的利用更加充分。在Res50-UNet 网络模型训练过程中,因为ResNet50网络模型中存在跨层连接的残差块,所以避免了梯度消失和网络消失的问题,加快了训练,提高了训练效率,缩短了训练时间。本文使用的Res50-UNet网络模型采用残差
25、网络ResNet50作为UNet网络中编码部分的特征提取网络,该网络可以较好地解决深度梯度下降的问题。残差网络ResNet50参考了VGG19网络,利用全局平均池层替换完全连接的层,并使用一种称为“快捷连接”的连接方法。在残差网络ResNet50提取特征的过程中,特征图由残差图和恒等映射组成,输出为H()=F()十,然后将其转换为一个残差函数 F()=H()一,使得网络可以学习该残差函数,调整网络,网络结构如图2 所示。该残差结构,使得网络提取和学习特征的能力得到较大提升,相对于原始特征提取网络结构,残差学习更容易。在训练过程中,当特征提取网络的残差接近零时,网络就构成了一个恒等映射H()=,
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 Res UNet 算法 螺旋 溜槽 精矿 识别 分割 方法 研究
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。