[發(fā)明專(zhuān)利]一種爆堆礦巖顆粒圖像分割方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201910097758.4
• 申請(qǐng)日: 2019-01-31
• 公開(kāi)（公告）號(hào): CN109859187B
• 公開(kāi)（公告）日: 2023-04-07
• 發(fā)明（設(shè)計(jì)）人: 柳小波;張育維;趙勝
• 申請(qǐng)（專(zhuān)利權(quán)）人: 東北大學(xué)
• 主分類(lèi)號(hào): G06T7/00
• 分類(lèi)號(hào): G06T7/00;G06T7/12
• 代理公司: 北京易捷勝知識(shí)產(chǎn)權(quán)代理有限公司 11613
• 代理人: 韓國(guó)勝

本發(fā)明涉及一種爆堆礦巖顆粒圖像分割方法；包括：S1將待分割的爆堆礦巖顆粒圖像輸入至預(yù)先訓(xùn)練的第一卷積神經(jīng)網(wǎng)絡(luò)模型，獲取第一概率圖及第一輪廓圖；S2利用閉合輪廓的周長(zhǎng)和面積修正第一概率圖獲取第一修正概率圖；S3將第一修正概率圖輸入至預(yù)先訓(xùn)練的第二卷積神經(jīng)網(wǎng)絡(luò)模型，獲取第二概率圖及第二輪廓圖；S4借助第二卷積神經(jīng)網(wǎng)絡(luò)獲取第n+1概率圖，直至第n+1輪廓圖中所有輪廓總面積與第一概率圖的分辨率比值大于等于1；S5將第n輪廓圖和第n+1輪廓圖相加作為分割圖；本發(fā)明方法采用深度學(xué)習(xí)的卷積網(wǎng)絡(luò)提取輪廓，連續(xù)性較好且雜點(diǎn)少，對(duì)粘連礦巖顆粒的邊緣實(shí)現(xiàn)了準(zhǔn)確分割，避免了復(fù)雜參數(shù)的調(diào)整，分割精度高具有較佳的實(shí)用性。

技術(shù)領(lǐng)域

本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，尤其涉及一種爆堆礦巖顆粒圖像分割方法。

背景技術(shù)

爆堆礦巖的塊度尺寸不僅是驗(yàn)證爆破工藝的主要指標(biāo)，也是影響著礦山的生產(chǎn)效率，作業(yè)成本，甚至是生產(chǎn)安全，因此實(shí)現(xiàn)爆堆礦巖顆粒圖像的實(shí)時(shí)和準(zhǔn)確分割對(duì)礦山的生產(chǎn)有著重要意義。然而由于爆堆礦巖分布狀況復(fù)雜，形狀不規(guī)則，堆積礦巖相互遮擋現(xiàn)象嚴(yán)重，為礦巖顆粒圖像的分割帶來(lái)了巨大的困難，同時(shí)傳統(tǒng)的分析技術(shù)由于精度低、工作量大和局限性強(qiáng)等問(wèn)題，也不適用于礦巖顆粒圖像的分割；

目前礦巖顆粒圖像主要采用OTSU、聚類(lèi)分析、分水嶺及其改進(jìn)方法，以及基于圖像的分割算法等，此類(lèi)算法可以對(duì)特定的礦巖顆粒圖像進(jìn)行分割，但局限性強(qiáng)，需要精確的參數(shù)調(diào)整；此外，以上算法還存在以下缺點(diǎn)(1)容易將低灰度值的礦巖顆粒錯(cuò)誤的判定位背景，礦巖顆粒粘連嚴(yán)重，容易造成前分割；(2)輪廓提取的方法會(huì)出現(xiàn)邊緣斷裂的現(xiàn)象，而且會(huì)提取出錯(cuò)誤的礦巖表面紋理，造成分割效果欠佳；(3)能夠在一定程度上提出礦巖顆粒的邊緣信息，然而對(duì)暗區(qū)的礦巖顆粒分割效果差，欠分割狀況嚴(yán)重，分割效果圖中存在大量孤立噪聲點(diǎn)。

發(fā)明內(nèi)容

(一)要解決的技術(shù)問(wèn)題

針對(duì)現(xiàn)有的圖像分割技術(shù)存在的礦巖顆粒粘連嚴(yán)重、輪廓提取不準(zhǔn)確、分割效果較差且參數(shù)調(diào)整復(fù)雜的問(wèn)題，本發(fā)明提供一種爆堆礦巖顆粒圖像分割方法。

(二)技術(shù)方案

為了達(dá)到上述目的，本發(fā)明采用的主要技術(shù)方案包括：

S1、針對(duì)待分割的爆堆礦巖顆粒圖像進(jìn)行預(yù)處理，并輸入至預(yù)先訓(xùn)練的第一卷積神經(jīng)網(wǎng)絡(luò)模型，獲取第一概率圖，并根據(jù)所述第一概率圖生成第一輪廓圖；

S2、獲取第一輪廓圖中每一閉合輪廓的周長(zhǎng)和面積，利用每一閉合輪廓的周長(zhǎng)和面積修正第一概率圖獲取第一修正概率圖；

S3、將所述第一修正概率圖輸入至預(yù)先訓(xùn)練的第二卷積神經(jīng)網(wǎng)絡(luò)模型，獲取第二概率圖，并根據(jù)所述第二概率圖生成第二輪廓圖，將第二輪廓圖作為第n輪廓圖，其中，n是大于等于2的正整數(shù)；

S4、利用第n輪廓圖修正第一概率圖，獲取第n修正概率圖，并將第n修正概率圖輸入至預(yù)先訓(xùn)練的第二卷積神經(jīng)網(wǎng)絡(luò)，獲取第n+1概率圖，根據(jù)第n+1概率圖生成第n+1輪廓圖，判斷第n+1輪廓圖中所有輪廓總面積sum與第一概率圖的分辨率比值是否大于等于1；

若否，則借助所述第二卷積神經(jīng)網(wǎng)絡(luò)獲取第n+1概率圖，直至第n+1輪廓圖中所有輪廓總面積sum與第一概率圖的分辨率比值大于等于1；

S5、若是，則將第n輪廓圖和第n+1輪廓圖進(jìn)行像素相加作為分割圖。

可選地，在步驟S1前還包括：

A1、構(gòu)建第一卷積神經(jīng)網(wǎng)絡(luò)和第二卷積神經(jīng)網(wǎng)絡(luò)；

A2、針對(duì)采集的多張礦巖顆粒圖像進(jìn)行預(yù)處理，制作第一訓(xùn)練樣本集和人工分割圖，將第一訓(xùn)練樣本集和人工分割圖分別作為第一卷積神經(jīng)網(wǎng)絡(luò)的輸入和輸出，獲取預(yù)先訓(xùn)練的第一卷積神經(jīng)網(wǎng)絡(luò)模型；

A3、將所述采集的多張礦巖顆粒圖像輸入至預(yù)先訓(xùn)練的第一卷積神經(jīng)網(wǎng)絡(luò)模型，獲取多張輸出的概率圖；