[發(fā)明專利]基于二值化神經(jīng)網(wǎng)絡的深度學習礦石尺度測量方法及應用系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202010433320.1
• 申請日: 2020-05-21
• 公開（公告）號: CN112001878A
• 公開（公告）日: 2020-11-27
• 發(fā)明（設計）人: 段章領;盛典墨
• 申請（專利權）人: 合肥合工安馳智能科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/10;G06T7/13;G06T7/62;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 合肥東邦滋原專利代理事務所(普通合伙) 34155
• 代理人: 吳曉娜

1.一種基于二值化神經(jīng)網(wǎng)絡的深度學習礦石尺度測量方法及應用系統(tǒng)，用于對礦業(yè)生產(chǎn)中礦石進行智能化篩選，其特征是按以下步驟進行：

a、樣本準備階段，獲取礦石塊圖像，預處理所述的礦石塊圖像為標記圖像，將所述處理標記圖像按9∶1分為訓練樣本和測試樣本，對異常的標注圖像數(shù)據(jù)進行剔除后得到訓練用的數(shù)據(jù)集；

b、網(wǎng)絡創(chuàng)建階段，創(chuàng)建二值化的MS R-CNN網(wǎng)絡；

c、網(wǎng)絡訓練階段，將所述的二值化MS R-CNN網(wǎng)絡在劃分好的訓練集X上訓練；

d、網(wǎng)絡運行階段，通過所述的訓練好的二值化MS R-CNN網(wǎng)絡對測試樣本進行檢測獲得分割后的礦石邊緣輪廓，根據(jù)最小覆蓋圓算法計算出礦石的尺寸大小。

2.如權利要求1所述基于二值化神經(jīng)網(wǎng)絡的深度學習礦石尺度測量方法，其特征是所述步驟a樣本準備階段獲取礦石塊圖像的步驟，包括：

(1)在傳送帶不同角度和高度安裝攝像頭采集礦石塊傳輸視頻流數(shù)據(jù)；

(2)按照一定的時間間隔提取視頻中的關鍵幀并保存為圖像數(shù)據(jù)。

3.如權利要求1所述基于二值化神經(jīng)網(wǎng)絡的深度學習礦石尺度測量方法，其特征是所述步驟a樣本準備階段預處理步驟，包括：

(1)采用標注軟件對所述圖像數(shù)據(jù)進行標注，獲得并保存標注后的標記數(shù)據(jù)集；

(2)從標注后的數(shù)據(jù)集中按照9∶1分成訓練樣本和測試樣本；

(3)對訓練樣本進行圖像增強，包括：對圖像進行隨機角度旋轉(zhuǎn)、仿射變換、翻轉(zhuǎn)和噪聲處理。

4.如權利要求1所述基于二值化神經(jīng)網(wǎng)絡的深度學習礦石尺度測量方法，其特征是所述步驟a樣本準備階段對異常數(shù)據(jù)剔除步驟，包括：

(1)設置標注框面積閾值，去除面積小于閾值的標注數(shù)據(jù)，其余標注框面積大于閾值；

(2)剔除明顯錯誤的數(shù)據(jù)，根據(jù)標注框每個頂點的位置坐標，剔除坐標位置顛倒的頂點所對應的標注框。

5.如權利要求1所述基于二值化神經(jīng)網(wǎng)絡的深度學習礦石尺度測量方法，其特征是所述步驟b網(wǎng)絡創(chuàng)建階段創(chuàng)建實例分割網(wǎng)絡，包括：

(1)選擇MS R-CNN實例分割網(wǎng)絡框架，采用以ResNet-50為基礎的RPN網(wǎng)絡作為Backbone network，采用傳統(tǒng)的R-CNN頭獲取分類結果和預測框坐標，采用Mask R-CNN的FCN掩模頭和MS R-CNN框架獨創(chuàng)的MaskIOU頭來獲得分割結果；

(2)ResNet-50為基礎的RPN網(wǎng)絡由3個conv2_x(3個卷積層)，4個conv3_x(3個卷積層)，6個conv4_x(3個卷積層)，3個conv5_x(3個卷積層)組成，第一層是一個7×7的卷積，最后一層是一個全連接層；其中四種不同大小殘差塊，分別為conv2_x(卷積核1×1，數(shù)量64；卷積核3×3，數(shù)量64；卷積核1×1，數(shù)量256)，conv3_x(卷積核1×1，數(shù)量128；卷積核3×3，數(shù)量128；卷積核1×1，數(shù)量512)，conv4_x(卷積核1×1，數(shù)量256；卷積核3×3，數(shù)量256；卷積核1×1，數(shù)量1024)，conv5_x(卷積核1×1，數(shù)量512；卷積核3×3，數(shù)量512；卷積核1×1，數(shù)量2048)；

(3)R-CNN頭由7×7×256的卷積層和兩個1024的全連接層構成；

(4)FCN掩模頭由5個14×14×256的卷積層，1個28×28×256的卷積層和1個28×28×80的卷積層構成；

(5)MaskIOU頭由4個14×14×256的卷積層，1個7×7×256的卷積層，2個1024的全連接層和最后輸出c個分割結果的全連接層構成。