基于深度学习网络的矿石分类和粒度分级方法及装置与流程

1.本发明属于选矿技术领域，具体涉及一种基于目标检测和语义分割mask-rcnn深度学习网络的矿石分类、定位和粒度分级检测方法及装置。

背景技术：

2.矿石的类别和粒度分布是评价破碎效果以及对矿石后续处理的一项重要依据，类别现在主要分为磁铁矿、赤铁矿、褐铁矿和菱铁矿，粒度参数主要包括面积、周长、粒径和体积等。传统检测方法是采用低效、离线的人工筛分检测法确定矿石的碎后粒度分布，以及专家人工确定矿石大体类别，难以保证选矿生产需要。

3.近年来数字图像处理技术逐渐应用到矿石粒度检测中。这种非接触式检测方法可以有效克服传统检测方法的不足，且能很好地适应碎磨生产的恶劣工况，因此，通过在传送带上方安装图像采集系统，利用数字图像技术结合现代数据处理等软测量技术，实时连续地进行在线粒度测量及自动统计结果，是矿石粒度测量的有效手段。山东黄金矿业有限公司在实用新型专利《一种传送带矿石粒度图像获取设备》提出了一种硬件系统，但并没有涉及软件算法。中国矿业大学在发明专利《一种基于多元多尺度熵的矿石粒度检测技术》中提出了图像处理算法，但是需要复杂的区域提取、边界提取、图像分割等特征提取过程。上述的文献在矿石粒度分析方面做了许多工作，但是并没有兼具分析矿石类别和粒度分布。

4.深度学习是一种新的机器学习方法，通过组合低层特征形成更加抽象的高层表示属性类别或特征，用基于不同深度卷积的分层特征提取高效算法来替代手工获取特征。

5.目标检测技术：目标检测的目的是将图片中不同种类的物体用不同颜色的方框框出来，并且标出方框中物体的种类和概率。通俗讲，目标检测技术主要解决两个问题：图像上的目标物在哪(位置)，是什么(类别)。目标检测网络模型的训练和实现需要的信息包括方框的位置坐标，方框里面的物体类别信息。通过不断的训练迭代，最终得到一个目标检测模型，来检测需要检测的物体。

6.语义分割技术：图像语义分割任务最初流行的深度学习方法是图像块分类(patch classification)，即利用像素周围的图像块对每一个像素进行独立的分类。使用图像块分类的主要原因是分类网络通常是全连接层(full connected layer)，且要求固定尺寸的图像。全卷积网络(fcn)的提出，使得卷积神经网络无需全连接层即可进行密集的像素预测，cnn从而得到普及。使用这种方法可生成任意大小的图像分割图，且该方法比图像块分类法快。

7.但是这些技术尚未在矿石类别和粒度分布的图像识别分析中进行应用。

技术实现要素：

8.本发明的目的是针对于现有技术中兼具分析矿石类别和粒度分布的图像识别技术有待改进的问题，提供了一种基于深度学习网络的矿石分类和粒度分级方法及装置。本发明应用计算机视觉中改进的faster-rcnn目标检测网络提取特征，同时完成对矿石的分

类及定位，取代人工设计的特征提取器；并通过目标检测网络提取出来的矿石位置，利用fcn语义分割网络对矿石进行分割，得到矿石的粒度信息；而且，通过对图像做对比度受限的自适应直方图均衡化、白噪声去除等数据预处理工作，得到高质量的图像信息；同时，结合目标检测及语义分割技术，对矿石进行分类及分割，提高破碎机效率、降低破碎能耗并为后续工序提供指导。

9.本发明的技术方案之一为，一种基于深度学习网络的矿石分类和粒度分级方法，包括如下步骤：

10.步骤1、获取矿石图像数据并标注，构建矿石类别和粒度分级训练样本集与测试样本集；

11.步骤2、对矿石训练样本集与测试样本集进行图像预处理以增强图像和降低噪声；

12.步骤3、通过训练样本集建立对矿石进行分类和粒度分级的目标检测和语义分割深度卷积(mask-rcnn)神经网络模型，并通过测试样本集对模型做检验，得到训练好的模型；

13.步骤4、使用训练好的模型进行矿石粒度在线实时分类和粒度分级，进行模型迭代与优化，得到迭代优化过的模型；

14.步骤5、利用迭代优化过的模型对采集的原料进行在线实时矿石分类和粒度分级。

15.进一步的，上述基于深度学习网络的矿石分类和粒度分级方法，步骤1中构建矿石粒度分级训练样本集与测试样本集，包括：

16.于采场采集各个类别的矿石并标注，随机打乱放入皮带运输环境，进行图像的拍摄采集；以对矿石类别的标注，将对应的图像进行标注，得到最终的数据集；其中一部分作为训练样本集，另一部分作为测试样本集。

17.进一步的，上述基于深度学习网络的矿石分类和粒度分级方法，步骤2中对矿石训练样本集与测试样本集进行图像预处理，包括：利用中值滤波消除孤立的噪声点；利用对比度受限的自适应直方图均衡处理图片，以进一步消除图像噪声。

18.进一步的，上述基于深度学习网络的矿石分类和粒度分级方法，步骤3中建立对矿石进行分类和粒度分级的mask-rcnn神经网络模型，包括：

19.3.1)将训练样本集输入进mask-rcnn神经网络模型；

20.3.2)模型先经过主干网络resnet-50提取图像的多层级特征；

21.3.3)对于主干提取的多层级特征图，利用特征金字塔fpn模块，对特征图进行自顶向下的特征层融合，进一步提取精炼特征图的信息；

22.3.4)对于提取精炼之后的特征图，送入区域特征提取rpn模块，提取出特征图中的感兴趣(roi)区域，为后续的目标检测和分割提供样本；

23.3.5)对于提取出的roi区域进行标准化处理；

24.3.6)将标准化的感兴趣区域roi输入进目标检测网络rcnn，经过卷积层和全连接层，得到矿石的分类信息和定位信息(位置回归信息)；

25.3.7)将标准化的感兴趣区域roi并行的输入到语义分割网络fcn，得到粒度信息；

26.3.8)将输出向量(分类，定位和粒度信息)元素和图像标注的向量元素进行比较，构建总损失函数(计算输出损失函数以及中间特征提取网络rpn阶段初步分类与定位的损失函数)；

27.3.9)计算出神经网络参数的调整量

△

w和偏置

△

b；

28.3.10)使用adam优化器及损失函数，反向传播，更新网络模型的权值和偏置；

29.3.11)当迭代次数达到设定值时转入步骤3.12，如果不满足返回步骤3.2，继续迭代；

30.3.12)训练结束。

31.进一步的，上述基于深度学习网络的矿石分类和粒度分级方法，步骤4中模型迭代与优化采取预训练模型技术，包括：

32.4.1)使用步骤3训练好的模型对未标记图像进行预测，得到分类和定位信息；

33.4.2)对于预测出来的图像结果，进行人工复检，如果效果好，可以将该图像加入训练样本集以扩充训练样本集；

34.4.3)对于扩充后的数据集进行重新网络模型的训练；

35.4.4)重复上述3个步骤，直至模型精度无法进一步提升。

36.进一步的，上述基于深度学习网络的矿石分类和粒度分级方法，步骤5中对采集的原料进行在线实时矿石分类和粒度分级，包括：

37.5.1)实时获取工业相机输出的矿石视频流，定时截取、保存某一帧图像作为样本，使用步骤4迭代优化过的模型对样本图像进行预测，并实时显示矿石视频流和预测结果(矿石类别比重、粒度等级)，并将预测结果存储到数据库中；

38.5.2)当矿石粒度不符合规定要求时，进行声音提示报警。

39.另一方面，本发明提供一种基于深度学习网络的矿石分类和粒度分级装置，包括：

40.图像获取模块，用于截取工业相机的输出矿石视频流，得到待预测图像；

41.图像预处理模块，用于对标注后的样本图像数据进行预处理，包括对比度受限的自适应直方图均衡和白噪声去除子模块；

42.mask-rcnn神经网络模型模块，用于调用训练好的卷积神经网络模型对预处理后的矿石图像进行预测，输出各类矿石类别比重、矿石粒度信息；

43.图像存储模块，用于对mask-rcnn神经网络模型处理过的图像进行存储；

44.人机交互模块，用于在图形用户界面显示实时视频并提供相应的功能；

45.统计分析模块，用于对一段时间内的各类矿石类别比重、粒度等级进行统计和分析。

46.进一步的，上述基于深度学习网络的矿石分类和粒度分级装置，所述图像存储模块包括：

47.图像存储单元，用于将不同粒度级别的矿石图像分别存储到指定的文件夹，设定每个图像类别的存储上限，并且根据具体需求保存一定时间段的结果；

48.数据库存储单元，用于定时将模型解析出的图像信息，包括各类矿石类别比重、矿石粒度信息，定时存入数据库，并根据数据库索引查询统计信息；

49.进一步的，上述基于深度学习网络的矿石分类和粒度分级装置，所述人机交互模块包括：

50.视频显示单元，用于对工业相机拍摄的矿石视频流进行实时显示；

51.统计分析单元，用于将图像存储模块中存储在数据库中的信息，读取并且显示在前端，供现场工作人员实时查看；

52.报警提醒单元，用于当出现不符合要求的矿石时，进行声音报警提示；

53.数据查询单元，用于可以按照“时间”、“班次”在数据库进行详细查询和统计查询对应时间段的矿石类别比重以及粒度分析结果。

54.数据导出单元，用于将统计分析结果导出到excel报表中。

55.与现有技术相比，本发明的优势在于：

56.1、本发明结合目标检测技术及语义分割技术，可以很好的兼具矿石分类、定位及粒度分析工作，以此满足生产现场需求。

57.2、本发明将深度学习应用到矿石分类和矿石粒度分级中，在大量减少标注工作量的基础上可显著提高分类和粒度分级精度，达到提高破碎机效率、降低破碎能耗和为后续选矿流程提供指导的目的。

附图说明

58.图1、本发明方法的流程图；

59.图2、本发明步骤3的流程图；

60.图3、本发明装置的结构图。

具体实施方式

61.本发明提供一种基于深度学习网络的矿石分类和粒度分级方法，方法流程如图1所示，包括以下步骤：

62.步骤1、获取矿石图像数据并标注，构建矿石类别和粒度分级训练样本集与测试样本集；

63.矿石类别分为：磁铁矿、赤铁矿、褐铁矿和菱铁矿。

64.矿石粒度分级如下表所示：

[0065][0066][0067]

构建矿石粒度分级训练样本集与测试样本集，包括：

[0068]

去采场采集各个类别的矿石，对各个类别的矿石进行标注，随机打乱放入模拟搭建的皮带运输环境，进行图像的拍摄采集；根据对矿石类别的标注，对对应的图像进行标注，得到最终的数据集。

[0069]

该数据集共有300张图片，240张作为训练样本数据集，剩余60张作为测试样本数据集。

[0070]

步骤2、对矿石训练样本集与测试样本集进行图像预处理以增强图像和降低噪声；

[0071]

利用中值滤波消除孤立的噪声点；利用对比度受限的自适应直方图均衡处理图片，以进一步消除图像噪声增加图像对比度。

[0072]

椒盐噪声(salt-and-pepper noise)是由图像传感器，传输信道，解码处理等产生的黑白相间的亮暗点噪声。所谓椒盐，椒就是黑，盐就是白，椒盐噪声就是在图像上随机出现黑色白色的像素。椒盐噪声是一种因为信号脉冲强度引起的噪声，产生该噪声的算法也比较简单。椒盐噪声往往由图像切割引起，去除脉冲干扰及椒盐噪声最常用的算法是中值滤波。大量的实验研究发现，由摄像机拍摄得到的图像受离散的脉冲、椒盐噪声和零均值的高斯噪声的影响较严重。噪声给图像处理带来很多困难，对图像分割、特征提取、图像识别等具有直接影响。因此，实时采集的图像需进行滤波处理。消除图像中的噪声成份叫做图像的平滑化或滤波操作。滤波的目的有两个：一是抽出对象的特征作为图像识别的特征模式；二是为适应计算机处理的要求，消除图像数字化时所混入的噪声。对滤波处理的要求有两条：一是不能损坏图像轮廓及边缘等重要信息；二是使图像清晰，视觉效果好。

[0073]

中值滤波是一种典型的非线性滤波，是基于排序统计理论的一种能够有效抑制噪声的非线性信号处理技术，基本思想是用像素点邻域灰度值的中值来代替该像素点的灰度值，让周围的像素值接近真实的值从而消除孤立的噪声点。该方法在取出脉冲噪声、椒盐噪声的同时能保留图像的边缘细节。这些优良特性是线性滤波所不具备的。普通的直方图均衡算法对于整幅图像的像素使用相同的直方图变换，对于那些像素值分布比较均衡的图像来说，算法的效果很好。然后，如果图像中包括明显比图像其它区域暗或者亮的部分，在这些部分的对比度将得不到有效的增强。ahe算法通过对局部区域执行响应的直方图均衡来改变上述问题。其最简单的形式，就是每个像素通过其周边一个矩形范围内的像素的直方图进行均衡化。均衡的方式则完全同普通的均衡化算法：变换函数同像素周边的累积直方图函数(cdf)成比例。

[0074]

限制对比度自适应直方图均衡，主要是通过限制ahe算法的对比提高程度来达到的。在指定的像素值周边的对比度放大主要是由变换函数的斜度决定的。这个斜度和领域的累积直方图的斜度成比例。clahe通过在计算cdf前用预先定义的阈值来裁剪直方图以达到限制放大幅度的目的。这限制了cdf的斜度因此，也限制了变换函数的斜度。直方图被裁剪的值，也就是所谓的裁剪限幅，取决于直方图的分布因此也取决于领域大小的取值。

[0075]

步骤3、通过训练样本数据集建立对矿石进行分类和粒度分级的目标检测和语义分割深度卷积(mask-rcnn)神经网络模型，并通过测试样本数据集对模型做检验，训练过程如图2所示；

[0076]

3.1)将训练样本数据集输入进mask-rcnn神经网络模型：

[0077]

将数据集的格式转为coco数据集的(目标检测通用数据集)json文件格式，将数据集输入进网络模型。

[0078]

3.2)mask-rcnn神经网络模型先经过主干网络resnet-50提取图像的多层级特征；

[0079]

3.3)对于主干提取的多层级特征图，利用特征金字塔fpn模块，对特征图进行自顶向下的特征层融合，进一步提取精炼特征图的信息；

[0080]

3.4)对于处理之后的特征图，送入区域特征提取rpn模块，提取出特征图中的感兴趣(roi)区域，为后续的目标检测和分割提供样本；

[0081]

3.5)对于提取出的roi区域进行标准化处理——rolalign，将roi区域标准化为7*7的大小；

[0082]

3.6)将标准化的感兴趣区域roi输入进目标检测网络rcnn，经过卷积层和全连接层，得到矿石的分类信息和定位信息；

[0083]

3.7)将标准化的感兴趣区域roi并行的输入到语义分割网络fcn，由于语义分割需要的细节信息较多，会将roi上采样到28*28的大小，得到粒度信息；

[0084]

3.8)将输出向量(分类，定位和粒度信息)元素和图像标注的向量元素进行比较，计算输出损失函数，以及中间特征提取网络rpn阶段初步分类与定位的误差；

[0085]

3.9)计算出神经网络参数的调整量

△

w和偏置

△

b；

[0086]

3.10)使用adam优化器及损失函数，反向传播，更新网络模型的权值和偏置；adam是一种类似随机梯度下降的优化器，用以更新神经网络参数；

[0087]

3.11)当迭代次数达到设定值时即转入步骤3.12，如果不满足返回步骤3.2，继续迭代；

[0088]

3.12)训练结束。

[0089]

步骤4、使用训练好的模型进行矿石粒度在线实时分类和粒度分级，进行模型迭代与优化；

[0090]

采用coco通用数据集的预训练模型，可以加快模型训练速度，提高模型的精度。预训练模型技术，包括：

[0091]

4.1)使用步骤3训练好的模型对未标记图像进行预测，得到分类和定位信息；

[0092]

4.2)对于预测出来的图像结果，进行人工复检，如果效果好，可以将该图像加入训练样本集以扩充训练样本集；

[0093]

4.3)对于扩充后的数据集进行重新网络模型的训练；

[0094]

4.4)重复上述3个步骤，直至模型精度无法进一步提升，判断标准为：每一步迭代过程都会对测试集进行预测并与测试集的标签进行对比，得到诸如准确率，平均精度(map)，平均交并比(miou)等评价指标，当各项指标都保持平稳时，模型收敛，训练结束。

[0095]

步骤5、使用训练好的模型进行矿石在线实时分类和粒度分级；

[0096]

对采集的原料进行在线实时矿石分类和粒度分级，包括：

[0097]

5.1)实时获取工业相机输出的矿石视频流，定时截取、保存某一帧图像作为样本，使用步骤4迭代优化过的模型对样本图像进行预测，并实时显示矿石视频流和预测结果(矿石类别比重、粒度等级)，并将预测结果存储到数据库中；其中，对图像进行预测，会得到每块矿石的类别，每种矿石类别都对应一个数字，比如磁铁矿对应1，赤铁矿对应2等等，把一张图像中所有相同象素的个数统计出来，不包括背景0，即可统计出矿石类别比重；

[0098]

5.2)当矿石类别比重不符合规定要求(矿石中菱铁矿比例过高)或矿石粒度不符合规定要求时，进行声音提示报警。

[0099]

实施例2

[0100]

一种基于深度学习网络的矿石分类和粒度分级装置，如图3所示，包括：

[0101]

图像获取模块，用于截取工业相机的输出矿石视频流，得到待预测图像；

[0102]

图像预处理模块，用于对标注后的样本图像数据进行预处理，包括对比度受限的自适应直方图均衡和白噪声去除子模块；

[0103]

mask-rcnn神经网络模型模块，用于调用训练好的卷积神经网络模型对预处理后的矿石图像进行预测，输出各类矿石类别比重、矿石粒度信息；

[0104]

图像存储模块，用于对mask-rcnn神经网络模型处理过的图像进行存储；

[0105]

人机交互模块，用于在图形用户界面显示实时视频并提供相应的功能；

[0106]

统计分析模块，用于对一段时间内的各类矿石类别比重、粒度等级进行统计和分析。

[0107]

其中，所述图像存储模块包括：

[0108]

图像存储单元，用于将不同粒度级别的矿石图像分别存储到指定的文件夹，设定每个图像类别的存储上限，并且根据具体需求保存一定时间段的结果；

[0109]

数据库存储单元，用于定时将模型解析出的图像信息，包括各类矿石类别比重、矿石粒度信息，定时存入mysql数据库，并根据数据库索引查询统计信息；

[0110]

所述人机交互模块包括：

[0111]

视频显示单元，用于对工业相机拍摄的矿石视频流进行实时显示；

[0112]

统计分析单元，用于将图像存储模块中存储在mysql数据库中的信息，读取并且显示在前端，供现场工作人员实时查看；

[0113]

报警提醒单元，用于当出现不符合要求的矿石时(矿石尺寸不符合标准或者矿石中菱铁矿比例过高)，进行声音报警提示；

[0114]

数据查询单元，用于可以按照“时间”、“班次”在mysql数据库进行详细查询和统计查询对应时间段的矿石类别比重以及粒度分析结果。

[0115]

数据导出单元，用于将统计分析结果导出到excel报表中。技术特征：

1.一种基于深度学习网络的矿石分类和粒度分级方法，其特征在于，包括如下步骤：步骤1、获取矿石图像数据并标注，构建矿石类别和粒度分级训练样本集与测试样本集；步骤2、对矿石训练样本集与测试样本集进行图像预处理以增强图像和降低噪声；步骤3、通过训练样本集建立对矿石进行分类和粒度分级的目标检测和语义分割深度卷积神经网络模型，并通过测试样本集对模型做检验，得到训练好的模型；步骤4、使用训练好的模型进行矿石粒度在线实时分类和粒度分级，进行模型迭代与优化，得到迭代优化过的模型；步骤5、利用迭代优化过的模型对采集的原料进行在线实时矿石分类和粒度分级。2.根据权利要求1所述的基于深度学习网络的矿石分类和粒度分级方法，其特征在于，步骤1中构建矿石粒度分级训练样本集与测试样本集，包括：于采场采集各个类别的矿石并标注，随机打乱放入皮带运输环境，进行图像的拍摄采集；以对矿石类别的标注，将对应的图像进行标注，得到最终的数据集；其中一部分作为训练样本集，另一部分作为测试样本集。3.根据权利要求1所述的基于深度学习网络的矿石分类和粒度分级方法，其特征在于，步骤2中对矿石训练样本集与测试样本集进行图像预处理，包括：利用中值滤波消除孤立的噪声点；利用对比度受限的自适应直方图均衡处理图片，以进一步消除图像噪声。4.根据权利要求1所述的基于深度学习网络的矿石分类和粒度分级方法，其特征在于，步骤3中建立对矿石进行分类和粒度分级的mask-rcnn神经网络模型，包括：3.1)将训练样本集输入进mask-rcnn神经网络模型；3.2)模型先经过主干网络resnet-50提取图像的多层级特征；3.3)对于主干提取的多层级特征图，利用特征金字塔fpn模块，对特征图进行自顶向下的特征层融合，进一步提取精炼特征图的信息；3.4)对于提取精炼之后的特征图，送入区域特征提取rpn模块，提取出特征图中的感兴趣区域，为后续的目标检测和分割提供样本；3.5)对于提取出的roi区域进行标准化处理；3.6)将标准化的感兴趣区域roi输入进目标检测网络rcnn，经过卷积层和全连接层，得到矿石的分类信息和定位信息；3.7)将标准化的感兴趣区域roi并行的输入到语义分割网络fcn，得到粒度信息；3.8)将输出向量元素和图像标注的向量元素进行比较，构建总损失函数(计算输出损失函数以及中间特征提取网络rpn阶段初步分类与定位的损失函数)；3.9)计算出神经网络参数的调整量

△

w和偏置

△

b；3.10)使用adam优化器及损失函数，反向传播，更新网络模型的权值和偏置；3.11)当迭代次数达到设定值时转入步骤3.12，如果不满足返回步骤3.2，继续迭代；3.12)训练结束。5.根据权利要求1所述的基于深度学习网络的矿石分类和粒度分级方法，其特征在于，步骤4中模型迭代与优化采取预训练模型技术，包括：4.1)使用步骤3训练好的模型对未标记图像进行预测，得到分类和定位信息；4.2)对于预测出来的图像结果，进行人工复检，如果矿石分类精度高，可以将该图像加

入训练样本集以扩充训练样本集；4.3)对于扩充后的数据集进行重新网络模型的训练；4.4)重复上述3个步骤，直至模型精度无法进一步提升。6.根据权利要求1所述的基于深度学习网络的矿石分类和粒度分级方法，其特征在于，步骤5中对采集的原料进行在线实时矿石分类和粒度分级，包括：5.1)实时获取工业相机输出的矿石视频流，定时截取、保存某一帧图像作为样本，使用步骤4迭代优化过的模型对样本图像进行预测，并实时显示矿石视频流和预测结果，并将预测结果存储到数据库中；5.2)当矿石不符合规定要求时，进行声音提示报警。7.一种基于深度学习网络的矿石分类和粒度分级装置，其特征在于，包括：图像获取模块，用于截取工业相机的输出矿石视频流，得到待预测图像；图像预处理模块，用于对标注后的样本图像数据进行预处理，包括对比度受限的自适应直方图均衡和白噪声去除子模块；mask-rcnn神经网络模型模块，用于调用训练好的卷积神经网络模型对预处理后的矿石图像进行预测，输出各类矿石类别比重、矿石粒度信息；图像存储模块，用于对mask-rcnn神经网络模型处理过的图像进行存储；人机交互模块，用于在图形用户界面显示实时视频并提供相应的功能；统计分析模块，用于对一段时间内的各类矿石类别比重、粒度等级进行统计和分析。8.根据权利要求7所述的基于深度学习网络的矿石分类和粒度分级装置，其特征在于，所述图像存储模块包括：图像存储单元，用于将不同粒度级别的矿石图像分别存储到指定的文件夹，设定每个图像类别的存储上限，并且根据具体需求保存一定时间段的结果；数据库存储单元，用于定时将模型解析出的图像信息，包括各类矿石类别比重、矿石粒度信息，定时存入数据库，并根据数据库索引查询统计信息。9.根据权利要求7所述的基于深度学习网络的矿石分类和粒度分级装置，其特征在于，所述人机交互模块包括：视频显示单元，用于对工业相机拍摄的矿石视频流进行实时显示；统计分析单元，用于将图像存储模块中存储在数据库中的信息，读取并且显示在前端，供现场工作人员实时查看；报警提醒单元，用于当出现不符合要求的矿石时，进行报警提示；数据查询单元，用于可以按照“时间”、“班次”在数据库进行详细查询和统计查询对应时间段的矿石类别比重以及粒度分析结果；数据导出单元，用于将统计分析结果导出到excel报表中。

技术总结

本发明的目的是针对于现有技术中兼具分析矿石类别和粒度分布的图像识别技术有待改进的问题，提供了一种基于深度学习网络的矿石分类和粒度分级方法及装置，属于选矿技术领域。本发明应用计算机视觉中改进的Faster-RCNN目标检测网络提取特征，同时完成对矿石的分类及定位，取代人工设计的特征提取器；并通过目标检测网络提取出来的矿石位置，利用FCN语义分割网络对矿石进行分割，得到矿石的粒度信息；而且，通过对图像做对比度受限的自适应直方图均衡化、白噪声去除等数据预处理工作，得到高质量的图像信息；同时，结合目标检测及语义分割技术，对矿石进行分类及分割，提高破碎机效率、降低破碎能耗并为后续工序提供指导。导。导。

技术研发人员：胡健 杨晓峰 陈子一 苑庆波 宋军 肖成勇 董振海 王宇

受保护的技术使用者：鞍钢集团矿业有限公司

技术研发日：2021.12.24

技术公布日：2022/4/22