[发明专利]一种基于EfficientDet网络的深度学习矿石大小测量方法及预警系统

说明书

本发明公开了一种基于EfficientDet网络的深度学习矿石测量方法及应用系统，其中包括：通过高帧率摄像头获取流动皮带上的矿石图像；预处理矿石图像：标记图像中所有矿石，去除异常数据，对图像进行数据增强；将标记后的样本按7：2：1分为训练集，验证集和测试集；使用EfficientDet网络进行训练得到网络模型；在测试的时候使用EfficientDet网络模型得到的预测框定位出矿石的位置并通过摄像头的焦距以及图像像素大小计算出矿石的大小；根据系统预设阈值，发现有矿石大小超过系统阈值时发出提醒。本发明可以的高效的检测矿石的大小，相对于其他网络模型，使用更少的参数，有更快的检测速度，极大地降低了对人工的依赖。

技术领域

本发明涉及一种图像目标识别方法，一种基于EfficientDet网络的深度学习矿石大小测量方法及预警系统。

背景技术

矿产资源指经过地质成矿作用，使埋藏于地下或出露于地表、并具有开发利用价值的矿物或有用元素的含量达到具有工业利用价值的集合体。矿产资源是重要的自然资源，是社会生产发展的重要物质基础，现代社会人们的生产和生活都离不开矿产资源。矿产资源属于不可再生资源，其储量是有限的。要加大对矿产资源的利用的广度和深度。按其特点和用途，通常分为金属矿产、非金属矿产和能源矿产三大类。金属矿石的采掘以爆破形式进行，不均匀的矿石经过皮带机运输到一级破碎机时，如果矿石大小太大容易损伤破碎机机体。目前主要人工进行监控，再筛选大块矿石，以降低对破碎机机体的损害。而人工筛选的问题主要有两点：首先是安全问题，提升井皮带机环境恶劣，粉尘和噪声严重，长时间对工人身体造成损伤;其次是人工监测长时间工作会出现视觉疲劳，容易出现漏检情况，导致损伤破碎机机体。国外一些发达国家，已经将机器视觉的相关知识应用到矿石的开采中，以提高效率，而国内现在使用机器视觉相关知识的还比较少。本专利采用深度学习领域机器视觉相关知识，构建EfficientDet检测网络，实现所有的矿石块的实时检测，定位其位置，识别其大小，并在遇到超过系统阈值大小的矿石块时进行实时预警，告知皮带控制系统相关情况，使皮带及时停止。于此同时将异常信号传输给执行机构，执行机构拨出大块矿石。大量减少了人工的使用，保障工人安全的同时提高了检测效率，极大地降低漏检的情况。模型效率在计算机视觉中十分重要， EfficientDet网络相较于之前的深度学习网络如MaskR-CNN等，可以使用更少的参数和更低的运算量达到更高的精度，以提高检测的效率。

综上所述，传统的矿石大小检测需要大量的人工进行手工操作问题，基于神经网络的模型的检测参数量过大，需要强大的算力的技术问题，本专利使用EfficientDet进行矿石大小检测和预警，大量减少了人工的使用，提高了检测效率。

发明内容

对于上述现有技术存在的问题，提出了一种基于EfficientDet网络的深度学习矿石大小测量方法及预警系统，目的是为了解决矿石大小检测中存在的极大地依赖人工，效率低，准确率低，模型参数量过大，需要强大的算力的技术问题。具体包括：通过高帧率摄像头捕捉皮带上运输矿石的视频流，将视频流转换为图片;将图像进行手工标注，并剔除异常的矿石图片；将获取到的矿石图片按7：2：1分为训练图片、验证图片和测试图片；对矿石图片进行数据增强提高泛化能力;使用EfficientNet网络作为骨干，创建EfficientDet目标检测网络，使用训练数据集得到网络模型;使用训练完成的EfficientDet网络模型进行测试，将得到的预测框用于定位出矿石的位置并通过摄像头的焦距以及图像像素大小计算出矿石的大小。根据系统预设阈值，发现有矿石大小超过系统阈值时发出预警，同时将异常信号传输给执行机构，执行机构拨出大块矿石。

本发明采用如下技术方案解决技术问题： 一种基于EfficientDet网络的深度学习矿石大小测量方法及预警系统，用在矿业中检测矿石大小，并对超过阈值大小的矿石块进行智能化处理，具体步骤如下：

S1、数据获取阶段：通过高速摄像头拍摄流动皮带上矿石，将视频流的关键帧存储为图片;