[发明专利]一种基于轻量级目标检测架构的矿物智能分选方法

说明书

本发明公开了一种基于轻量级目标检测架构的矿物智能分选方法，实现了高精度、高速度、低体积、低计算复杂度的智能矿物分选。利用矿物图像轻量级目标检测模型，可精确、快速、高效地实现矿物目标的定位与识别，相较于基于深度学习图像分类技术的矿物分选方法，本发明实现了定位与识别的一体化矿物智能分选，无需额外的整体任务划分过程，实现了端到端的整合。通过注意力机制和基于注意力机制的路径聚合网络增强了模型的特征提取能力，对表观差异较小、尺度差异较大的矿物目标仍能保持着优秀的识别能力。对于粘连、重叠的矿石目标和非矿石目标，本发明所提供的方法能够独立识别并精确定位，解决了现有技术中的漏检、误检问题。

技术领域

本发明涉及一种基于轻量级目标检测架构的矿物智能分选方法，属于矿物分选和计算机视觉技术领域。

背景技术

发展至今，矿物分选过程已经形成了典型的工业流程，具有工序多、产线长、技术复杂、生产环境恶劣的产业特点。同时，传统的矿物分选方法以重力分选、磁场分选、电场分选、复合物立场分选和化学浮选为主，存在耗能高、耗时久、速度慢、污染严重等局限性。因此，上述问题亟需新兴智能选矿设备的研发来解决，以达到成本低、耗时短、精度高且无污染的矿物分选。

早期，矿物智能分选设备多以射线传感器为技术支撑，如γ射线分析,罗曼光谱分析、X射线衍射(XRD)分析和X射线荧光(XRF)分析等。基于射线传感器的矿物智能分选设备利用离子与电子的化学特征或矿样X射线特征谱线来确定矿物成分信息，完成分类任务。因此，基于射线传感器的矿物智能分选设备分类精确度较高，在大块矿石的识别与分选中有着巨大潜力。然而，基于传感器的矿物分选方案存在着局限性。一方面，该类设备主要依靠矿物的化学成分与晶体结构对矿物进行分析，加大了工作量与时间消耗。另一方面，其存在高成本、高辐射等缺陷，限制了其作为智能矿物分选设备的应用发展前景。

现阶段，成像与视觉技术的发展使图像的采集过程更加简化，也使采集图像的质量更优，且计算机图像处理技术在近几十年的发展中得到推动，协同带动了图像分类技术的发展。矿物图像分类系统则是该领域的应用方向之一，其利用矿物图像的光学特征，如沟壑、纹理、颜色、光泽等进行图片分类，以完成矿物分选。在基于计算机视觉和图像处理的矿物分选设备发展历史中，该类设备首先以传统机器学习技术为核心，如决策树、朴素贝叶斯、K最近邻、人工神经网络、主成分分析、支持向量机等。相较于基于射线传感器的矿物智能分选设备，基于机器学习的矿物分选设备有着成效率高、无辐射、成本低、易安装等优势。然而，基于机器学习的图像分类技术需要更高的分辨率图像输入，且需要相关专业人员对矿物图像特征进行提取与选择，对于部分任务经验较少的研究人员来说这一过程具有难度。因此，上述两方面因素降低了基于机器学习的矿物分选设备的应用前景与潜力。

深度学习技术的出现与蓬勃发展为上述问题的解决提供了一条新的路径，其基于数据驱动的思想，能够在海量数据中自动完成特征信息提取和汇聚，并基于提取信息完成具体下游任务。其中，基于深度学习的图像处理技术在图像分类、图像分割、关键点检测、3D重建等复杂任务中均居的优异成绩。因此，该技术也被逐步应用于矿物智能分选设备的研发过程之中，以提高检测精度和检测速度，并简化人工操作的难度。然而，基于深度学习图像分类的矿物智能分选设备仍将整体分选任务划分为定位和分类两个过程，未实现端到端的整合。一方面，这种两段式的分选过程会增加任务的整体耗时，进而降低分选效率，且漏检、误检和定位不准确等问题也限制了该技术的应用。另一方面，在工业实践中，矿物分选多为实地作业，因此大型计算设备常难以直接被部署在施工现场。在上述严峻、复杂的工况下，边缘计算设备便成为了深度学习模型部署的首要选择。然而，相较于大型服务器而言，边缘设备的计算能力、储存空间和推理速度仍相对有限，这使得现有参数量庞大的深度学习模型常难以被部署于该类设备之中，因此亟需进一步的研究与解决，以满足工业矿物分选的实际需求。

发明内容

有鉴于此，本发明提供了一种基于轻量级目标检测架构的矿物智能分选方法，该方法在经过模型训练后可以直接被部署在矿物分选现场的边缘计算设备之中，实现矿物的高精度、快速分选。

本发明的技术解决方案是：