关键词:
钨矿检测
深度学习
图像分类
目标检测
样本扩充
X射线技术
摘要:
黑钨矿石作为一种具有战略意义的有色金属,具有高密度、高熔点和耐腐蚀等诸多优点,在生活、工业和军事等方面有着非常重要的应用。矿山开采出原矿,需要经过一系列选矿工艺后才能成为我们所需的钨精矿,所以在原矿中分选出钨矿成为选矿中最重要的一步,矿石分选的准确率在根本上决定了矿石资源的回收率,随着现代数字化建设的脚步推进,矿山企业也慢慢地向数字化企业转型,但现在仍有许多矿山选厂使用人工手选的方式进行选矿,工人每天长时间对大处理量的原矿进行手选,易导致分选人员陷入视觉疲劳,且许多钨矿藏于矿石内部不易被工人发现,这些都易导致人工误检漏检,造成钨矿资源的浪费,因此对于钨矿石的自动检测方法研究在钨矿回收和自动化减人方面是具有重要意义的研究方向。本文基于X射线扫描技术和深度学习检测技术代替人工进行钨矿识别,针对钨矿石和废石在X射线照射后对比度差异大、低品位矿石不易识别、矿石形态差异大、矿石处理量大和干扰多等因素,建立了基于分类网络和基于目标检测网络的两种钨矿检测模型,并结合领域内的多种模型改进方案,对各网络模型进行改进,在保证分选速率的基础上提升模型分选准确率。主要研究工作由如下三点展开:1.由于当前研究领域中尚没有公开的X射线矿石图像分类和检测数据集,本文自建X射线钨矿石图像数据集,采集像素大小为1664*256的X射线矿石原图并对其进行处理后创建数据集。对于图像分类数据集,使用图像处理将原图中的小矿石进行切割,然后使用人工和模型分选相结合的方式建立了一个四分类和二分类的分类数据集。对于目标检测数据集,由于人工标注所耗费的人工各时间成本较长,所以首先只使用人工标注的方式创建少部分数据集,然后使用图像生成的方式自动生成矿石图像数据集,最后使用模型标注和人工确认的方式生成部分数据集。结合这三种方法,能以较快的速度创建一个所需的目标检测矿石图像数据集。2.基于深度学习中的分类网络X射线钨矿图像检测方案。根据实时性要求使用轻量级网络MobileNet V2网络作为主干网络,并使用改进方案对主干网络进行改进,提升模型的矿石检测性能。首先,通过调整扩展因子和宽度因子大幅减少模型参数量,实现模型轻量化的目的;其次,通过在部分倒残差模块和原模型分类器中嵌入高效通道注意力机制,并将剩余倒残差模块替换为含深度空洞卷积的并行特征提取网络,以增强模型特征信息提取能力,提升模型识别准确率;最后,使用迁移学习的训练方式初始化权重,加速模型训练。经过改进,该算法对于钨矿石的识别准确率提升至99.10%,对比经典的分类网络,改进后的MobileNet V2对于X射线钨矿图像的检测准确率和检测速率都具有较优表现,且部署于软件系统中满足矿石分选的检测稳定性与实时性要求。3.基于深度学习中的目标检测网络X射线钨石图像检测方案。根据矿石分选的识别准确率和识别速率前提,使用Yolov5s网络作为主干网络,嵌入注意力机制增加网络对于有效特征的提取能力,加入EIo U损失函数增加模型的收敛速度和对矿石目标的定位精度,改变训练策略来减少钨矿特征的信息丢失。通过这些改进提升检测模型对钨矿图像的整体检测性能,能够间接的增加钨矿回收率。实验表明,改进后的Yolov5s对于钨矿的检测准确率高达97.63%,召回率高达97.05%,且模型对矿石图像的检测速率高达每秒41.11帧。相比其他经典目标检测算法,改进后的Yolov5s算法具有更好的表现,且部署于软件系统中满足矿石分选的检测稳定性与实时性要求。