[发明专利]煤矸石分拣方法、装置、设备及存储介质

权利要求书

1.一种煤矸石分拣方法，其特征在于，包括：

获取待分拣图片，所述待分拣图片包含煤块和/或煤矸石；

通过构建的深度学习模型，对所述待分拣图片中的煤块和煤矸石进行分拣。

2.根据权利要求1所述的煤矸石分拣方法，其特征在于，所述深度学习模型通过下述步骤构建：

获取包含煤块和煤矸石的物体块训练集，所述物体块训练集包括多个物体块训练样本；

采用所述物体块训练集对掩模-区域卷积神经网络网络进行训练，构建所述深度学习模型。

3.根据权利要求2所述的煤矸石分拣方法，其特征在于，所述获取包含煤块和煤矸石的物体块训练集前，还包括：

获取包含所述煤块和煤矸石的物体块原始图片；

对所述物体块原始图片采用边缘标注工具进行边缘标注，获得物体块标注图片；

对所述物体块标注图片作预处理，获得所述物体块训练样本；

多个所述物体块训练样本确定为所述包含煤块和煤矸石的物体块训练集。

4.根据权利要求3所述的煤矸石分拣方法，其特征在于，所述采用所述物体块训练集对掩模-区域卷积神经网络网络进行训练，构建所述深度学习模型，包括：

采用深度残差网络对所述物体块训练集提取特征，得到第一层特征图；

通过深度残差网络-特征金字塔网络/区域建议网络生成建议窗口，所述每个物体块训练样本生成至少一个建议窗口；

将所述建议窗口映射到所述第一层特征图，得到感兴趣区域；

通过感兴趣区域对齐层，使得每个感兴趣区域生成了固定尺寸的第二层特征图；

利用全连接层对第二层特征图进行分类和边框回归，利用全卷积网络进行像素点的分类，得到掩模，从而得到每个物体块的类别以及各个物体块的轮廓边缘信息；

根据所述物体块训练集的标注信息，结合得到的所述每个物体块的类别以及各个物体块的轮廓边缘信息，拟合模型参数，构建所述深度学习模型。

5.一种煤矸石分拣装置，其特征在于，包括：

获取模块，用于获取待分拣图片，所述待分拣图片包含煤块和/或煤矸石；

分拣模块，用于通过构建的深度学习模型，对所述待分拣图片中的煤块和煤矸石进行分拣。

6.根据权利要求5所述的煤矸石分拣装置，其特征在于，所述分拣模块包括深度学习模型构建单元，

所述深度学习模型构建单元用于获取包含煤块和煤矸石的物体块训练集；采用所述物体块训练集对掩模-区域卷积神经网络网络进行训练，构建所述深度学习模型。

7.根据权利要求6所述的煤矸石分拣装置，其特征在于，该装置还用于：

获取包含所述煤块和煤矸石的物体块原始图片；

对所述物体块原始图片采用边缘标注工具进行边缘标注，获得物体块标注图片；

对所述物体块标注图片作预处理，获得物体块训练样本；

多个所述物体块训练样本确定为所述包含煤块和煤矸石的物体块训练集。

8.根据权利要求7所述的煤矸石分拣装置，其特征在于，所述深度学习模型构建单元还用于：

采用深度残差网络对所述物体块训练集提取特征，得到第一层特征图；

通过深度残差网络-特征金字塔网络/区域建议网络生成建议窗口；

将所述建议窗口映射到所述第一层特征图，得到感兴趣区域，所述感兴趣区域的个数与所述建议窗口个数一致；

通过感兴趣区域对齐层，使得每个感兴趣区域生成了固定尺寸的第二层特征图；

利用全连接层对第二层特征图进行分类和边框回归，利用全卷积网络进行像素点的分类，得到掩模，从而得到每个物体块的类别以及各个物体块的轮廓边缘信息；

根据所述物体块训练集的标注信息，结合得到的所述每个物体块的类别以及各个物体块的轮廓边缘信息，拟合模型参数，构建所述深度学习模型。

9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1～4中任一项所述方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1～4中任一项所述方法。