[发明专利]基于二值化神经网络的深度学习矿石尺度测量方法及应用系统

权利要求书

1.一种基于二值化神经网络的深度学习矿石尺度测量方法及应用系统，用于对矿业生产中矿石进行智能化筛选，其特征是按以下步骤进行：

a、样本准备阶段，获取矿石块图像，预处理所述的矿石块图像为标记图像，将所述处理标记图像按9∶1分为训练样本和测试样本，对异常的标注图像数据进行剔除后得到训练用的数据集；

b、网络创建阶段，创建二值化的MS R-CNN网络；

c、网络训练阶段，将所述的二值化MS R-CNN网络在划分好的训练集X上训练；

d、网络运行阶段，通过所述的训练好的二值化MS R-CNN网络对测试样本进行检测获得分割后的矿石边缘轮廓，根据最小覆盖圆算法计算出矿石的尺寸大小。

2.如权利要求1所述基于二值化神经网络的深度学习矿石尺度测量方法，其特征是所述步骤a样本准备阶段获取矿石块图像的步骤，包括：

(1)在传送带不同角度和高度安装摄像头采集矿石块传输视频流数据；

(2)按照一定的时间间隔提取视频中的关键帧并保存为图像数据。

3.如权利要求1所述基于二值化神经网络的深度学习矿石尺度测量方法，其特征是所述步骤a样本准备阶段预处理步骤，包括：

(1)采用标注软件对所述图像数据进行标注，获得并保存标注后的标记数据集；

(2)从标注后的数据集中按照9∶1分成训练样本和测试样本；

(3)对训练样本进行图像增强，包括：对图像进行随机角度旋转、仿射变换、翻转和噪声处理。

4.如权利要求1所述基于二值化神经网络的深度学习矿石尺度测量方法，其特征是所述步骤a样本准备阶段对异常数据剔除步骤，包括：

(1)设置标注框面积阈值，去除面积小于阈值的标注数据，其余标注框面积大于阈值；

(2)剔除明显错误的数据，根据标注框每个顶点的位置坐标，剔除坐标位置颠倒的顶点所对应的标注框。

5.如权利要求1所述基于二值化神经网络的深度学习矿石尺度测量方法，其特征是所述步骤b网络创建阶段创建实例分割网络，包括：

(1)选择MS R-CNN实例分割网络框架，采用以ResNet-50为基础的RPN网络作为Backbone network，采用传统的R-CNN头获取分类结果和预测框坐标，采用Mask R-CNN的FCN掩模头和MS R-CNN框架独创的MaskIOU头来获得分割结果；

(2)ResNet-50为基础的RPN网络由3个conv2_x(3个卷积层)，4个conv3_x(3个卷积层)，6个conv4_x(3个卷积层)，3个conv5_x(3个卷积层)组成，第一层是一个7×7的卷积，最后一层是一个全连接层；其中四种不同大小残差块，分别为conv2_x(卷积核1×1，数量64；卷积核3×3，数量64；卷积核1×1，数量256)，conv3_x(卷积核1×1，数量128；卷积核3×3，数量128；卷积核1×1，数量512)，conv4_x(卷积核1×1，数量256；卷积核3×3，数量256；卷积核1×1，数量1024)，conv5_x(卷积核1×1，数量512；卷积核3×3，数量512；卷积核1×1，数量2048)；

(3)R-CNN头由7×7×256的卷积层和两个1024的全连接层构成；

(4)FCN掩模头由5个14×14×256的卷积层，1个28×28×256的卷积层和1个28×28×80的卷积层构成；

(5)MaskIOU头由4个14×14×256的卷积层，1个7×7×256的卷积层，2个1024的全连接层和最后输出c个分割结果的全连接层构成。