[发明专利]一种基于Mask-RCNN算法的选矿摇床矿带分析模型

说明书

一种基于Mask‑RCNN算法的选矿摇床矿带分析模型，包括以下步骤：1)摇床图像的实时获取：安装并巩固摄像头，对准摇床侧面，通过监控摄像头采集数据；2)图像处理：对采集的每一帧图像进行压缩和饱和度调整；其中，对于用于训练和验证模型的数据，使用VGG Image Annotator工具进行人工语义标注；相比较传统人工操作方法需要频繁调整接矿板、人工劳动力度大、效率低下，本发明实现快速精确的反馈精矿带和尾矿带分界线的位置信息，以及能够实时计算矿槽与精矿带边界线的实际距离，通过该距离可实现接矿板自动调整位置，提高精矿品位的合格率，加快分离矿物的效率。

技术领域

本发明涉及工业轮廓检测、语义分割和深度学习领域，主要涉及一种基于Mask-RCNN算法的选矿摇床矿带分析模型。

背景技术

选矿技术直接反映出矿物利用率与资源浪费程度，决定了工矿企业的生产品质，而直接影响选矿效能的是选矿设备的性能。摇床作为选矿设备中重要的重选设备，能够让复合矿物在水流推力和床面不对称往复运动作用下发生松散和分层，最后在床面呈现精矿带、中矿带和尾矿带等多条扇形矿带分布，实现不同品位矿物分选。当前的摇床选矿工艺已非常成熟，但自动化程度仍然不高。由于受矿量、给矿粒度、给矿浓度等诸多因素影响，摇床上的扇形矿带分布实时变动。操作工必须通过肉眼识别矿带特征信息，手动调整接矿板位置，获得最小的矿物浪费和合格的精矿品位。然而，这种传统的人工操作方法要求频繁调整接矿板位置，岗位劳动强度大，企业承担的人工成本逐年递增，选矿指标因诸多人为主观因素而存在争议。

当前，智能化是传统行业发展的重大趋势，依靠科技创新和智能化升级转换企业发展动力能够实现企业高质量高效益发展。为了提高摇床的选矿性能和提升工矿企业的生产品质，本发明提出将深度学习算法与摇床工艺技术结合，通过摄像头拍摄矿床实时动态信息，计算机对当前矿床上的扇形矿带分布进行算法分析，能够精准识别尾矿带和精矿带的分界线，并反馈分界线在矿床边缘的位置，实现接矿板及时调动。

发明内容

为了克服现有技术的缺点，本发明提供一种基于Mask-RCNN算法的选矿摇床矿带分析模型，该模型算法简单，便于移植于系统中应用，通过Mask-RCNN算法实现矿床矿带分界线识别。

本发明解决其技术问题所采用的技术方案如下：

一种基于Mask-RCNN算法的选矿摇床矿带分析模型，包括如下步骤：

S1：摇床图像的实时获取：安装并巩固摄像头，对准摇床侧面，通过监控摄像头采集数据；

S2：图像处理：对采集的每一帧图像进行压缩和饱和度调整；其中，对于用于训练和验证模型的数据，使用VGG Image Annotator(VIA) 工具进行人工语义标注；

S3：构建基于Mask-RCNN算法的语义分割模型，用于获取摇床尾矿带和精矿带的中间区域以及矿槽位置信息：使用训练集训练 Mask-RCNN模型，调整学习率和相关超参，获取模型最佳参数文件；使用训练获得的参数文件部署Mask-RCNN模型，实现实时帧数据的语义分割，识别并掩码精矿带和尾矿间的中间区域，以及矿槽位置；

S4：获取边缘信息，排除背景对检测的干扰：使用Sobe l边缘检测和图像二值化方法，突出目标边界线所在位置，去除图像背景对其边界定位干扰；

S5：裁剪图像，并进行边界线在摇床边缘的检测：已知图片中摇床边缘的固定位置，设定四个点构建长方形框，要求包含完整摇床边缘信息，然后进行S4后图像的裁剪；通过垂直投影，分别从位置0 和最大位置开始检测连续5个非零点记录其坐标，获取两条边界线与摇床边缘交点的y方向位置信息；根据预先设定的多尺度距离转换公式，根据交点和矿槽的y方向信息可求出分界线在摇床上的实际位置信息；

S6：将矿槽位置、两条边界线在摇床边缘的交叉点以及矿槽距离精矿带的距离记录于数据库中；