[发明专利]一种基于多尺度特征融合的矿石分选模型训练方法及系统

权利要求书

1.一种基于多尺度特征融合的矿石分选模型训练方法，其特征在于，所述方法包括：

获取若干矿石图像数据，并按照预设规则根据若干所述矿石图像数据划分出训练集以及验证集；

对所述训练集进行随机数据增强处理，并获取多尺度特征融合算法中的主干网络，以提取出所述主干网络中的多尺度特征，且根据所述多尺度特征构建出对应的ResNet-MS网络；

设置所述ResNet-MS网络的学习率初始值、学习率变化方法以及优化器种类，并将所述训练集和所述验证集分别输入至所述ResNet-MS网络中；

分别比较每一所述验证集通过所述ResNet-MS网络输出的准确率，并将准确率最高的验证集对应的ResNet-MS网络设定为目标矿石分选模型；

所述对所述训练集进行随机数据增强处理的步骤包括：

通过RGB方式在所述训练集以及所述验证集中读取出具有tif格式的若干初始图片，并将若干所述初始图片均缩放至96x96像素，以生成若干对应的目标图片；

将若干所述目标图片以第一预设概率进行水平翻转，并将若干所述目标图片的亮度、对比度、饱和度以及色调在预设变化阈值内进行随机变换；

将若干所述目标图片以第二预设概率转换成对应的灰度图，并将若干所述目标图片以第三预设概率添加预设幅值的标准高斯噪声；

所述基于多尺度特征融合算法构建出ResNet-MS网络的步骤包括：

获取所述多尺度特征融合算法中的主干网络，并提取出所述主干网络中的多尺度特征，并获取所述主干网络中产生的若干特征图；

逐一识别出每一所述特征图对应的大小尺寸以及通道数，并通过所述多尺度特征融合算法中的通道均衡模块对若干所述特征图的通道数进行均衡处理；

获取每一所述特征图中的若干通道分别对应的权重，并对每一所述权重进行累乘运算，以生成对应的若干加权特征图；

通过所述多尺度特征融合算法中的融合模块对若干所述加权特征图进行融合处理，以构建出所述ResNet-MS网络。

2.根据权利要求1所述的基于多尺度特征融合的矿石分选模型训练方法，其特征在于：所述通过所述多尺度特征融合算法中的通道均衡模块对若干所述特征图的通道数进行均衡处理的步骤包括：

将若干所述特征图输入至ECA通道注意力机制中，以识别出若干所述特征图分别对应的目标通道数，并通过第一预设卷积函数将若干所述特征图对应的目标通道数均转变成第一固定值；

将所述第一固定值输入至PfAAM混合注意力机制中，并通过第二预设卷积函数将所述第一固定值转变为第二固定值，所述第二固定值大于所述第一固定值；

将每一所述特征图转换为对应的特征向量，以完成对若干所述特征图的通道数的均衡处理。

3.根据权利要求2所述的基于多尺度特征融合的矿石分选模型训练方法，其特征在于：所述获取每一所述特征图中的若干通道分别对应的权重，并对每一所述权重进行累乘运算，以生成对应的若干加权特征图的步骤包括：

通过所述特征向量计算出与所述特征图适配的一维卷积核参数，并将所述一维卷积核参数输入至所述一维卷积中，以通过所述一维卷积分别计算出每一所述特征图中的若干通道分别对应的权重；

对若干所述通道分别对应的权重进行归一化处理，并将归一化处理后的权重与对应的特征图逐通道相乘，以生成对应的若干所述加权特征图。

4.根据权利要求1所述的基于多尺度特征融合的矿石分选模型训练方法，其特征在于：所述通过所述多尺度特征融合算法中的融合模块对若干所述加权特征图进行融合处理的步骤包括：

分别提取出每一所述加权特征图分别对应的特征图维度，并获取每一所述加权特征图对应的特征图尺寸；

根据所述特征图维度以及所述特征图尺寸计算出对应的交互矩阵，并对所述交互矩阵进行归一化处理，以生成对应的归一化交互矩阵，以完成对若干所述加权特征图的融合处理。

5.根据权利要求1所述的基于多尺度特征融合的矿石分选模型训练方法，其特征在于：所述方法还包括：

获取与所述目标矿石分选模型对应的目标矿石种类，并建立所述目标矿石种类与所述目标矿石分选模型之间的映射关系；

基于所述映射关系构建出所述目标矿石分选模型的启用规则，所述启用规则具有唯一性。