[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

说明书

本发明提供了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，该方法包括：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，并基于多尺度特征融合算法构建出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。通过上述方式能够显著提升低品位矿石的回收利用率。

技术领域

本发明涉及数据处理技术领域，特别涉及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。

背景技术

早期常规的选矿依方式不同可分为：磁选、重选、浮选等，这些选矿工艺都必须将矿石磨至细小颗粒或粉末，耗能高、污染大，成本也居高不下，属于传统的选矿工艺。在人工智能高速发展的背景下，目前国内外一批新兴的高技术选矿设备制造企业，采用最新的X射线透视成像和人工智能判别的技术路线。该类技术可在原矿石破碎后直接进行干式分选，有效地降低了贫化损失，降低了污染与成本，提升了效率。

基于卷积神经网络的识别技术是当今图像识别的主流方式之一，目前，高品位矿石经 X 射线透视成像后，特征明显，识别率较高；而低品位的矿石，由于矿石内部的矿物质零星分布，且粒度较小，导致矿石图像在多次下采样的过程中，会造成特征丢失，难以识别，致使低品位矿石的回收率较低，造成了资源的浪费。

因此，针对现有技术中的低品位矿石图像中小粒度特征丢失，导致识别率较低的情况，提出一种基于多尺度特征融合的矿石分选模型训练方法很有必要。

发明内容

基于此，本发明的目的是提供一种基于多尺度特征融合的矿石分选模型训练方法，以提升低品位矿石的识别率。

本发明实施例第一方面提出了一种基于多尺度特征融合的矿石分选模型训练方法，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，并基于多尺度特征融合算法构建出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。

本发明的有益效果是：通过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；进一步的，对所述训练集进行随机数据增强处理，并基于多尺度特征融合算法构建出ResNet-MS网络；更进一步的，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；最后只需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。通过上述方式能够基于多尺度特征融合算法将不同尺度的特征进行融合，在此过程之中，能够有效的保留小粒度的特征，从而显著提升了低品位矿石的回收利用率，进而提升了工业生产中资源的回收利用水平，减少了资源的损失与浪费，提升了用户的使用体验。

优选的，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；