基于深度学习算法的矿岩识别技术研究

矿山现场工作人员在作业过程中需要及时判断矿石与围岩,及时优化开采设计方案有助于控制矿石损失贫化.为了实现对矿山现场矿石和围岩的智能化识别,对比了多种算法后采用EfficientDet神经网络模型,矿石和围岩的识别特征较为明显,选用EfficientDet中D0版本进行训练进而获得神经网络模型.基于井下环境进行数据扩充,在检测前对图像进行预处理.通过验证,模型对矿石和围岩识别正确率可以达到96％.在识别矿岩交界处的图片时,对于矿石、围岩分类的准确率超过91％,且预测框大小合适,可以很好地观测到矿岩交界线.模型能够在不同环境下高效、准确地识别矿石和围岩,证明模型的泛化性和鲁棒性较强.     

基于YOLOv4-tiny的铁矿石品位识别技术研究

为实现矿山现场对不同铁矿石品位的智能化识别以及模型在便携设备上的搭载,对不同铁矿石的不 同品位进行了数据增强处理并选择 YOLOv4-tiny 作为训练的神经网络算法。YOLOv4-tiny 深度学习神经网络框 架,采用 CSPdarknet53_tiny 作为主干提取网络并结合 FPN 对岩石图像进行特征提取和学习,在训练过程中采用迁 移学习思想以及早停法对训练进行加速,进而生成铁矿石品位识别模型。最终通过测试集验证,模型对于每种矿 石品位图像识别正确率大于 91%。对于不同环境拍摄的图像以及视频识别也超过 80%。模型可以很好地区分不 同品位的铁矿石,试验证明模型的鲁棒性较强。     

矿石块度视觉识别判断方法

针对传送带矿石块度还需要人工测量的问题,提出了一种基于深度学习的矿石块度检测方法.该方法在Darknet框架下采用残差神经网络结构组成CSPDarkNet21主干特征提取网络,在考虑只需要识别判断大块矿石的条件下选用简单双向特征融合PANet作为特征提取网络并将PANet由三个特征层简化为一个特征层,加快了模型训练及预...