基于深度学习的金属矿物镜下嵌布粒度检测方法

目标矿物嵌布粒度是指目标矿物在矿石中的粒度大小和分布情况,直接影响着选矿工艺的设计和效果。因此,目标矿物嵌布粒度测量是工艺矿物学研究中的重要任务之一。在传统工艺矿物学研究中,主要利用偏光显微镜对矿石样品进行观察分析的方法,普遍存在处理时间长、结果易受人为主观影响、难以实现自动化和大规模应用等问题。为克服传统方法的局限性,提出一种基于深度学习的金属矿物镜下嵌布粒度检测方法。以河北省唐山市水厂磁铁矿矿石标本为对象,在偏光显微镜的反射光条件下进行拍摄,制作数据集,利用Deeplabv3+网络设计了矿物识别网络模型,实现对目标金属矿物的自动化特征提取和智能识别,并生成目的金属矿物的二值化图像,从而实现对目的金属矿物的分割;最后,结合最大Feret直径完成目的金属矿物嵌布粒度分析测量工作。相较于传统的人工镜下测量方法,基于深度学习的图像测量在矿物颗粒分析中的应用,在测量相同矿物颗粒的情境下,处理速度提高了约119.8倍,同时测量精度提升了约169.5倍,揭示了其在处理效率和测量精度上的显著优势。基于深度学习的金属矿物镜下嵌布粒度检测方法显著缩短了矿物镜下嵌布粒度的检测时间并提升了检测精度,同时可消除人为主观因素的影响,对于促进工艺矿物学智能化发展有重要意义。

木材树种计算机视觉识别技术发展与应用

我国是全球林产品生产、贸易和消费第一大国,因此受到国际社会的广泛关注。在木材和木制品贸易流通环节经常出现以假乱真、以次充好的现象,为国际履约执法和林产品产业监管带来严峻挑战。基于木材解剖的传统木材树种识别方法,一般只能识别木材到“属”或“类”。近年来发展的DNA条形码、近红外光谱等木材树种识别新技术虽然可以实现木材“种”的识别,但难以在口岸、现场等多场景下对大批量样本进行自动精准识别。随着计算机技术的快速发展,计算机视觉识别技术可以从不同类别图像中提取关键特征,从而对图像进行分类,为木材树种分类带来新的途径。笔者首先介绍了基于图像采集、特征提取和树种分类的传统木材树种计算机视觉识别技术研究概况,然后从图像数据集构建、模型构建训练与测试以及系统开发等应用等方面介绍了基于深度学习的木材树种计算机视觉识别技术研究应用现状,并结合国内外研究进展对基于深度学习的计算机视觉识别技术在木材树种识别领域的应用进行了展望和提出建议,以期为木材树种自动精准识别研究提供新的思路。