一种改进的破碎口矿石图像分割算法

粒度信息是反映矿石破碎质量的一项重要指标,而传统基于人工检测的方法耗时耗力。本文提出一种基于U-Net改进的深度学习网络模型对破碎口矿石进行分割,实现了对图像中矿石和背景较精确地分类,为后续自动统计矿石粒度信息奠定了基础。为了提高模型训练过程的准确率和改善因矿石图像数量少引起的模型过拟合问题,将分类网络Res2Net作为改进模型的编码部分,用以提取矿石图像特征;为了既能保持训练过程的平稳性,又能给予图像中矿石不同部位相适应的损失权重,将交叉熵损失函数与Focal-loss按照一定比例结合来促使网络收敛。实验结果表明,基于U-Net改进的模型在训练集上达到了90.1%的准确率,在测试集上有不错的分割效果,能为现场生产运作提供比较可靠的矿石粒度以及大块和异形信息。