[发明专利]一种基于弱监督YOLO模型的矿石泥团目标检测方法和系统

说明书

本发明公开了一种基于弱监督YOLO模型的矿石泥团目标检测方法，包括步骤：实时采集传送带上的矿石泥团图像，将采集的矿石泥团图像输入训练好的WS‑YOLO模型中，以获取矿石泥团图像中的泥团目标。WS‑YOLO模型包括顺次连接的DarkNet53网络、FPN网络、第一全连接层、以及第二全连接层，与该第二全连接层连接的目标分类器和目标位置回归模型，以及与目标分类器和目标位置回归模型连接的主动学习模块，其中主动学习模块包括顺次连接的US策略子模块、专家标注子模块、以及样本池，样本池的输出连接到DarkNet53网络的输入。本发明能够解决现有泥团目标检测方法中由于需要大量精确标注样本所导致的工作量大、成本昂贵、周期长等问题，并提高模型在不同矿山之间的可移植能力。

技术领域

本发明属于矿石检测和计算机视觉技术领域，更具体地，涉及一种基于弱监督YOLO模型的矿石泥团目标检测方法和系统。

背景技术

胶泥是铝土矿石中的主要杂质，如果这些胶泥流入精选环节，将需要更大剂量的化学试剂(如碱等)进行脱硅、除钙，这既增加了生产成本，又带来了环境污染。同时，胶泥团粘性大、抗变形能力强，容易造成生产设备堵塞，影响生产的稳定性。因此，有效剔除铝土矿中的泥团可以节能减排、减少环境污染，并降低成本。

要实现铝土矿石中泥团的自动剔除，首先要实现泥团目标的快速、准确识别与检测。现有的泥团目标检测方法主要包括两类，第一类是基于区域推荐的深度学习目标检测算法(也称为两阶段方法)，其第一阶段用区域推荐产生候选目标，第二阶段用卷积神经网络(包括R-CNN、快速R-CNN、更快速R-CNN、SPP-NET、以及R-FCN等)进行分类。第二类是基于回归方法的深度学习目标检测算法，其将检测问题作为回归问题进行处理，直接使用YOLO系列深度神经网络(包括YOLO、YOLO9000和YOLOv3等)来预测目标位置与类别。

然而，上述泥团目标检测方法仍存在一些不可忽略的技术问题：1、其使用的神经网络模型都属于强监督训练模型，其模型训练依赖于大量精确标注的样本。但在铝土矿泥团检测这一视觉任务中，由于同一幅图中通常包含多个不同尺度的目标(泥团的直径通常在5cm～50cm这么大的范围)，因此获取大量精确标注的样本工作量非常大，成本昂贵，周期漫长；2、由于矿石往往裹覆泥浆，加之泥团目标与矿石目标形状差异并不明显，使得二者之间的差异更小，因此，往往需要标注专家经过仔细辨认识别后方可进行标注，这进一步增加了精确标注的工作量；3、由于矿石与泥团的成分在不同矿山之间存在较大的变化(体现在矿石与泥团的颜色、纹理等特征上)，需要目标检测模型在不同矿山之间具有较强的可移植能力。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于弱监督YOLO模型的矿石泥团目标检测方法和系统，其目的在于，解决现有泥团目标检测方法中模型训练需要精确标注大量样本所导致的工作量大、成本昂贵、周期长的技术问题，以及现有模型在不同矿山之间可移植能力差的问题。

为实现上述目的，按照本发明的一个方面，提供了一种基于弱监督YOLO模型的矿石泥团目标检测方法，包括步骤：

(1)实时采集传送带上的矿石泥团图像；

(2)将步骤(1)采集的矿石泥团图像输入训练好的WS-YOLO模型中，以获取矿石泥团图像中的泥团目标。

优选地，WS-YOLO模型包括顺次连接的DarkNet53网络、FPN网络、第一全连接层、以及第二全连接层，与该第二全连接层连接的目标分类器和目标位置回归模型，以及与目标分类器和目标位置回归模型连接的主动学习模块，其中主动学习模块包括顺次连接的US策略子模块、专家标注子模块、以及样本池，样本池的输出连接到DarkNet53网络的输入。