[发明专利]基于深度学习的矿石自动识别与粗分拣系统

权利要求书

1.一种基于深度学习的矿石自动识别与粗分拣系统，其特征在于，包括：

模型构建模块，用于构建矿石自动识别与粗分拣的深度学习模型；所述矿石自动识别与粗分拣的深度学习模型包括分类模型网络和目标检测框架；

所述分类模型网络，用于提取训练图像中矿石和泥块的深层网络特征和浅层网络特征；

所述目标检测框架用于根据提取出的矿石和泥块的深层网络特征和浅层网络特征，预测输出矿石泥块混合物的泥块识别结果；

模型训练模块，用于根据选取矿石泥块混合物的图片构成训练集和测试集对矿石自动识别与粗分拣的深度学习模型进行训练；

识别模块，用于将拍摄的履带上的矿石泥块混合物图片输入到训练好的矿石自动识别与粗分拣的深度学习模型中，获得实时识别结果；

分拣模块，根据识别模块的识别结果，若识别后含泥量小于设定阈值，控制履带将该批次矿石送入下一道工序，否则，控制高压水枪对识别到的泥块进行定点冲洗，然后送往下一道工序。

2.根据权利要求1所述的基于深度学习的矿石自动识别与粗分拣系统，其特征在于，所述模型构建模块中分类模型网络为VGG16网络，用于提取训练图像中矿石和泥块的深层网络特征和浅层网络特征；目标检测框架为SSD512训练模型，用于根据提取出的矿石和泥块的深层网络特征和浅层网络特征，预测输出矿石和泥块的识别结果。

3.根据权利要求2所述的基于深度学习的矿石自动识别与粗分拣系统，其特征在于，所述模型训练模块中选取矿石泥块混合物的图片构成训练集和测试集对矿石自动识别与粗分拣的深度学习模型进行训练，具体如下：

1)将采集到的矿石泥块混合物数据集，根据SSD官方模型采用的数据集格式，对图像中的泥块进行标记，获得目标标注的4元组参数(X_min，Y_min，X_max，Y_max)，分别表示标注框的左上和右下角坐标，即只有泥块Mud和背景Background两种Classes，信息保存在了xml文件中；

2)将训练集和测试集按8：2比例进行划分，训练集用于网络参数的训练，测试集用于目标预测的性能评估；

3)将上述数据集输入到目标检测框架中，图像数据输入网络后，经过网络的前馈，结合损失函数，通过SGD梯度下降方法，使得网络不断学习，参数不断更新，位置的回归和类别的分类精确度不断上升，最终获得理想的模型权值。

4.根据权利要求3所述的基于深度学习的矿石自动识别与粗分拣系统，其特征在于，所述步骤1)中还包括对采集到的矿石泥块混合物数据集进行扩展的步骤，数据集采用以下方式扩展：使用变换函数，对标记的图像进行翻转、裁剪或平移操作获得增加的数据。

5.根据权利要求3所述的基于深度学习的矿石自动识别与粗分拣系统，其特征在于，所述步骤3)中图像数据输入网络前会进行随机的图像增强变换获得增加的图像数据，扩充数据集的数据量。

6.一种基于深度学习的矿石自动识别与粗分拣方法，其特征在于，包括以下步骤：

1)构建矿石自动识别与粗分拣的深度学习模型；所述矿石自动识别与粗分拣的深度学习模型包括分类模型网络和目标检测框架；

所述分类模型网络，用于提取训练图像中矿石和泥块的深层网络特征和浅层网络特征；

所述目标检测框架用于根据提取出的矿石和泥块的深层网络特征和浅层网络特征，预测输出矿石泥块混合物的泥块识别结果；

2)选取矿石泥块混合物的图片构成训练集和测试集，对矿石自动识别与粗分拣的深度学习模型进行训练；

3)拍摄的履带上的矿石泥块混合物图片，将图片输入到训练好的矿石自动识别与粗分拣的深度学习模型中，获得实时识别结果；

4)根据识别结果，若识别后含泥量小于设定阈值，控制履带将该批次矿石送入下一道工序，否则，控制高压水枪对识别到的泥块进行定点冲洗，然后送往下一道工序。