CN119516288A 矿石块度测量与异常识别方法及系统 （长沙矿冶研究院有限责任公司）

类任务分支为基于图像帧整体是否异常的二分度基于图像帧像素级的分割任务以用于矿石的分化后至每个分类头之前的中间网络中及各检2基于所述OreSizeNet网络对实时的采集图像同步进行矿石块度测量与异常其中，所述OreSizeNet网络包括用于特征处理的标准卷积模块所述DWABlock模块先以步幅为1的1×1标准卷积单元执行初始特征变换，然后以三条首先，输入特征通过一个1×1的标准卷积进行初步调整，随后以前后由与特征融合模块组成的三个组合进行递进式特征提取，且第一个特征融合模块将第一二DWABlock模块的输出与第一DWABlock模块的输出进行融合，第三特征融合模块将第三DWABlock模块的输出与第二DWABlock模块的输出进行融合；第三特征融合模块的输出经1基于OreSizeNet网络在第二类任务分支的分割结果、相机标定的内外参和像素坐标4.根据权利要求1所述的方法，其特征在于，所述第一类任务分支的分类头采用特征经过特征融合后再通过一个1×1的标准卷积调整通道数后进行5.根据权利要求1至4任一所述的方法，其特征在于;3;;6.一种矿石块度测量与异常识别系统，包括存储4[0004]U_Net作为一种经典的图像分割网络，已广泛应用于医学影像和地质图像的分割5[0009]3、多尺度特征提取的挑战：矿石块度测量与异常识别涉及到的目标尺寸差异较所述DWABlock模块先以步幅为1的1×1标准卷积单元执行初始特征变换，然后以6二DWABlock模块的输出与第一DWABlock模块的输出进行融合，第三特征融合模块将第三DWABlock模块的输出与第二DWABlock模块的输出进行融合；第三特征融合模块的输出经1×1的标准卷积进行通道数调整后输出进行最终;;7;保持较高的检测精度。而且能够基于第一类任务分支准确识别和分类矿石块度的异常变本实施例公开一种矿石块度测量与异常识别方法，包括：构建、训练并检验OreSizeNet网络对实时的采集图像同步进行矿石块度测量与异8×1标准卷积单元执行初始特征变换，然后以三条并行路径提取局部和全局的多尺度特征后再进行融合，各条路径以两个深度可分离卷积分别将横向和纵向的信息进行串联处理，5×1的两个深度可分离卷积，第三条路径前后分别为5×1及1×7的两个深度可分离卷积；[0032]为了进一步扩大感受野并提取深层特征，特征图F3随后通过一个步幅为2的3×3[0033]在特征提取模块的最后阶段，节点1_9将中间层的特征图F7与深层的特征图F9进9拼接充分利用了浅层高分辨率特征中的边缘细节信息以及深层低分辨率特征中的目标语[0042]在图2中，第一和第二两类任务分支共用由节点1_0至节点1_6组成的部分前部网图T2经过一个1×1卷积操作（节点2_8进行通道数的压缩和融合，生成最终输出特征图优化通道数和计算复杂度，为后续操作奠定基础。随后，经过三层递进式特征提取与融合（DWABlock和Concat，节点3_2至节点3_7逐步捕获多尺度信息并通过特征拼接操作整现了对矿石块度的精准测量以及异常矿物的高效识别。SegHead的模块化设计在块度测量;;[0055]3、Tversky损失：针对异常预测中的假阴性（FalseNegative，FN）和假阳性;[0056]4、加权二元交叉熵损失：为了应对矿石块度测量中大块矿石区域的优先处理问;;其中，A,A,A,A为各部分损失的权重超参Irus）以及加权二元交叉熵练时从训练数据集中随机选取一个小批量样本（mini_batch通过前向传播计算损失函相机内参矩阵K描述了相机的焦距和图像的主点坐标，相机外参旋转矩阵R和平移向量T个像素坐标(X,)可以通过以下投影方程转换为实际世界坐标系中的三维坐标(X,Y,Z)。;[0073]相机外参为旋转矩阵R和平移向量T，用于将相机坐标系下的三维点转换为世界坐标系下的点(X,,,2,)：。;;矿石的实际尺寸可以通过掩码分割结果中得到的边界框或最小外接多边形的像边界框提取：从掩码图像中提取矿石区域的边界框，获得矿石在图像中的宽度多种矿石尺寸和形态的复杂环境下，系统能够精确识别出矿石块度并有效识别出异常矿