本發(fā)明涉及電選礦以及圖像處理，尤其涉及一種基于深度學(xué)習(xí)的電選粒子軌跡識別與分選優(yōu)化方法及系統(tǒng)，也是一種基于electrotracknet的電選軌跡識別方法及系統(tǒng)。

背景技術(shù)：

1、在電選礦工業(yè)領(lǐng)域中，礦物粒子的精準(zhǔn)分選至關(guān)重要，但現(xiàn)有的電選設(shè)備及工藝尚未完全實(shí)現(xiàn)智能化，仍依賴于傳統(tǒng)的手動操作和經(jīng)驗(yàn)判斷。這種傳統(tǒng)方法不僅勞動強(qiáng)度大，且分選效率與精度不穩(wěn)定，無法滿足現(xiàn)代工業(yè)對高效生產(chǎn)和資源利用的要求。此外，電選過程中產(chǎn)生的大量數(shù)據(jù)未能得到充分利用，缺乏有效的智能決策支持工具，這導(dǎo)致了電選工藝優(yōu)化和效率提升的瓶頸。

2、現(xiàn)有的電選圖像處理和粒子軌跡識別技術(shù)大多基于傳統(tǒng)圖像處理算法或經(jīng)典機(jī)器學(xué)習(xí)模型，但這些方法對于電選過程中的復(fù)雜多變場景適應(yīng)性較差，尤其是在多尺度目標(biāo)分割和復(fù)雜背景干擾的情況下，識別準(zhǔn)確率較低。

3、例如：公開號為cn117315277a的專利文獻(xiàn)公開了一種基于弱監(jiān)督學(xué)習(xí)的局部特征提取方法和系統(tǒng)，是使用引入注意力機(jī)制的卷積神經(jīng)網(wǎng)絡(luò)(cnn)，基于來自各種不同的來源和類別的圖像數(shù)據(jù)集，訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)，該卷積神經(jīng)網(wǎng)絡(luò)包括多個(gè)卷積層和池化層，用于自動學(xué)習(xí)圖像中的特征。在訓(xùn)練過程中，通過將輸入圖像與其局部特征的標(biāo)簽或約束聯(lián)系起來，網(wǎng)絡(luò)逐漸學(xué)習(xí)如何從圖像中提取符合局部特征篩選要求的局部特征；然后再利用完成訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)對圖像數(shù)據(jù)進(jìn)行處理，獲得每個(gè)圖像數(shù)據(jù)對應(yīng)的符合局部特征篩選要求的局部特征。該專利文獻(xiàn)中的一個(gè)實(shí)施例指出，在卷積神經(jīng)網(wǎng)絡(luò)中，引入多尺度注意力機(jī)制，其中，所述多尺度注意力機(jī)制允許卷積神經(jīng)網(wǎng)絡(luò)同時(shí)考慮不同尺度的局部特征，多尺度注意力通常通過在不同卷積層引入注意力機(jī)制來實(shí)現(xiàn)，以確保網(wǎng)絡(luò)能夠在不同層次上獲得多尺度的信息。但是該多尺度注意力機(jī)制通?？梢酝ㄟ^劃分多尺度來提取圖像中更多的特征信息，但是由于電選圖像進(jìn)行軌跡識別時(shí)，是處于復(fù)雜背景干擾的情況下，傳統(tǒng)的多尺度提取機(jī)制的進(jìn)行多尺度分割以后，局部圖像的干擾情況增加，且并無有效的措施融合和保留這些多尺度特征提取的結(jié)果，導(dǎo)致識別準(zhǔn)確率較低。

4、以及公開號為cn116485666a的專利文獻(xiàn)公開了一種基于多尺度動態(tài)特征聚合的圖像摩爾紋噪聲去除方法，在該專利文獻(xiàn)中，多尺度特征提取模塊主要通過殘差密集塊和尺度特征融合模塊來聚合不同尺度的信息，然而這種方法在電選場景中表現(xiàn)出明顯的不足。其缺乏對動態(tài)特征的有效捕捉，無法適應(yīng)電選過程中的連續(xù)軌跡變化，對多尺度信息的融合方式也較為單一，導(dǎo)致模型在處理復(fù)雜電選背景時(shí)，識別精度和時(shí)序一致性較差。

5、此外，現(xiàn)有模型的時(shí)間序列處理能力較弱，無法有效捕捉電選過程中的動態(tài)變化，導(dǎo)致軌跡識別的時(shí)序一致性差，難以滿足實(shí)時(shí)在線監(jiān)控與分選優(yōu)化的需求。

6、針對上述問題，本發(fā)明提出了一種名為electro?tracknet的電選軌跡分割與識別方法，通過引入多尺度特征提取機(jī)制和時(shí)序增強(qiáng)模塊，極大地提升了模型在復(fù)雜電選圖像中的目標(biāo)分割精度和時(shí)間一致性。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明目的在于提供一種electrotracknet的電選軌跡識別方法及系統(tǒng)，以解決現(xiàn)有技術(shù)在多尺度目標(biāo)分割和復(fù)雜背景干擾的情況下，識別準(zhǔn)確率較低以及軌跡識別的時(shí)序一致性差的技術(shù)問題。

2、為實(shí)現(xiàn)上述目的，本發(fā)明提供了一種electrotracknet的電選軌跡識別方法，包括以下步驟：

3、采集礦物粒子的電選圖像，輸入訓(xùn)練好的electrotracknet模型，輸出得到電選圖像的軌跡路徑；

4、其中，electrotracknet模型通過以下步驟訓(xùn)練得到：

5、收集帶有電選圖像的標(biāo)注數(shù)據(jù)作為數(shù)據(jù)集，其中每個(gè)電選圖像均包含軌跡路徑；

6、通過數(shù)據(jù)集訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型，將輸入的電選圖像經(jīng)過electrotracknet網(wǎng)絡(luò)結(jié)構(gòu)中的多個(gè)卷積層；多個(gè)卷積層通過局部感受野對電選圖像進(jìn)行逐層特征提取以及關(guān)鍵信息的提取；再進(jìn)行多尺度特征提取、時(shí)間序列信息引入與融合，再通過融合后的特征圖像，生成預(yù)測的軌跡輸出。

7、優(yōu)選地，數(shù)據(jù)集中的電選圖像的標(biāo)注數(shù)據(jù)包括在不同的電選條件、噪聲干擾、攝像角度和環(huán)境亮度條件下的電選圖像的標(biāo)注數(shù)據(jù)。

8、優(yōu)選地，electrotracknet模型的訓(xùn)練過程還包括反向傳播階段，反向傳播階段包括：通過聯(lián)合損失函數(shù)計(jì)算模型預(yù)測的軌跡輸出與實(shí)際軌跡之間的預(yù)測誤差，并基于聯(lián)合損失函數(shù)計(jì)算出的預(yù)測誤差，通過反向傳播算法計(jì)算網(wǎng)絡(luò)中各個(gè)權(quán)重和偏差的梯度，通過鏈?zhǔn)椒▌t，將損失函數(shù)相對于網(wǎng)絡(luò)每層權(quán)重的梯度逐層傳遞。

9、優(yōu)選地，electrotracknet模型的訓(xùn)練過程還包括優(yōu)化階段，使用預(yù)設(shè)的優(yōu)化器根據(jù)反向傳播算法所得的梯度來迭代調(diào)整并更新網(wǎng)絡(luò)中的各個(gè)權(quán)重和偏差。

10、優(yōu)選地，electrotracknet模型對輸入的電選圖像的處理過程，包括：

11、特征提取過程：將輸入的電選圖像作為特征圖，通過兩個(gè)以上連續(xù)的卷積層進(jìn)行卷積操作，以降低空間分辨率并增加通道數(shù)；然后通過mixscale?block模塊進(jìn)行多次多尺度特征的提取及融合操作；然后進(jìn)行卷積和下采樣；

12、特征融合過程：通過多步卷積轉(zhuǎn)置進(jìn)行多層上采樣操作，以恢復(fù)特征圖的空間分辨率；將多層上采樣操作與多次多尺度特征的提取操作所得的多組特征圖進(jìn)行交錯(cuò)拼接，再將交錯(cuò)拼接的結(jié)果通過mixscale?block模塊進(jìn)行多尺度特征的提取及融合操作；再通過卷積操作調(diào)整所得特征圖的通道數(shù)和空間分辨率后輸出融合特征圖；

13、輸出過程：將融合特征圖通過mix?segment模塊進(jìn)行分割，生成最終的分割結(jié)果以及分割特征。

14、優(yōu)選地，electrotracknet模型對輸入的電選圖像的處理過程，還包括：

15、時(shí)間維度增強(qiáng)過程：將分割特征的當(dāng)前時(shí)刻的特征圖與上一次分割特征的先前時(shí)刻的特征圖進(jìn)行聯(lián)合后，再通過mixscale?block模塊進(jìn)行多尺度特征的提取及融合操作，操作結(jié)果與特征提取過程的輸出結(jié)果進(jìn)行拼接，融合到特征融合過程中，與交錯(cuò)拼接的結(jié)果一同通過mixscale?block模塊進(jìn)行多尺度特征的提取及融合操作。

16、優(yōu)選地，將融合特征圖通過mix?segment模塊進(jìn)行分割，包括：

17、將融合特征圖通過卷積層進(jìn)行特征轉(zhuǎn)換以及多個(gè)mixscale?block模塊進(jìn)行多尺度特征的提取與融合，每個(gè)mixscale?block模塊的處理結(jié)果，均與上一步驟的處理結(jié)果進(jìn)行殘差連接操作；然后經(jīng)過多個(gè)卷積層，生成了分割結(jié)果，作為單一類別軌跡輸出。

18、優(yōu)選地，所述通過多尺度特征融合模塊進(jìn)行多尺度特征的融合操作，包括：通過mixscale?block模塊進(jìn)行多次多尺度特征提取多尺度卷積操作，提取小、中、大尺度特征，并拼接融合不同尺度的特征圖。

19、優(yōu)選地，mixscale?block模塊，包括：

20、將輸入特征圖的通道數(shù)從第一維度壓縮至第二維度，同時(shí)保持特征圖的空間分辨率不變；將特征圖通過分流操作劃分到三個(gè)并行的子分支，通過三個(gè)子分支對特征圖分別進(jìn)行小尺度、中尺度以及大尺度的對應(yīng)的不同膨脹率的膨脹卷積操作，在中尺度以及大尺度的膨脹卷積操作之前分別拼接前一尺度的膨脹卷積操作結(jié)果，融合以及拼接成通道數(shù)為三倍第二維度的特征圖，然后再進(jìn)行通道壓縮將通道數(shù)恢復(fù)至原始輸入的第一維度。

21、優(yōu)選地，聯(lián)合損失函數(shù)為：

22、；

23、其中，是一個(gè)權(quán)重系數(shù)，用于調(diào)節(jié)dice損失和tversky損失在總損失中的比例；

24、dice損失為：

25、；

26、其中，表示樣本的索引，即當(dāng)前正在處理的像素點(diǎn)或體素；表示樣本的總數(shù)；表示第個(gè)樣本的真實(shí)標(biāo)簽值；表示第個(gè)樣本的預(yù)測值；

27、tversky損失為：

28、；

29、tversky損失通過設(shè)置和對假陽性和假陰性進(jìn)行不同的懲罰，且。

30、本發(fā)明還提供了一種electrotracknet的電選軌跡識別系統(tǒng)，包括：存儲器、處理器以及存儲在存儲器上并可在處理器上運(yùn)行的計(jì)算機(jī)程序，處理器執(zhí)行計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)上述任一方法的步驟。

31、本發(fā)明具有以下有益效果：

32、1、本發(fā)明的electrotracknet的電選軌跡識別方法及系統(tǒng)，通過深度學(xué)習(xí)對電選過程中的粒子運(yùn)動軌跡進(jìn)行智能分析和識別，實(shí)現(xiàn)了對電選設(shè)備的實(shí)時(shí)監(jiān)控和分選工藝的智能優(yōu)化，從而提高了分選效率和精度，可推動電選礦工業(yè)的智能化發(fā)展。

33、2、在優(yōu)選方案中，本發(fā)明的electrotracknet的電選軌跡識別方法及系統(tǒng)，改進(jìn)了適應(yīng)電選工藝特點(diǎn)的膨脹卷積模塊與自適應(yīng)損失函數(shù)，使模型在處理復(fù)雜背景和多變目標(biāo)時(shí)，依然能夠保持高效、精準(zhǔn)的性能表現(xiàn)。可以大幅提升電選圖像處理的精度與實(shí)時(shí)性，可以大幅提升電選圖像處理的精度與實(shí)時(shí)性。

34、除了上面所描述的目的、特征和優(yōu)點(diǎn)之外，本發(fā)明還有其它的目的、特征和優(yōu)點(diǎn)。下面將參照附圖，對本發(fā)明作進(jìn)一步詳細(xì)的說明。