Wyniki wyszukiwania - BazTech

1

Ore image target detection based on improved YOLOv5 network

Cai Gaipin, Luo Hui, Huang Jinruo, Yi Guotao

Gospodarka Surowcami Mineralnymi

|

2025

|

Vol. 41, iss. 2

177--196

EN

The existing target detection algorithms detect the ore on the conveyor belt after the crushing process with low precision and slow detection speed. This leads to challenges in achieving a balance between precision and speed, to enhance the detection precision and speed of ore, and in view of the problems of leakage, misdetection, and insufficient feature extraction of YOLOv5 in the task of ore image detection; this study presents a target detection approach relying on the CA attention mechanism (Coordinate attention for efficient mobile network design), the SIoU loss function and the target detection algorithm YOLOv5 combination of ore image particle target detection method. Integrating the CA attention mechanism into the YOLOv5 backbone feature network enhances the feature learning and extraction of ore images, thereby improving the precision of the detection model; the SIoU loss function is refined to boost the recognition precision of the network on ore images and address the shortcomings of the original loss function that fails to take angular loss, distance loss, and shape loss into account, thereby further improving the precision and speed of ore image detection. The experimental findings demonstrate that the AP value, value, and precision rate are improved compared with the pre-improved algorithm. The CA-YOLOv5 method is verified to be fast, effective, and advanced and provides a foundation for real-time target detection of ores on conveyor belts in subsequent intelligent mine production.

PL

Istniejące algorytmy wykrywania celu wykrywają rudę na taśmie przenośnika po procesie kruszenia z niską precyzją i niską szybkością wykrywania. Prowadzi to do wyzwań związanych z osiągnięciem równowagi między precyzją i szybkością, w celu zwiększenia precyzji i szybkości wykrywania rudy, a także ze względu na problemy z wyciekami, błędnym wykrywaniem i niewystarczającą ekstrakcją cech YOLOv5 w zadaniu wykrywania obrazu rudy; niniejsze badanie przedstawia podejście do wykrywania celu polegające na mechanizmie uwagi CA (Coordinate attention for efficient mobile network design), funkcji straty SIoU i kombinacji algorytmu wykrywania celu YOLOv5 w połączeniu z metodą wykrywania celu cząstek obrazu rudy. Zintegrowanie mechanizmu uwagi CA z siecią funkcji szkieletowych YOLOv5 usprawnia uczenie się funkcji i ekstrakcję obrazów rudy, tym samym zwiększając precyzję modelu wykrywania; funkcja straty SIoU została udoskonalona w celu zwiększenia precyzji rozpoznawania sieci na obrazach rudy i usunięcia niedociągnięć oryginalnej funkcji straty, która nie uwzględnia strat kątowych, strat odległości i strat kształtu, co jeszcze bardziej poprawia precyzję i szybkość wykrywania obrazów rudy. Wyniki eksperymentów pokazują, że wartość AP, wartość i wskaźnik precyzji są lepsze w porównaniu z wcześniej ulepszonym algorytmem. Metoda CA-YOLOv5 została zweryfikowana jako szybka, skuteczna i zaawansowana oraz stanowi podstawę do wykrywania celów rud na taśmach przenośnikowych w czasie rzeczywistym w późniejszej inteligentnej produkcji kopalnianej.

2

Research on image preprocessing algorithm based on mixed denoising and texture weakening of ore images

Luo Hui, Cai Gaipin, Zou Haoxiang

Gospodarka Surowcami Mineralnymi

|

2024

|

T. 40, z. 4

107--130

EN

Ore particle size information is an important basis for mining enterprises to regulate crushing parameters, due to the complex and harsh environment during the acquisition of ore images on the conveyor belt, resulting in the existence of a variety of composite noise interference in the motion target image, the surface texture characteristics of the ore and the edge of the fuzzy and other problems, thus affecting the effective acquisition of ore particle size information. To address the above issues, an image-denoising network based on global and local feature extraction and an edge enhancement algorithm for texture feature weakening is proposed. The denoising network consists of a shallow local feature extraction module and a Transformer-based U-Net global feature extraction module, which aims to combine the powerful global modeling capability of the Transformer with the local modeling advantage of convolutional network, and reconstructs the image resolution through the dual up-sampling structure, to realize the accurate output of contextual detail information. A texture weakening method based on wavelet transform and fast non-local averaging is proposed to smooth the image and weaken the texture characteristics of the ore surface, and edge sharpening is combined with Bilateral-USMR to enhance the edges of the ore particles to realize the preprocessing of the ore image. The preprocessing results were objectively evaluated and experimentally verified. The results show that the image preprocessing method improves the accuracy of image segmentation and the applicability of the ore particle size measurement technology in complex environments.

PL

Informacje o wielkości cząstek rudy stanowią dla przedsiębiorstw wydobywczych ważną podstawę do regulowania parametrów kruszenia ze względu na złożone i trudne środowisko podczas akwizycji obrazów rudy na przenośniku taśmowym, co skutkuje występowaniem różnorodnych zakłóceń szumu złożonego w ruchomym obrazie docelowym, właściwości tekstury powierzchni rudy i krawędzi rozmytej oraz innych problemów, wpływających w ten sposób na skuteczne pozyskiwanie informacji o wielkości cząstek rudy. Aby rozwiązać powyższe kwestie, zaproponowano sieć odszumiającą obraz opartą na globalnej i lokalnej ekstrakcji cech oraz algorytm wzmacniania krawędzi w celu osłabienia cech tekstury. Sieć odszumiająca składa się z płytkiego modułu ekstrakcji cech lokalnych i modułu globalnej ekstrakcji cech U-Net opartego na transformatorze, którego celem jest połączenie potężnych możliwości globalnego modelowania transformatora z przewagą lokalnego modelowania sieci splotowej i rekonstrukcja rozdzielczości obrazu poprzez podwójną strukturę próbkowania w górę, aby uzyskać dokładne dane wyjściowe szczegółowych informacji kontekstowych. Zaproponowano metodę osłabiania tekstury opartą na transformacji falkowej i szybkim uśrednianiu nielokalnym w celu wygładzenia obrazu i osłabienia właściwości tekstury powierzchni rudy, a wyostrzanie krawędzi wiązało się z dwustronnym-USMR w celu uwydatnienia krawędzi cząstek rudy w celu realizacji wstępnej obróbki obrazu rudy. Jej wyniki zostały obiektywnie ocenione i zweryfikowane eksperymentalnie. Pokazują one, że metoda wstępnego przetwarzania obrazu poprawia dokładność segmentacji obrazu i możliwość zastosowania technologii pomiaru wielkości cząstek rudy w złożonych środowiskach.

3

Improved Pix2PixGAN water-bearing ore reflection image restoration method

Luo Hui, Zeng Qingwen, Luo Xiaoyan, Hu Zhen

Gospodarka Surowcami Mineralnymi

|

2024

|

T. 40, z. 4

131--146

EN

At the ore crushing site, the crushed ore must be washed to remove sediment, and the washing step puts the detected ore in a watery environment, resulting in the presence of reflective areas in the image of watery ore particles. Aiming at the problem of mis-segmentation of ore images due to the masking of ore feature information by the reflective area, an improved Pix2PixGAN model is proposed to solve the problem of removing water and repairing the reflective area in watery ore images. The ResNet network with good stability is used to comprehensively extract the features of watery ore images, improve the stability of network training, introduce the structural similarity loss function, and update the network parameters by minimising the structural similarity loss value to reduce the structural differences between the reconstructed image and the real image. The experimental results show that the improved Pix2PixGAN model compares with the Pix2PixGAN and CycleGAN models; the watery ore image removes the water image reflection restoration better and, at the same time, improves the structural edge clarity of the generated dry ore particle image. The PSNR and SSIM evaluation metrics are improved by 8.8 and 1.28%, respectively, further verifying the effectiveness of the improved algorithm. This innovative approach provides a feasible solution for image processing at the ore-crushing site. It is of great significance for the subsequent enhancement of image recognition, segmentation, and reduction of misjudgment.

PL

W miejscu kruszenia rudy rozdrobniona ruda musi zostać wypłukana w celu usunięcia osadu, a etap płukania umieszcza wykrytą rudę w środowisku wodnym, co powoduje obecność obszarów odblaskowych na obrazie cząstek rudy wodnej. Mając na celu rozwiązanie problemu błędnej segmentacji obrazów rudy z powodu maskowania informacji o cechach rudy przez obszar odblaskowy, zaproponowano ulepszony model Pix2PixGAN w celu rozwiązania problemu usuwania wody i naprawy obszaru odblaskowego na obrazach rudy wodnej. Sieć ResNet o dobrej stabilności jest używana do kompleksowego wyodrębniania cech obrazów rudy wodnej, poprawy stabilności treningu sieci, wprowadzenia funkcji utraty podobieństwa strukturalnego i aktualizacji parametrów sieci poprzez minimalizację wartości utraty podobieństwa strukturalnego w celu zmniejszenia różnic strukturalnych między zrekonstruowanym obrazem a obrazem rzeczywistym. Wyniki eksperymentów pokazują, że ulepszony model Pix2PixGAN wypada lepiej w porównaniu z modelami Pix2PixGAN i Cycle-GAN; obraz rudy wodnistej lepiej usuwa odtworzenie odbicia obrazu wody i jednocześnie poprawia wyrazistość krawędzi strukturalnych wygenerowanego obrazu suchych cząstek rudy. Wskaźniki oceny PSNR i SSIM poprawiły się odpowiednio o 8,8 i 1,28%, co dodatkowo potwierdza skuteczność ulepszonego algorytmu. To innowacyjne podejście zapewnia wykonalne rozwiązanie do przetwarzania obrazu w miejscu kruszenia rudy i ma duże znaczenie dla późniejszej poprawy rozpoznawania obrazu, segmentacji i redukcji błędnej oceny.