本發(fā)明涉及深度學(xué)習(xí)和機(jī)器學(xué)習(xí)，尤其是涉及一種基于改進(jìn)yolov5的鋰輝石分選方法及系統(tǒng)。

背景技術(shù)：

1、鋰輝石是提煉鋰的重要礦物之一，使用鋰輝石破碎機(jī)對鋰輝石框破碎后如何在破碎后的原材料中準(zhǔn)確的識別出鋰輝石，是十分關(guān)鍵的步驟。目前在鋰輝石的加工過程中，針對鋰輝石識別通常采用目標(biāo)識別的方法，具體是利用x射線對破碎后的鋰輝石進(jìn)行定位，該方法具有如下的缺點：

2、(1)x射線成像的分辨率不足以精確地定位微小的鋰輝石碎片和特征；

3、(2)針對鋰輝石光源掃描顯現(xiàn)的顏色深淺不同及輪廓不規(guī)則難以實現(xiàn)分類。

4、在深度學(xué)習(xí)領(lǐng)域，模型對于小目標(biāo)檢測的能力一直是一個挑戰(zhàn)，因為小目標(biāo)在圖像中占據(jù)的像素較少，特征信息相對匱乏，這使得模型在識別和定位這些小目標(biāo)時面臨困難。

技術(shù)實現(xiàn)思路

1、為了更精準(zhǔn)的定位原料中破碎后的鋰輝石，提升鋰輝石分選的準(zhǔn)確性和效率，本發(fā)明申請?zhí)岢隽艘环N基于改進(jìn)yolov5的鋰輝石分選方法及系統(tǒng)，可以解決在鋰輝石圖像目標(biāo)檢測中，對鋰輝石圖像小目標(biāo)不敏感的問題，能適應(yīng)不同尺寸的目標(biāo)框以提高在多尺度目標(biāo)檢測任務(wù)的性能。

2、本發(fā)明一方面提供了一種基于改進(jìn)yolov5的鋰輝石分選方法，包括如下步驟：

3、s1、搭建鋰輝石分選模型，鋰輝石分選模型具體為改進(jìn)后的yolov5模型，包括依次連接的主干特征提取網(wǎng)絡(luò)、改進(jìn)后頸部網(wǎng)絡(luò)和改進(jìn)后頭部網(wǎng)絡(luò)，主干特征提取網(wǎng)絡(luò)用于從輸入圖像中提取特征信息并處理，輸出特征圖，改進(jìn)后頸部網(wǎng)絡(luò)接收特征圖并進(jìn)行特征增強(qiáng)處理，得到增強(qiáng)后的特征圖，改進(jìn)后頭部網(wǎng)絡(luò)接收增強(qiáng)后的特征圖并處理，得到帶有置信度和類別的邊界框圖片；

4、s2、采集鋰輝石相關(guān)的圖像數(shù)據(jù)并構(gòu)造數(shù)據(jù)集，將數(shù)據(jù)集劃分為訓(xùn)練集和驗證集，采用訓(xùn)練集對鋰輝石分選模型進(jìn)行訓(xùn)練，并通過預(yù)設(shè)的損失函數(shù)計算損失，得到訓(xùn)練后的鋰輝石分選模型，通過驗證集對訓(xùn)練后的鋰輝石分選模型進(jìn)行評估，根據(jù)評估結(jié)果對訓(xùn)練后的鋰輝石分選模型進(jìn)行優(yōu)化，得到優(yōu)化后的鋰輝石分選模型；

5、s3、將鋰輝石原礦通過破碎機(jī)進(jìn)行初步破碎，對破碎后的鋰輝石進(jìn)行震動鋪平，通過圖像采集模塊實時采集震動鋪平后的待檢測鋰輝石圖像并預(yù)處理，將預(yù)處理后的鋰輝石圖像輸入優(yōu)化后的鋰輝石分選模型處理，輸出待檢測鋰輝石圖像對應(yīng)的帶有類別和置信度的邊界框圖片；

6、s4、將帶有類別和置信度的邊界框圖片轉(zhuǎn)換為控制信號，通過控制信號控制電磁閥啟動高壓氣槍對震動鋪平后的鋰輝石進(jìn)行吹動分選，得到分選出的鋰礦石。

7、優(yōu)選地，s1中改進(jìn)后頸部網(wǎng)絡(luò)包括依次連接的第一卷積層、第一動態(tài)采樣層、第一拼接層、第一跨階段連接層、第二卷積層、第二動態(tài)采樣層、第二拼接層、第二跨階段連接層、第三卷積層、第三拼接層、第三跨階段連接層、第四卷積層、第四拼接層、第四跨階段連接層，其中，第一卷積層還與第四拼接層連接，第二卷積層還與第三拼接層連接，改進(jìn)后頸部網(wǎng)絡(luò)的第一卷積層、第一拼接層和第二拼接層分別接收主干特征提取模塊輸出的不同尺度的特征圖，通過卷積、動態(tài)采樣、拼接處理，并分別通過改進(jìn)后頸部網(wǎng)絡(luò)的第二、第三和第四跨階段連接層輸出不同尺度增強(qiáng)后的特征圖。

8、優(yōu)選地，改進(jìn)后頸部網(wǎng)絡(luò)中的兩個動態(tài)采樣層具體工作過程如下：

9、s11、改進(jìn)后頸部網(wǎng)絡(luò)的每個動態(tài)采樣層接收與其連接的卷積層輸出的特征圖m；

10、s12、根據(jù)特征圖m設(shè)置偏移采樣網(wǎng)格o，根據(jù)原始采樣網(wǎng)格和偏移采樣網(wǎng)格o設(shè)置采樣集s；

11、s13、通過重采樣操作函數(shù)對特征圖m和采樣集s進(jìn)行采樣操作，輸出采樣后的特征圖m'；

12、s14、將采樣后的特征圖m'輸出至與其連接的拼接層。

13、優(yōu)選地，s12中的偏移采樣網(wǎng)格o可具體表示為：

14、o＝0.5sigmoid(linear1(m))·linear2(m)

15、式中，o為偏移采樣網(wǎng)格，sigmoid表示邏輯函數(shù)，可將輸入值映射到0和1之間，linear1(·)和linear2(·)表示第一線性操作和第二線性操作，m表示輸入的特征圖。

16、優(yōu)選地，s13中采樣后的特征圖m'具體可表示為：

17、m'＝grid.sample(m，s)

18、其中，s＝g+o

19、式中，m'為采樣后的特征圖，grid.sample(·)為重采樣操作函數(shù)，m為與動態(tài)采樣層相鄰的卷積層輸出的特征圖，s表示采樣集，g為原始采樣網(wǎng)格，o為偏移采樣網(wǎng)格。

20、優(yōu)選地，s1中改進(jìn)后頭部網(wǎng)絡(luò)包括asff模塊和若干個檢測頭模塊，asff模塊包括與若干個檢測頭數(shù)量相同的若干個asff層，若干個asff層與若干個檢測頭模塊一一對應(yīng)連接，每個asff層接收改進(jìn)后頸部網(wǎng)絡(luò)輸出的不同尺度增強(qiáng)后的特征圖并采用自適應(yīng)注意力機(jī)制進(jìn)行恒等縮放和自適應(yīng)融合，輸出融合后的特征圖，將融合后的特征圖輸入至與其對應(yīng)連接的檢測頭模塊。

21、優(yōu)選地，每個asff層輸出的融合后的特征圖具體可表示為：

22、asff_j＝α1j·x1→j+α2j·x2→j+…+αij·xi→j+…+αnj·xn→j

23、式中，αij表示第i個增強(qiáng)后的特征圖映射至第j層asff層時的權(quán)重參數(shù)，xi→j表示將第i個增強(qiáng)后的特征圖xi變換到第j層asff層預(yù)設(shè)大小的特征圖xj，asff_j表示第j層asff層輸出的融合后的特征圖,j＝1,2,…,m，i＝1,2,…,n，m為asff模塊的總層數(shù)，n為改進(jìn)后頸部網(wǎng)絡(luò)輸出的增強(qiáng)后的特征圖的總數(shù)。

24、優(yōu)選地，s2中預(yù)設(shè)的損失函數(shù)包括定位損失函數(shù)、分類損失函數(shù)和置信度損失函數(shù)，其中定位損失函數(shù)具體為：

25、siou＝1-iou+(ω+δ)/2

26、式中，siou表示定位損失，iou是預(yù)測框與真實框的交集面積與并集面積之比，ω為形狀損失，δ為距離損失。

27、本發(fā)明另一方面提供了一種鋰輝石分選系統(tǒng)，采用上述基于改進(jìn)yolov5的鋰輝石分選方法進(jìn)行鋰輝石分選，所述分選系統(tǒng)包括自動化分選設(shè)備、圖像采集模塊、圖像預(yù)處理模塊、鋰輝石分選模型和計算機(jī)系統(tǒng)，自動化分選設(shè)備和圖像采集模塊分別與計算機(jī)系統(tǒng)連接，圖像預(yù)處理模塊與鋰輝石分選模型依次連接并設(shè)置在計算機(jī)系統(tǒng)中，其中：

28、自動化分選設(shè)備用于對將鋰輝石原礦進(jìn)行破碎和震動鋪平；

29、圖像采集模塊實時采集震動鋪平后的鋰輝石圖像并發(fā)送至計算機(jī)系統(tǒng)；

30、計算機(jī)系統(tǒng)接收鋰輝石圖像并通過圖像預(yù)處理模塊處理，得到預(yù)處理后的預(yù)處理后的鋰輝石圖像；

31、鋰輝石分選模型接收預(yù)處理后的鋰輝石圖像并處理，輸出帶有類別和置信度的邊界框圖片并將其顯示在計算機(jī)系統(tǒng)的顯示界面；

32、將帶有類別和置信度的邊界框圖片轉(zhuǎn)換為控制信號，通過控制信號控制自動化分選設(shè)備的電磁閥啟動高壓氣槍對震動鋪平后的鋰輝石進(jìn)行吹動分選，得到分選出的鋰礦石。

33、上述一種基于改進(jìn)yolov5的鋰輝石分選方法及系統(tǒng)，搭建鋰輝石分選模型，包括依次連接的主干特征提取網(wǎng)絡(luò)、改進(jìn)后頸部網(wǎng)絡(luò)和改進(jìn)后頭部網(wǎng)絡(luò)；采集鋰輝石相關(guān)的圖像數(shù)據(jù)并構(gòu)造數(shù)據(jù)集，將數(shù)據(jù)集劃分為訓(xùn)練集和驗證集，通過訓(xùn)練集對鋰輝石分選模型進(jìn)行訓(xùn)練，并通過預(yù)設(shè)的損失函數(shù)計算損失，通過驗證集對訓(xùn)練后的鋰輝石分選模型進(jìn)行評估和優(yōu)化，得到優(yōu)化后的鋰輝石分選模型；將鋰輝石原礦通過破碎機(jī)中進(jìn)行初步破碎，對破碎后的鋰輝石進(jìn)行震動鋪平；通過圖像采集模塊實時采集震動鋪平后的待檢測鋰輝石圖像并預(yù)處理，將預(yù)處理后的鋰輝石圖像輸入優(yōu)化后的鋰輝石分選模型處理，輸出待檢測鋰輝石圖像對應(yīng)的帶有類別和置信度的邊界框圖片；將帶有類別和置信度的邊界框圖片轉(zhuǎn)換為控制信號，通過控制信號控制電磁閥啟動高壓氣槍對震動鋪平后的鋰輝石進(jìn)行吹動分選，得到分選出的鋰礦石。該方法及系統(tǒng)可智能和高效地對鋰輝石圖像進(jìn)行檢測，可自動地從大量鋰輝石圖像中提取有用信息，并準(zhǔn)確地檢測出其中含有鋰礦石。