金属矿山 ›› 2024, Vol. 53 ›› Issue (11): 151-.
丁鹏益1,2 徐振洋1,2 郭连军3 王雪松3
摘要: 现阶段传统化学分析方法获取品位存在费时费力等问题,通过图像识别分析块状矿石品位又存在形状 干扰严重的问题,为此提出了一种基于YOLOv5 针对矿石矿粉特征的图像识别方法。同时,在训练过程中添加卷积注 意力模块(Convolutional Block Attention Module,CBAM)、挤压和激发模块(Squeeze and Excitation Module,SENet)进入训 练网络,通过注意力机制增强学习矿粉具体特征的能力,将注意力聚焦于矿粉明显细节,忽略矿粉图中无用信息,提 高识别精度;其次通过修改损失函数增强其分类效果,研究损失函数对矿粉识别效果的影响。研究表明:在铁矿粉品 位识别中,添加CBAM 注意力模块的网络模型识别矿粉的训练精度达到86%,使用SENet 注意力模块的网络训练精 度为80%,均略高于原有模型的79%,修改损失函数的网络模型训练精度降低了5%,得出YOLOv5l+CBAM 且损失函 数设置为0. 5 的网络模型最佳。研究结果反映出所提方法对矿粉特征图像识别具有一定的适用性。