买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：本发明提供基于改进Faster‑RCNN的石墨矿品位检测的方法。基于改进Faster‑RCNN的石墨矿品位检测的方法包括如下步骤：图片收集、矩形框标注、图片分类、数据集划分、图像增强、构建改进Faster‑RCNN模型、训练改进Faster‑RCNN模型和图片识别。本发明采用改进Faster‑RCNN模型对石墨矿品位进行检测，最终测试集的准确率能达到92.0%，这能够很大程度上帮助石墨的品位的识别，改变其传统的化识别方法，只需输入石墨矿的图片，便可获得石墨矿品位的分类结果，无需花费大量时间成本，并且检测效率高。

主权项：1.基于改进Faster-RCNN的石墨矿品位检测的方法，其特征在于，该方法包括如下步骤：S1：图片收集收集石墨矿的图片，形成数据集；S2：图像增强将数据集中的石墨矿图片进行数据预处理，扩大数据集中的图片数量；S3：矩形框标注将数据集内所有石墨矿图片内部的石墨矿采用图像标注工具Labelme对切割后的石墨，并记录对应石墨矿对应矩形框的坐标；S4：图片分类测定每个石墨矿图片对应的石墨矿的固定碳含量，根据固定碳含量将石墨矿进行分类，类型包括有0-5％固定碳含量、5％-10％固定碳含量、10％-15％固定碳含量和15％-20％固定碳含量；S5：数据集划分按训练集:验证集:测试集为6:2:2对数据集进行划分；S6：构建改进Faster-RCNN模型采用Resent50网络作为原始分类网络，Resent50网络包括1个预处理层、4个Block、1个平均池化层、1个全连接层和1个softmax层，将Resent50网络去除后面的1个平均池化层、1个全连接层和1个softmax层，向每个Block后加入RGA模块，得到特征提取层，再嵌入RPN层、ROI层和Classification层，所述Classification层中包括有1个全连接层和1个softmax层，得到改进Faster-RCNN模型；S7：训练改进Faster-RCNN模型将训练集内部的石墨矿图片和对应矩形框坐标输入改进Faster-RCNN模型，通过交替优化算法对改进Faster-RCNN模型进行训练，得到训练好的改进Faster-RCNN模型，通过测试集对训练好的改进Faster-RCNN模型进行测试；S8：图片识别将待识别的石墨矿图片输入训练好的改进Faster-RCNN模型，输出石墨矿所属类型和位置；所述数据预处理包括翻转、增加对比度、马赛克、缩放、镜像和分割；所述S8中的改进Faster-RCNN模型对输入图片的识别步骤具体包括：S8.1：输入图片通过预处理层，预处理层对输入图片进行两次预处理，第一次预处理对输入图片进行Conv、FRN和Relu操作，其中Conv操作用64个7×7的卷积核对输入图片进行卷积操作；第二次预处理对输入图片进行Maxpool操作，Maxpool操作的Kernel为3×3；S8.2：将步骤S8.1得到的特征图输入4个Block进行处理，每一个Block的输出会通过RGA模块进行处理作为下一个Block的输入，得到图片特征图F1；S8.3：将图片特征图F1输入RPN层，得到候选框信息；S8.4：将候选框信息映射在图片特征图F1，得到候选区域，再通过ROI层进行最大池化操作，得到规定大小的特征图F2；S8.5：将特征图F2送入Classification层，输出石墨矿所属类型和位置；所述Block包括两类，分别为Conv-Block和Identity-Block，Conv-Block由3种操作组成，第一种操作将输入通过2个“Conv+FRN+Relu”进行处理，再通过1个“Conv+FRN”进行处理，第二种操作同时将输入通过“Conv+FRN”进行处理，第三种操作将上述两种操作得到的输出进行相加操作，再通过1个Relu操作对相加之后的输出进行归一化处理；Identity-Block由两种操作组成，第一种操作将输入通过2个“Conv+FRN+Relu”进行处理，再通过1个“Conv+FRN”进行处理，第二种操作将进入第一种操作的输入和第一种操作得到的输出进行相加操作，再通过1个Relu操作对相加之后的输出进行归一化处理；所述4个Block分别记为Block1、Block2、Block3和Block4，Block1由1个Conv-Block和2个Identity-Block组成，Block2由1个Conv-Block和3个Identity-Block组成，Block3由1个Conv-Block和5个Identity-Block组成，Block4由1个Conv-Block和2个Identity-Block组成；所述S7中对改进Faster-RCNN模型进行训练具体包括如下步骤：S7.1：将训练集内部的石墨矿图片和对应矩形框坐标输入RPN层中，训练RPN层内的权重，获得候选框信息；S7.2：将改进Faster-RCNN模型去除RPN层得到Fast-RCNN模型，用步骤S7.1得到的候选框信息和训练集内部的石墨矿图片训练Fast-RCNN模型；S7.3：将步骤S7.2得到的Fast-RCNN模型再次嵌入RPN层，对RPN层进行初始化，控制特征提取层的参数不变，用训练集内部的石墨矿图片和对应矩形框坐标训练RPN层，得到候选框信息；S7.4：保持特征提取层的参数不变，用步骤S7.3得到的候选框信息和训练集内部的石墨矿图片训练ROI层和Classification层的参数，得到训练好的改进Faster-RCNN模型；S7.5：通过测试集对训练好的改进Faster-RCNN模型进行测试；所述特征提取层使用了多尺度特征融合，所述多尺度特征融合的操作包括如下步骤：T1：将经过Block4和RGA模块处理后输出的特征图F3经过一次上采样，再和Block3和RGA模块处理后输出的特征图F4进行相加操作得到特征图F5；T2：将特征图F5经过一次上采样，再和Block2和RGA模块处理后输出的特征图F6进行相加操作得到特征图F7；T3：将特征图F7经过一次上采样，再和Block1和RGA模块处理后输出的特征图F8进行相加操作得到特征图F9，特征图F9为使用了多尺度特征融合后的特征提取层输出的特征图；所述改进Faster-RCNN模型加入了颜色特征融合，所述颜色特征融合的操作包括如下步骤：A1：将石墨矿图片进行灰度处理，形成单通道的石墨矿图像；A2：将石墨矿图像所有像素点按1，2，3······N进行编号，N为石墨矿图像总像素点数量；A3：令k＝0、xm＝0，其中m＝1，2，3····256；A4：令n＝1，n代表像素点对应的编号；A5：判断“Gn＝k”是否成立，其中Gn为编号n对应像素点的灰度值，若“Gn＝k”不成立，进入A6；若“Gn＝k”成立，令xm＝xm+1，进入A6；A6：判断“n≤N”是否成立，若是“n≤N”成立，令n＝n+1，回到A5；若是“n≤N”不成立，进入A7；A7：判断“k≤255”是否成立，若是“k≤255”成立，令k＝k+1，进入A4；若是“k≤255”不成立，进入A8；A8：将x1，x2，x3······x256组成1×256的颜色特征向量，与改进的Faster-RCNN模型内部Classification层的全连接层进行拼接。

全文数据：

权利要求：

百度查询： 江西理工大学 基于改进Faster-RCNN的石墨矿品位检测的方法