Segmentacja obrazów rud przylegających z wykorzystaniem sieci RA-UNet++

Abstrakt

Informacje dotyczące wielkości cząstek rudy stanowią ważny wskaźnik służący do oceny stanu pracy i wydajności produkcyjnej kruszarek. Jednak w rzeczywistych warunkach przemysłowych podczas pozyskiwania i transportu rud często dochodzi do zjawisk zlepiania się cząstek, co powoduje nakładanie się krawędzi i rozmycie konturów rudy na obrazach. Tradycyjne metody segmentacji obrazów mają trudności z osiągnięciem wysokiej precyzji rozpoznawania i segmentacji. W związku z tym w niniejszym artykule proponuje się metodę segmentacji obrazów rudy ze zjawiskiem przywierania RA-UNet++, opartą na ulepszonej strukturze UNet++, mającą na celu poprawę wydajności segmentacji w złożonych scenach. W oparciu o architekturę kodowania i dekodowania UNet++ zintegrowano moduł resztkowy oraz mechanizm samo-uwagi, aby wzmocnić zdolność modelu do wyodrębniania i wyrażania szczegółów krawędzi rudy. Jednocześnie na końcu kodera wprowadzono wieloskalową konwolucję atrous, aby zbudować strukturę Atrous Spatial Pyramid Pooling (ASPP), rozszerzyć pole receptywne, zwiększyć zdolność postrzegania w wielu skalach dla rud o różnych rozmiarach cząstek, a tym samym poprawić ogólny efekt segmentacji. Wyniki eksperymentalne pokazują, że RA-UNet++ doskonale radzi sobie z zadaniem segmentacji obrazów rud przylegających, znacznie poprawiając klarowność i integralność segmentacji krawędzi. W porównaniu z metodą Otsu i standardowym modelem UNet metoda ta ma przewagę pod względem odporności, zachowania granic i dokładności segmentacji. Wskaźniki dokładności segmentacji obrazów rudy przylegającej, zarówno na poziomie pikseli, jak i na poziomie obiektów docelowych, przekraczają 93%, co wskazuje na duży potencjał w zastosowaniach przemysłowych.