(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211190164.6 (22)申请日 2022.09.28 (71)申请人 江西理工大 学 地址 341099 江西省赣州市章贡区红旗大 道86号江西理工大 学 (72)发明人 向军臣　 (74)专利代理 机构 江西省亿研专利代理有限公 司 36155 专利代理师 王军锋 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/52(2022.01) G06V 10/54(2022.01) G06V 10/56(2022.01)G06V 10/80(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于改进Faster-RCNN的石墨矿品位检测的 方法 (57)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。 权利要求书3页 说明书7页 附图9页 CN 115393654 A 2022.11.25 CN 115393654 A 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B lock、 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。 2.如权利要求1所述的基于改进Faster ‑RCNN的石墨矿品位检测的方法， 其特征在于， 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。 3.如权利要求1所述的基于改进Faster ‑RCNN的石墨矿品位检测的方法， 其特征在于， 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Maxpo ol操作， Maxpo ol操作的K ernel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Bl ock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层进行最大池化权　利　要　求　书 1/3 页 2 CN 115393654 A 2操作， 得到规定大小的特 征图F2； S8.4： 将特 征图F2送入Clas sificati on层， 输出石墨矿所属类型和位置 。 4.如权利要求3所述的基于改进Faster ‑RCNN的石墨矿品位检测的方法， 其特征在于， 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。 5.如权利要求4所述的基于改进Faster ‑RCNN的石墨矿品位检测的方法， 其特征在于， 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。 6.如权利要求5所述的基于改进Faster ‑RCNN的石墨矿品位检测的方法， 其特征在于， 所述步骤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F aster‑RCNN模型去除RPN层得到F ast‑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Clas sificati on层的参数， 得到训练好的改进Faster ‑RCNN模型； S7.4： 通过测试集对训练好的改进Faster ‑RCNN模型进行测试。 7.如权利要求6所述的基于改进Faster ‑RCNN的石墨矿品位检测的方法， 其特征在于， 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。 8.如权利要求7所述的基于改进Faster ‑RCNN的石墨矿品位检测的方法， 其特征在于， 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 墨矿图像总像素权　利　要　求　书 2/3 页 3 CN 115393654 A 3