基于局部特征增强与全局注意力机制的ECA-NET生成对抗网络用于矿物颗粒分析

《Results in Engineering》:ECA-NET: A GAN Integrating Local Feature Enhancement and Global Attention Mechanism for Mineral Particle Analysis

【字体: 大 中 小 】 时间:2026年10月21日 来源:Results in Engineering 9.4

编辑推荐:

  论文摘要翻译 矿石粒度组成是衡量破碎筛分效果的关键评价指标,也是影响分选效果的主要因素,其检测精度直接决定破碎、筛分和分选过程的运行效率及资源利用水平。传统矿石粒度检测方法主要依赖人工筛分,测量步骤繁琐且滞后时间长。近年来,随着先进计算机视觉技术的发展,基于图

  
论文摘要翻译 矿石粒度组成是衡量破碎筛分效果的关键评价指标,也是影响分选效果的主要因素,其检测精度直接决定破碎、筛分和分选过程的运行效率及资源利用水平。传统矿石粒度检测方法主要依赖人工筛分,测量步骤繁琐且滞后时间长。近年来,随着先进计算机视觉技术的发展,基于图像处理的粒度检测方法逐渐成为研究热点,这些方法大多面向矿石运输环节,通常采用边缘检测、形态学处理和分割算法提取矿石颗粒边界并计算其粒度分布。在实际应用中,由于颗粒间的相互黏附与遮挡,部分矿石边缘信息会缺失,导致粒度检测精度下降。此外,矿石形态的不规则性进一步加剧了检测的复杂性。 尽管近期研究已强化了用于粒度测量的分割模型,但大多数研究侧重于提升基于图像检测的精度,而非解决颗粒堆叠造成的误差。然而,对遮挡引起的误差对测量不确定度及估算尺寸物理有效性的影响,现有研究考虑甚少。本研究提出一种新方法以填补这一知识空白,引入一种将图像补全与粒度分析相结合的视觉测量框架,补偿遮挡引起的系统性误差,从而提升被遮挡颗粒测量的准确性与可靠性。与以往将尺寸估计视为纯计算任务的基于视觉的方法不同,所提方法建立了视觉颗粒测量的计量学框架,提高了颗粒粒度测量结果的可追溯性和鲁棒性。 为解决上述问题,近年来深度学习的快速发展为矿石粒度检测提供了新方案,尤其是生成对抗网络(GAN)在图像补全任务中的成功应用,使得恢复遮挡下矿石边缘成为可能。基于此,本文提出一种基于图像补全的矿石粒度检测方法,利用矿石ECA模型恢复由遮挡引起的轮廓缺失信息,从而重建完整的矿石边界,进而计算其粒度参数,实现高精度矿石粒度检测。此外,所提方法可推广至其他因遮挡而产生测量误差的场景,包括规则形状乃至不规则物体,凸显了其在视觉测量任务中的广泛适用性。 本文的主要贡献如下:(1)构建了一个用于模拟不规则矿石颗粒遮挡情况的掩膜数据集,弥补了当前矿石粒度检测任务中遮挡场景数据缺乏的现状;(2)开发了ECA模型用于修复遮挡区域的缺失轮廓,以提高粒度检测精度;(3)设计了LFEM模块用于强化边缘区域的细节特征,该模块与SAMT相结合,实现多尺度语义与空间上下文信息的联合建模,提升模型对缺失边缘的补全能力。

论文解读

一、研究背景与问题

矿石粒度组成是衡量破碎筛分效果的关键评价指标,也是影响分选效果的主要因素,其检测精度直接决定了破碎、筛分和分选过程的运行效率与资源利用水平。传统矿石粒度检测方法主要依赖人工筛分,测量步骤繁琐且滞后时间长。近年来,基于图像处理的粒度检测方法逐渐成为研究热点,这些方法大多面向矿石运输环节,通常采用边缘检测、形态学处理和分割算法来提取矿石颗粒边界并计算其粒度分布。然而,在实际应用中,由于颗粒间的相互黏附与遮挡,部分矿石边缘信息会缺失,导致粒度检测精度下降。此外,矿石形态的不规则性进一步加剧了检测的复杂性。
现有研究虽已强化了用于粒度测量的分割模型,但大多数研究侧重于提升基于图像检测的精度,而非解决颗粒堆叠造成的误差。对遮挡引起的误差对测量不确定度及估算尺寸物理有效性的影响,现有研究考虑甚少。因此,本研究旨在填补这一知识空白,引入一种将图像补全与粒度分析相结合的视觉测量框架,补偿遮挡引起的系统性误差,从而提升被遮挡颗粒测量的准确性与可靠性。

二、研究内容与结论

本研究提出一种基于图像补全的矿石粒度检测方法,利用生成对抗网络(GAN)框架下的ECA模型恢复由遮挡引起的轮廓缺失信息,重建完整的矿石边界,进而计算粒度参数,实现高精度矿石粒度检测。该方法的创新之处在于建立了视觉颗粒测量的计量学框架,提高了颗粒粒度测量结果的可追溯性和鲁棒性。所提方法可推广至其他因遮挡而产生测量误差的场景,包括规则形状乃至不规则物体,凸显了其在视觉测量任务中的广泛适用性。

三、关键技术方法

研究人员主要采用了以下几项关键技术方法:构建了一个用于模拟不规则矿石颗粒遮挡情况的掩膜数据集(Ore Mask),该数据集基于真实矿石的遮挡特征构建,通过将原始矿石图像二值化提取前景区域生成基础掩膜,再向上下左右方向平移60%-70%以模拟不同方向的遮挡情况,遮挡区域约占整个图像的30%-40%;设计了ECA模型,该模型基于GAN框架,由生成器(G)和判别器(D)组成,生成器以图像掩膜灰度图和掩膜边缘图作为输入,通过卷积块编码、FEN模块提取深层特征、上采样恢复缺失区域的边缘信息;设计了LFEM模块用于强化边缘区域的细节特征,该模块与SAMT全局注意力机制模块相结合,实现多尺度语义与空间上下文信息的联合建模;在卷积块设计中采用谱归一化(SN)抑制梯度爆炸和消失,加速收敛过程并增强模型在复杂遮挡场景中的鲁棒性。

四、研究结果

掩膜数据集的构建。 研究人员构建了Ore Mask掩膜数据集,与传统QD-IMD掩膜数据相比,Ore Mask基于真实矿石的遮挡特征构建,能够表达矿石自然堆叠形成的边缘遮挡和局部缺失等典型结构,遮挡区域的覆盖更符合实际颗粒堆叠情况,具有清晰的边缘轮廓和遮挡方向,显著提升了补全模型在边缘识别和结构重建方面的性能。
ECA模型的结构设计。 研究人员提出了基于GAN框架的ECA模型,由生成器和判别器组成。生成器以图像掩膜灰度图和掩膜边缘图作为输入,先通过卷积块对输入图像进行编码,再利用由SAMT和LFEM组成的FEN模块提取深层特征,最后通过上采样恢复缺失区域的边缘信息。生成的补全结果与真实边缘图一同输入判别器进行真实性评估,通过对抗学习优化模型性能。
卷积块设计。 在编码器和解码器阶段,卷积块主要由卷积、谱归一化(SN)和ReLU激活函数组成。谱归一化通过约束权重矩阵的最大奇异值,有效抑制梯度爆炸和消失,加速收敛过程并增强模型在复杂遮挡场景中的鲁棒性。ReLU激活函数增强了特征表达的非线性建模能力和训练效率。编码器和解码器阶段的卷积块结构对称,具体参数配置包括编码器三层卷积(Conv1: 7×7核、64通道、输出128×128;Conv2: 4×4核、128通道、输出64×64;Conv3: 4×4核、256通道、输出32×32)和解码器三层反卷积(DConv1: 4×4核、128通道、输出64×64;DConv2: 4×4核、64通道、输出128×128;DConv3: 7×7核、1通道、输出128×128)。
FEN特征提取网络。 FEN模块由全局特征建模模块SAMT和局部特征增强模块LFEM组成。由于矿石形态复杂,基于CNN的方法受限于局部感受野,在长距离依赖建模方面存在瓶颈。研究人员引入SAMT通过自注意力机制获取矿石颗粒的全局信息,以提升对复杂形态的感知能力。给定输入特征图,先将其展开为序列形式以适应SAMT结构。随后采用加性融合策略融合全局与局部特征,并通过上采样恢复缺失区域的边缘信息。

五、讨论与结论

本研究提出的方法不同于以往将尺寸估计视为纯计算任务的基于视觉的方法,而是建立了视觉颗粒测量的计量学框架,通过图像补全与粒度分析相结合,补偿了遮挡引起的系统性误差,提高了颗粒粒度测量结果的可追溯性和鲁棒性。该方法不仅适用于矿石颗粒的粒度检测,还可推广至其他因遮挡而产生测量误差的视觉测量场景,包括规则形状乃至不规则物体,具有广泛的应用前景。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号