摘要：针对不同的矿石类型进行选矿工艺参数设置和操作有利于保障精矿质量，提高回收率和降低物资消耗。由于缺乏矿石类型实时检测有效手段，选矿过程的精准操作目前较难实现。为此，本文提出一种全面改进的ＭａｓｋＲ?ＣＮＮ矿石类型检测算法。算法步骤：①使用ＲｅｓＮｅｔＶ１ｄ?５０提取矿石图像各阶段的特征图，并在主干网络中加入可变形卷积以便增强异形矿石的特征；②改进ＦＰＮ，通过在主干网络的Ｃ５特征层加入特征残差模块，并融合到Ｐ５特征层，得到具有更强语义信息的多尺度特征图；③改进ＲＰＮ，设计自适应的正样本ＩＯＵ选取方案来匹配宽高比异常的矿石，进一步提高异形矿石的识别精度；④在ＲｏＩＡｌｉｇｎ网络基础上加入Ｇｌｏｂａｌ?Ｃｏｎｔｅｘｔ，以提高小矿石的检测能力；⑤在数据增强和训练技巧方面对模型进行改进。结果表明，本文算法的平均精度为６７.９２％，平均交并比为６３.５４％，分别比基准模型提高了１３.６７％和９.７１％。本文研究方法在矿石类型识别领域具有较好的应用价值。 关键词：ＭａｓｋＲ?ＣＮＮ；矿石类型识别；可变形卷积；训练技巧 下载高清全文—基于改进Mask_R-CNN的矿石类型检测算法.pdf