効率的なデハジングネットワークと多次元特徴量融合に基づく発破鉱石サイズ検出

科学分野:

• 鉱業工学
• コンピュータビジョン
• 画像処理

背景:

• 鉱石の粒子径分布は、発破評価と破砕エネルギー効率にとって非常に重要です。
• 鉱石サイズ検出における課題には、密な集積、不均一なサイズ、粉塵、および動きによるターゲット損失が含まれます。
• 既存のコンピュータビジョン手法は、堅牢な鉱石サイズ分析のために強化が必要です。

研究 の 目的:

• 正確な発破鉱石サイズ検出のための高度なコンピュータビジョン手法を開発すること。
• 粉塵や湿潤条件などの環境干渉に対する鉱石検出モデルの堅牢性を向上させること。
• 特に微細粒子を含む様々な鉱石サイズの検出精度と再現率を向上させること。

主な方法:

• 特徴量アテンションと複合スケーラブルバックボーンを組み合わせた効率的なデハジングバックボーンネットワークを開発しました。
• 畳み込みとVmambaシーケンスモデルおよびマルチスケール特徴量融合を統合した新しい特徴量融合ネットワークを導入しました。
• ターゲット検出ヘッドを最適化し、特徴量融合と鉱石識別を改善するためにDynamic Headを利用しました。

主要な成果:

• 提案手法は、YOLOv8nと比較して、8つの鉱石サイズカテゴリの平均精度が7%向上しました。
• ほこり、煙、湿潤条件のあるデータセットで平均精度（mAP50）が7.6%向上しました。
• 微細鉱石（<72 mm）の検出精度は18.8%、再現率は13.8%向上しました。

結論:

• 開発された手法は、発破鉱石サイズ検出の精度と堅牢性を大幅に向上させます。
• デハジング、多次元特徴量融合、および最適化された検出ヘッドの統合は、鉱石分析における主要な課題に対処します。
• このアプローチは、産業用途における正確な鉱石粒子サイズ統計のための有望なソリューションを提供します。