基于U-CARFnet的开采矿爆炸碎片图像细分研究
Changyu Jin1, Junyu Liang1, Chunhui Fan2
1Key Laboratory of Ministry of Education on Safe Mining of Deep Metal Mines, Northeastern University, Shenyang, 110819, China.
PloS one
|September 14, 2023
概括
这项研究介绍了U-CARFnet,这是一个先进的深度学习模型,用于准确测量露天矿山中的岩石碎片大小. 这种自动化方法显著改善了手工估计,提高了生产效率和成本效益.
科学领域:
- 采矿工程 采矿工程 采矿工程
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 在开放式金属矿生产中,板式爆炸是至关重要的.
- 精确的矿石碎片大小分析对于优化生产成本至关重要.
- 目前的手动测量方法是低效和不准确的.
研究的目的:
- 开发和评估深度学习模型,用于对爆炸碎片图像进行细分.
- 为了提高矿石碎片大小分析的准确性和效率.
- 引入U-CARFnet模型,用于采矿应用中的增强图像细分.
主要方法:
- 实施U-Net和U-CARFnet模型,利用注意力机制,残留学习和焦点丧失.
- 来自露天矿区环境的爆炸碎片图像的细分.
- 与传统的图像细分技术和其他深度学习模型进行比较分析.
主要成果:
- 该U-CARFnet模型在绩效评估中实现了97.11%的准确性.
- 与传统的图像细分方法相比,U-CARFnet表现出更高的性能.
- 该模型在实际应用中实现了平均5.46%的细分错误.
结论:
- 拟议的U-CARFnet模型为分析矿山岩石图像提供了有效和准确的解决方案.
- 这种自动化方法显著提高了岩石碎片的统计分析.
- 该研究为提高开采采矿运营效率和降低开采采矿运营成本提供了有价值的工具.
