一种高效的无需锚点模型，用于矿石颗粒大小检测

《Engineering Science and Technology, an International Journal》：An efficient anchor-free model for ore particle size detection

矿石粒度检测中传统锚点模型易受矿石不规则形状和尺寸变化影响，本文提出锚点自由检测框架，通过双卷积模块增强特征多样性，SPPCSPC模块优化复杂背景下的特征表征，结合simPANet实现多尺度特征融合，采用混合损失函数提升检测精度，实验表明模型mAP@.5达86.80%，参数量仅1010万，显著优于现有方法。

　　在矿物加工领域，准确检测矿石颗粒的尺寸是提升设备效率和产品质量的关键因素。然而，传统基于锚点的检测模型在处理矿石颗粒的不规则形状和不同尺度时常常面临挑战，导致检测效果受限。为了解决这些问题，本文提出了一种基于锚点的检测框架，该框架引入了跨阶段部分瓶颈结构和空间金字塔池化跨阶段部分连接（SPPCSCP-DualConv），并结合双卷积技术，以提高特征提取和多尺度融合的能力。在模型的主干部分，双卷积模块将组卷积与异构卷积相结合，增强了特征的多样性。SPPCSCP-DualConv模块则进一步优化了复杂背景下的特征表示能力。此外，在模型的颈部部分，采用了简化路径聚合网络（simPANet）作为特征融合模块，用于精细化整合多尺度特征。为了进一步提升检测性能，特别是在处理数据不平衡问题时，本文引入了一种优化的损失函数，将二元交叉熵（BCE）、完全交并比（CIoU）和分布焦点损失（DFL）相结合，从而优化检测精度。实验结果表明，所提出的模型在IoU阈值为0.5时，取得了86.80%的平均精度（mAP），而在IoU阈值从0.5到0.95的范围内，平均精度达到了78.50%，优于现有的多种方法，同时保持了轻量化的模型结构，仅包含10.10百万个参数和89.45吉浮点运算每秒（GFLOPs）。消融研究验证了simPANet和SPPCSPC-DualConv模块在增强特征表示方面的有效性。在具有相似分布的矿场中进行的泛化测试也表明该模型具有良好的性能，尽管在处理特别大的矿石块时仍存在一定的局限性，这主要是由于数据集的偏差所导致。所提出的模型显著提升了矿石颗粒尺寸检测的准确性和效率，为改进研磨控制和优化矿物加工流程提供了可靠的实时数据支持。

矿石颗粒尺寸的准确检测在矿物加工过程中起着至关重要的作用，直接影响设备的运行效率和最终产品的质量。矿石颗粒的尺寸分布是影响关键处理单元（如球磨机、浮选槽以及其他后续设备）性能的重要参数。传统的矿石尺寸检测方法，如人工测量或依赖复杂的仪器，往往耗时费力，难以满足实时数据的需求，以支持有效的工艺控制和优化。随着采矿行业对运营效率和产品质量一致性要求的不断提高，对自动化、实时且高精度的矿石尺寸检测解决方案的需求也日益迫切。近年来，基于深度学习的目标检测方法在多种工业应用中展现出巨大的潜力，包括矿石尺寸检测和浮选泡沫图像分析。卷积神经网络（CNNs）因其在特征提取和分类方面的能力而受到广泛关注。尽管深度学习已在多个领域取得成功，但在实时、自动化矿石尺寸检测方面的研究仍存在明显不足，这一领域对于高效的矿物加工流程至关重要。在众多目标检测方法中，基于锚点的方法，如Faster R-CNN、SSD和YOLO系列，已被广泛应用。这些方法依赖于预定义的锚点框来预测目标的位置和尺寸。虽然基于锚点的模型在许多领域取得了良好的性能，但在矿石尺寸检测的应用中却面临独特的挑战。首先，矿石通常具有高度不规则的形状和广泛的尺寸分布，导致实际目标与预定义锚点框之间频繁出现不匹配。其次，设计一个能够有效捕捉数据集中多样矿石尺寸的锚点配置是一项复杂且耗时的任务。这些限制在实时应用中尤为突出，因为计算效率和速度都是关键因素。

为了解决上述问题，本文提出了一种专门用于实时矿石尺寸检测的新型锚点自由目标检测模型。与基于锚点的方法不同，锚点自由模型直接预测目标的位置和形状，无需预定义锚点框。这不仅简化了检测流程，还增强了模型的泛化能力。该模型专门设计用于应对矿石尺寸检测中的挑战，包括颗粒几何形状的多样性、复杂背景以及对稳健多尺度特征融合的需求。在模型的主干部分，采用双卷积模块（Dual-C3K2），将组卷积与异构卷积相结合，以提升特征提取能力并缓解组卷积固有的通信瓶颈问题。为了增强特征表示能力，模型还引入了空间金字塔池化跨阶段部分连接（SPPCSCP）模块。在模型的颈部部分，采用简化路径聚合网络（simPANet）作为特征融合模块，以实现高效的多尺度特征整合。为了进一步提升检测性能，特别是在处理数据不平衡问题时，本文引入了一种优化的损失函数，将二元交叉熵（BCE）、完全交并比（CIoU）和分布焦点损失（DFL）相结合，从而优化检测精度。通过整合这些创新技术，所提出的锚点自由模型实现了可靠的实时矿石尺寸检测，为改进研磨控制和优化矿物加工流程提供了关键的洞察。

目标检测作为深度学习领域中最活跃的研究方向之一，已经催生了多种检测框架。这些框架可以大致分为两类：单阶段和双阶段模型。单阶段模型（如SSD和YOLO系列）设计用于速度和计算效率，非常适合实时应用。这类模型能够在单次前向传播中预测目标的位置和类别概率，而无需额外的步骤。相比之下，双阶段模型（如Faster R-CNN）通常采用两步流程，首先生成候选区域，然后对这些区域进行分类和回归。尽管双阶段模型在精度方面表现优异，但它们的计算成本较高，难以满足实时性需求。在矿石尺寸检测任务中，由于矿石颗粒的形状复杂、尺寸多样，单阶段模型可能更适合作为首选方案。然而，即使单阶段模型在速度方面表现良好，其检测精度仍受到数据分布和特征表示能力的限制。因此，本文提出了一种结合双卷积技术和多尺度特征融合的新型模型，以在保持计算效率的同时提升检测精度。

本文提出的网络架构OreNet用于矿石颗粒尺寸检测，其结构如图1所示。OreNet首先通过一系列堆叠的卷积层提取特征，随后利用专门的特征融合模块整合多尺度信息。最后，检测头输出颗粒尺寸的预测结果。在模型的主干部分，采用双卷积模块（Dual-C3K2），将组卷积与异构卷积相结合，以提升特征提取能力并缓解组卷积固有的通信瓶颈问题。在模型的颈部部分，采用简化路径聚合网络（simPANet）作为特征融合模块，用于精细化整合多尺度特征。为了进一步提升检测性能，特别是在处理数据不平衡问题时，本文引入了一种优化的损失函数，将二元交叉熵（BCE）、完全交并比（CIoU）和分布焦点损失（DFL）相结合，从而优化检测精度。通过整合这些创新技术，所提出的OreNet模型实现了可靠的实时矿石尺寸检测，为改进研磨控制和优化矿物加工流程提供了关键的洞察。

为了验证所提出锚点自由OreNet模型的适应性和优越性，本文将其与多种基于锚点的方法（包括Faster R-CNN、RetinaNet、YOLO v3、YOLO v4、YOLO v5、SSD和EfficientDet）以及锚点自由方法（包括CenterNet、FCOS、YOLO v7、YOLO v8、YOLO v9、YOLOX和OreNet）以及其他目标检测方法（如DETR）进行了对比。实验结果表明，OreNet在多个指标上均优于这些方法，尤其是在检测精度和计算效率方面。在IoU阈值为0.5时，OreNet取得了86.80%的平均精度（mAP），而在IoU阈值从0.5到0.95的范围内，平均精度达到了78.50%。此外，该模型在保持轻量化的结构下，仅包含10.10百万个参数和89.45吉浮点运算每秒（GFLOPs），表明其在实际应用中具有良好的可行性。消融研究进一步验证了simPANet和SPPCSPC-DualConv模块在提升特征表示能力方面的有效性。在具有相似分布的矿场中进行的泛化测试也表明该模型具有良好的性能，尽管在处理特别大的矿石块时仍存在一定的局限性，这主要是由于数据集的偏差所导致。所提出的模型显著提升了矿石颗粒尺寸检测的准确性和效率，为改进研磨控制和优化矿物加工流程提供了可靠的实时数据支持。

在实际应用中，矿石颗粒尺寸的检测需要兼顾精度和效率。由于矿石颗粒的形状复杂、尺寸差异大，传统的基于锚点的方法往往难以适应这些变化，导致检测效果不佳。而锚点自由方法则通过直接预测目标的位置和形状，避免了锚点框匹配的问题，从而提高了模型的灵活性和适应性。此外，矿石颗粒往往处于复杂背景中，如矿石堆、矿浆等，这对目标检测提出了更高的要求。因此，本文提出的模型在设计时特别考虑了复杂背景下的特征表示能力，通过引入SPPCSCP-DualConv模块，增强了模型在复杂环境中的检测性能。同时，模型在特征融合方面采用了simPANet模块，通过高效的多尺度特征整合，进一步提升了检测精度。

本文提出的模型在实际测试中表现优异，特别是在处理大规模数据集时。实验数据来自中国安徽省的三个生产现场，通过工业相机（acA1300-30gc，Basler，德国）、环形光源和散热装置采集了共计589张图像，并使用基于提示学习的大型目标检测模型进行标注，以实现半自动标注。在整个数据集中，共标注了15,629个边界框，平均每个边界框的尺寸适中，便于模型训练和优化。在模型训练过程中，采用了优化的损失函数，将二元交叉熵（BCE）、完全交并比（CIoU）和分布焦点损失（DFL）相结合，以提升检测精度。实验结果表明，该模型在多种指标上均优于现有方法，特别是在检测精度和计算效率方面。通过这些改进，所提出的模型不仅能够准确检测矿石颗粒的尺寸，还能在实际生产环境中实现高效的实时检测，为改进研磨控制和优化矿物加工流程提供了可靠的技术支持。

在实际应用中，模型的性能不仅取决于其设计，还受到数据集的影响。本文所使用的数据集涵盖了多个生产现场，具有一定的代表性。通过工业相机和环形光源采集的图像质量较高，为模型训练提供了良好的数据基础。然而，由于矿石颗粒的尺寸差异较大，数据集中仍然存在一定的不平衡问题，这在一定程度上影响了模型的检测效果。为了解决这一问题，本文在损失函数设计上进行了优化，引入了分布焦点损失（DFL），以增强模型对不同尺寸矿石的检测能力。此外，模型在训练过程中还采用了完全交并比（CIoU）作为评估指标，以更精确地衡量检测结果的准确性。这些改进使得模型在处理不平衡数据时表现更加稳健，提高了检测精度。

在模型的泛化能力方面，本文进行了广泛的测试，包括在不同矿场中的应用。测试结果表明，该模型在具有相似矿石分布的矿场中表现良好，能够稳定地检测矿石颗粒的尺寸。然而，在处理特别大的矿石块时，模型的性能仍然受到数据集偏差的影响，导致检测效果下降。因此，未来的研究方向可能包括改进模型对大规模矿石的检测能力，以及扩展数据集以减少偏差。此外，模型的轻量化设计使其在实际应用中具有良好的可行性，能够在资源受限的环境中运行，同时保持较高的检测精度。这种平衡使得该模型在实际生产中具有广泛的应用前景。

本文的研究成果表明，锚点自由方法在矿石颗粒尺寸检测任务中具有显著的优势。通过结合双卷积技术和多尺度特征融合，该模型在保持计算效率的同时提升了检测精度。此外，模型的轻量化设计使其在实际应用中具有良好的可行性，能够在资源受限的环境中运行，同时保持较高的检测精度。这种平衡使得该模型在实际生产中具有广泛的应用前景。在实际应用中，模型的性能不仅取决于其设计，还受到数据集的影响。因此，未来的研究方向可能包括改进模型对大规模矿石的检测能力，以及扩展数据集以减少偏差。此外，模型的泛化能力也在测试中得到了验证，表明其能够适应不同矿场的环境，为改进研磨控制和优化矿物加工流程提供了可靠的技术支持。

本文的研究成果表明，锚点自由方法在矿石颗粒尺寸检测任务中具有显著的优势。通过结合双卷积技术和多尺度特征融合，该模型在保持计算效率的同时提升了检测精度。此外，模型的轻量化设计使其在实际应用中具有良好的可行性，能够在资源受限的环境中运行，同时保持较高的检测精度。这种平衡使得该模型在实际生产中具有广泛的应用前景。在实际应用中，模型的性能不仅取决于其设计，还受到数据集的影响。因此，未来的研究方向可能包括改进模型对大规模矿石的检测能力，以及扩展数据集以减少偏差。此外，模型的泛化能力也在测试中得到了验证，表明其能够适应不同矿场的环境，为改进研磨控制和优化矿物加工流程提供了可靠的技术支持。