密集细粒矿物的特性分析：一种用于高精度粒度分布（PSD）分析的深度学习方法

《Powder Technology》：Characterization of dense fine ores: A deep learning approach for high-precision PSD analysis

　　王岩 | ?战中炎 | 刘婷茹 | 魏德龙
山东师范大学计算机与人工智能学院，济南，山东，中国

**摘要**
准确测量矿石颗粒大小分布（PSD）是评估破碎质量和优化下游矿物加工的关键前提。然而，在细碎阶段，由于颗粒严重粘附、灰尘干扰以及在密集物料流中检测细小颗粒的固有难度，通过机器视觉获得可靠的PSD数据仍是一个巨大挑战。为了最小化这些测量不确定性，本文提出了一种专为密集细粒矿石表征设计的多尺度空间-频率差分网络（MSFDNet）。该框架引入了三个核心创新：空间-频率感知混合器（SFPM），它将多尺度空间纹理与频域结构线索相结合，以解决粘附颗粒的边界模糊问题；多头双源差分注意力（MHDSDA）模块，通过双分支差分操作增强矿石与背景噪声之间的对比度，从而减少误分类；以及空间-通道多尺度特征解码器（SCMFD），该解码器配备了小目标适应机制，以捕捉超细颗粒的形态。实验结果表明，MSFDNet在分割精度和稳定性方面显著优于现有模型。具体而言，所提出的模型与手动筛分相比，PSD误差仅为4.34%，在粗粒和细粒部分都表现出高一致性。这项研究为复杂采矿和粉末加工环境中的高精度粒度监测提供了一种稳健且自动化的技术解决方案。

**引言**
智能矿山作为下一代信息技术与采矿行业深度整合的产物，是实现采矿智能化、绿色化和安全发展的关键途径。在全球采矿行业竞争日益激烈的背景下，建设智能矿山已成为矿业公司提升核心竞争力的核心战略方向。矿石颗粒大小分布（PSD）的表征是从采矿和选矿到冶金提取整个过程中的关键步骤，对于优化工艺流程和保证产品质量至关重要。精确检测PSD对于评估破碎设备性能、控制能耗以及提高后续分选稳定性至关重要[1]。长期以来，手动筛分[2]一直是矿石颗粒大小检测的经验基准，但其耗时、效率低下且高度主观，无法满足现代工业对高效准确分析的需求。因此，矿石颗粒大小检测技术的进步必须解决采矿作业中对自动化和智能化的迫切需求。为此，基于图像分割的颗粒大小检测技术应运而生。矿石图像分割直接从矿石图像中提取目标区域，便于精确勾勒轮廓和逐像素划分单个颗粒。这一过程产生了对后续颗粒大小参数计算至关重要的结构化数据，同时减少了人为错误，并支持高通量样本分析，从而显著提高了整体检测效率。

传统矿石图像分割方法（包括阈值分割[3]、分水岭算法[4]和基于凹度匹配[5]）受到两个主要限制的束缚。首先，它们的性能高度依赖于具体场景；矿石类型、形态或环境条件的变化需要手动重新调整参数，阻碍了其在多种环境下的稳健应用。其次，它们对噪音非常敏感，来自灰尘或相机抖动的图像伪影常常导致严重的分割错误。为克服这些限制，基于深度学习的方法已成为首选。特别是基于卷积神经网络（CNNs）[6]的模型可以从大型数据集中学习出稳健的特征模式，从而能够适应不同的矿石类型和破碎阶段，实现有效的跨场景分割。然而，CNNs的根本局限性在于它们的局部感受野，这限制了它们分辨严重重叠颗粒的能力。Transformer架构通过采用自注意力机制，可以模拟整个图像范围内的长距离依赖性，使其在分离粘附或重叠颗粒这一具有挑战性的任务上更加有效。

然而，分割细粒矿石的任务尤为具有挑战性。这些图像的特点是细颗粒丰富、纹理复杂、颗粒间遮挡和粘附严重以及浆料污染[7]。这些问题还因输送带振动引起的运动模糊和灰尘造成的非均匀照明等操作因素而加剧。综合这些因素，现有方法难以准确描绘单个颗粒边界，导致小颗粒经常被遗漏，粘附区域的分割也经常出错。虽然现有深度学习模型在医学成像和大型物体分割等领域表现出色，但它们在处理细粒矿石图像的独特特征时性能明显受限。例如，李等人[8]最近提出了一种基于机器视觉的框架（DBSNet），用于准确量化岩填坝中的颗粒大小分布和压缩引起的破坏。尽管这类方法展示了深度学习在复杂现场环境中提取形态特征的强大潜力，但它们主要针对相对较大的岩填材料。在这个特定背景下——特征是小目标密集堆积、边界细节复杂以及语义信息和空间信息高度耦合——这些模型仍面临三个核心挑战：
(1) 颗粒遮挡和粘附：在颗粒密集堆积的情况下，相邻颗粒之间的边界会被掩盖，导致多个不同颗粒被错误地合并为一个实体。
(2) 由于相似特征导致的类别混淆：细粒矿石颗粒在颜色、纹理和空间分布上与周围浆料和灰尘高度相似，难以区分，从而导致频繁的误分类。
(3) 小目标矿石的遗漏检测：细碎矿石中的小目标颗粒像素比率低，特征强度弱。传统解码器缺乏融合多尺度特征的能力，在上采样过程中容易丢失详细信息，无法有效恢复小颗粒的空间位置和结构信息。

为应对上述挑战，本文提出了多尺度空间-频率差分网络（MSFDNet），专为复杂工业环境中细粒矿石的稳健分割而设计。本文的主要贡献总结如下：
1. 本文提出了一种新颖的网络架构MSFDNet，用于细粒矿石图像分割。该架构系统地整合了三个创新模块，为工业场地分割任务中的多种挑战提供了端到端的解决方案：
(a) 为了解决颗粒粘附问题，我们设计了空间-频率感知混合器（SFPM）。它通过频域轮廓解耦和结构增强构建全局形状对比度，并结合并行多尺度特征提取、互补增强和自适应融合，精确捕捉空间域细节。这种空间-频率融合机制缓解了细粒矿石局部均匀性引起的粘附问题。
(b) 为了解决特征混淆问题，我们提出了多头双源差分注意力（MHDSDA）。该模块基于双分支差分操作，明确放大目标与背景之间的差异，将局部纹理和全局依赖性作为双源表示进行了融合。其多头机制能够模拟多样化的关系，显著提高模型在低对比度、高相似度环境下的判别能力。
(c) 为减轻小目标遗漏检测问题，我们构建了空间-通道多尺度特征解码器（SCMFD）。它采用尺度感知的小目标特征适应机制进行粒度对齐和精细化处理，并结合双注意力并行协同作用，增强通道重要性和空间定位能力，有效对抗上采样和融合过程中的特征稀释和平滑现象，降低了漏检率。
2. 我们构建了一个针对细粒矿石分割的实际数据集，聚焦于三种典型难点：
(i) 由于颗粒堆积导致的局部均匀化和边界模糊，包括多种形态和不同程度的粘附；
(ii) 在低对比度下矿石与浆料/灰尘在空间-频率域中的相似性，以及不同光照、湿度和噪声条件下的混合特性；
(iii) 高比例小颗粒的密集场景，强调极小目标的长尾分布。所有图像均来自具有复杂纹理和多样条件的实际工业破碎现场，它们提供了精细的轮廓和边界注释，以满足PSD分析的要求，充分展示了实际工业场景中小目标分割的关键挑战。
3. 全面的实验验证了所提出方法的优越性。通过分割性能指标和最终颗粒大小分布分析，我们的结果超过了10个用于比较的现有技术模型，并与真实值高度一致，证实了其作为自动化、高精度、基于视觉的分析工具的工业潜力。

**方法部分**
**深度学习在矿石图像分割中的应用**
近年来，通过采用基于深度学习的方法，在矿石图像分割领域取得了显著进展。其中，基于卷积神经网络（CNNs）的模型尤为突出，尤其是源自U-Net[9]框架的架构。许多研究对此任务进行了改进。例如，刘等人[10]将U-Net与ResNet[11]结合用于轮廓优化，而肖等人[12]...

**第X节：多尺度空间-频率差分U-Net（MSFDNet）**
在本节中，我们介绍了专为实际工业环境中细粒矿石精确分割设计的新型深度学习架构MSFDNet。该模型的编码器由两个关键组件组成，旨在解决特征模糊和颗粒粘附问题。首先，空间-频率感知混合器（SFPM）执行双域特征融合，以解决由特征引起的粘附问题；其次，多头双源差分注意力（MHDSDA）通过明确放大目标与背景之间的差异，将局部纹理和全局依赖性作为双源表示进行融合。

**数据集**
本研究的数据来自一个真实的工业破碎现场。图像使用安装在大带宽送带正上方的高分辨率工业CMOS相机拍摄，辅以LED照明系统以减少环境光波动。原始图像的分辨率为1032×778。现场环境非常复杂，特征是弥漫的灰尘、波动的湿度和照明、不规则的表面反射以及严重的颗粒堆积。图像中包含...

**分割结果分析**
本研究将提出的MSFDNet与现有解决方案进行了比较。我们选择了10个经典的矿物图像分割模型进行对比分析，分别是UNet、ResUNet、AUNet、Swin-UNet、DDR-UNet、MSBA-UNet、PSPNet、SegNet、DeepLabv3和TransUNet。表2比较了不同方法的性能指标，最佳指标以粗体显示。在10个比较的网络中，SegNet达到了最高的93.67%精度，但其召回率和IoU性能较差...

**结论**
本研究解决了工业场景中细粒矿石图像分割的关键挑战：颗粒堆积和遮挡、类别间混淆以及小目标的遗漏检测。为了解决这些问题，我们提出了创新的MSFDNet模型。该模型通过融合空间和频域特征，有效捕捉了局部细节和全局信息。此外，其在Transformer层中引入的多头差分注意力机制...

**资助**
本项目得到了山东省自然科学基金（编号ZR2020QF034）和中国国家自然科学基金（编号52504168）的支持。

**作者贡献声明**
王岩：撰写 – 审稿与编辑、撰写 – 原始草稿、可视化、验证、软件、方法论、调查、正式分析、数据管理、概念化。
战中炎：撰写 – 审稿与编辑、监督、资源管理、项目行政、方法论、资金获取、数据管理、概念化。
刘婷茹：撰写 – 审稿与编辑、软件、方法论。
魏德龙：撰写 – 审稿与编辑、软件、方法论。

**利益冲突声明**
作者声明他们没有已知的利益冲突或可能影响本文工作的个人关系。

**致谢**
作者感谢他们在本研究中的实验室支持和帮助。