一种改进的破碎口矿石图像分割算法

胡 健，王 伟，刘太和，苑庆波，董恩吉

（1.鞍钢集团关宝山矿业有限公司，辽宁 鞍山 114000；2.北京科技大学 自动化学院，北京 100083；3.北京科技大学 工业过程知识自动化教育部重点实验室，北京 100083；4.山东黄金矿业（鑫汇）有限公司，山东 平度 266700）

0 引 言

粒度信息是判断矿石破碎质量的一项重要指标。粒度检测数据可以用来判断传送皮带上是否存在大块或异形矿石，从而为矿石的破碎和输送提供有用的信息，减少矿山现场常见的事故，如大块矿石堵漏、异形矿石划伤皮带等。精确的矿石分割是矿石粒度统计的前提。然而，传送带上矿石形状与尺寸存在的各异性、现场灰尘与光线的影响、矿石表面复杂的纹理与阴影、矿石与矿石之间严重的粘连和遮挡都给矿石的准确分割造成了严重干扰，特别是矿石之间的粘连导致的矿石边缘模糊甚至是消失，很容易引起矿石分割中常见的欠分割现象。

常见的矿石粒度检测方法包括人工筛分、物理沉降等。这些传统的方法适应性强、适用范围广，但是对于人力资源的消耗十分巨大，且检测结果容易受到工人主观因素的影响[1]。近年来，随着计算机技术的发展，基于传统图像处理的矿石粒度自动检测方法被提出且已经取得了巨大突破，其中以分水岭及其改进方法[2-4]、阈值分割方法[5]和基于特定理论的分割方法[6]为主，但这些方法依赖繁琐的调参过程，且很难泛化到不同的场景。

2012年，AlexNet神经网络[7]是ImageNet项目竞赛[8]的冠军项目，标志着深度学习在图像分类领域取得了突破性的进展，甚至在该数据集上达到了高于人类水平的准确率。……