基于U-Net和Res_UNet模型的传送带矿石图像分割方法

doi:10.12068/j.issn.1005-3026.2019.11.019

东北大学学报:自然科学版 ›› 2019, Vol. 40 ›› Issue (11): 1623-1629.DOI: 10.12068/j.issn.1005-3026.2019.11.019

基于U-Net和Res_UNet模型的传送带矿石图像分割方法

柳小波，张育维

(东北大学智慧矿山研究中心，辽宁沈阳110819)

收稿日期:2019-01-16 修回日期:2019-01-16 出版日期:2019-11-15 发布日期:2019-11-05
通讯作者: 柳小波
作者简介:柳小波(1980-)，男，辽宁丹东人，东北大学副教授，博士.
基金资助:
“十二五”国家科技支撑计划项目(2015BAB15B01)；中央高校基本科研业务费专项资金资助项目(N170104017).

Ore Image Segmentation Method of Conveyor Belt Based on U-Net and Res_UNet Models

LIU Xiao-bo， ZHANG Yu-wei

Intelligent Mine Research Center，Northeastern University，Shenyang 110819，China.

Received:2019-01-16 Revised:2019-01-16 Online:2019-11-15 Published:2019-11-05
Contact: ZHANG Yu-wei
About author:-
Supported by:
-

摘要/Abstract

摘要： 针对传送带矿石图像中矿石粘连和边缘模糊造成的分割不准确问题，提出了一种基于U-Net和Res_UNet模型的传送带矿石图像分割方法.该方法首先将待分割图像经过灰度化、中值滤波和自适应直方图均衡化处理后，利用预训练的U-Net模型提取图像轮廓;然后，将图像轮廓二值化后，利用预训练的Res_UNet模型进行轮廓优化;最后，利用OpenCV得到分割结果.与基于形态学重建的分水岭算法和NUR法分别对10张测试图进行实验比较，结果表明，所提出的利用深度学习实现矿石轮廓检测和优化方法分割的结果更加准确，证明了其对传送带矿石图像分割的有效性.

关键词: 传送带, U-Net, Res_UNet, 矿石分割, 深度学习

Abstract: Aiming at the problem of inaccurate segmentation caused by the adhesion and edge blurring of the ore image in the conveyor belt， a method for ore image segmentation of conveyor belt based on U-Net and Res_UNet models is proposed. Firstly， the image to be segmented is processed by gray-scale， median filtering and adaptive histogram equalization， and then the pre-trained U-Net model is used to extract the image contour. Then， after binary image contour， the pre-trained Res_UNet model is used for contour optimization. Finally， OpenCV is used to obtain the segmentation result. Compared with watershed algorithm based on morphological reconstruction and NUR method for 10 test images， the proposed method for ore contour detection and optimization based on deep learning is more accurate， proving its effectiveness for image segmentation of conveyor belt ores.

Key words: conveyor belt, U-Net, Res_UNet, ore segmentation, deep learning

中图分类号:

TD672

柳小波，张育维. 基于U-Net和Res_UNet模型的传送带矿石图像分割方法[J]. 东北大学学报:自然科学版, 2019, 40(11): 1623-1629.

LIU Xiao-bo， ZHANG Yu-wei. Ore Image Segmentation Method of Conveyor Belt Based on U-Net and Res_UNet Models[J]. Journal of Northeastern University Natural Science, 2019, 40(11): 1623-1629.

参考文献

[1]Zhang G Y，Liu G Z，Zhu H.Segmentation algorithm of complex ore images based on templates transformation and reconstruction［J］.International Journal of Minerals Metallurgy and Materials，2011，18(4):385-389.
[2]Amankwah A，Aldrich C.Automatic ore image segmentation using mean shift and watershed transform［C］//Proceedings of 21st International Conference Radioelektronika.Brno，2011:1-4.
[3]Done K，Jiang D L.Automated estimation of ore size distributions based on machine vision［J］.Lecture Notes in Electrical Engineering，2014，238:1125-1131.
[4]Wang R X，Zhang W C，Shao L Z.Research of ore particle size detection based on image processing［C］//Proceedings of 2017 Chinese Intelligent Systems Conference.Mudanjiang，2017:505-514.
[5]Zhang G Y，Liu G Z，Zhu H，et al.Ore image thresholding using bi-neighbourhood Otsu′s approach［J］.Electronics Letters，2010，46(25):1666-1668.
[6]Malladi S R S P，Ram S，Rodriguez J J.Superpixels using morphology for rock image segmentation［C］//2014 Southwest Symposium on Image Analysis and Interpretation.San Diego，2014:145-148.
[7]Yang G Q，Wang H G，Xu W L，et al.Ore particle image region segmentation based on multilevel strategy［J］.Chinese Journal of Analysis Laboratory，2014，35(24):202-204.
[8]Yuan L，Duan Y Y.A method of ore image segmentation based on deep learning［C］//Lecture Notes in Computer Science.Wuhan，2018:508-519.
[9]Ronneberger O，Fischer P，Brox T.U-Net:convolutional networks for biomedical image segmentation［C］// International Conference on Medical Image Computing and Computer-Assisted Intervention.Munich，2015:234－241.
[10]苏慧娟，于正林，张桂林.基于OpenCV的图像处理［J］.科技资讯，2014，12(8):18-19.(Su Hui-juan，Yu Zheng-lin，Zhang Gui-lin.Image processing based on openCV［J］.Science & Technology Information，2014，12(8):18-19.)
[11]崔春莉.Photoshop软件在图像分析中的应用［J］.电脑开发与应用，2012，25(12):83-85.(Cui Chun-li.Application of photoshop software to image analysis［J］.Computer Development & Applications，2012，25(12):83-85.)
[12]Shelhamer E，Long J，Darrell T.Fully convolutional networks for semantic segmentation［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2017，39(4):640-651.
[13]He K M，Zhang X Y，Ren S Q，et al.Deep residual learning for image recognition［C］//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition.Las Vegas，2016:770-778.

[1]	李海燕，熊立昌，郭磊，李海江. 基于U-net边缘生成和超图卷积的两阶段修复算法[J]. 东北大学学报（自然科学版）, 2023, 44(3): 331-339.
[2]	王瀛，王泽浩，李红，黄文军. 基于深度学习的威胁情报领域命名实体识别[J]. 东北大学学报（自然科学版）, 2023, 44(1): 33-39.
[3]	顾德英，罗聿伦，李文超. 基于改进YOLOv5算法的复杂场景交通目标检测[J]. 东北大学学报（自然科学版）, 2022, 43(8): 1073-1079.
[4]	代茵，刘维宾，董昕阳，宋雨朦. 基于注意力机制的U-Net脑脊液细胞分割[J]. 东北大学学报（自然科学版）, 2022, 43(7): 944-950.
[5]	王璐，杨小帆，王前进，徐礼胜. 基于CTA图像的两阶段U-Net冠状动脉分割[J]. 东北大学学报（自然科学版）, 2022, 43(6): 792-800.
[6]	李鸿儒，任子洋，黄友鹤，于霞. 基于变权重奇异谱分析的心律不齐识别方法[J]. 东北大学学报（自然科学版）, 2022, 43(3): 305-312.
[7]	顾德英，张松，孟范伟. 基于单目视觉的车辆3D空间检测方法[J]. 东北大学学报（自然科学版）, 2022, 43(3): 328-334.
[8]	贾润达，胡慧明，张树磊. 基于宽度学习的浓密机底流浓度软测量[J]. 东北大学学报（自然科学版）, 2021, 42(9): 1231-1237.
[9]	宋欣，李奇，解婉君，李宁. YOLOv3-ADS:一种基于YOLOv3的深度学习目标检测压缩模型[J]. 东北大学学报（自然科学版）, 2021, 42(5): 609-615.
[10]	魏颖，雷志浩，齐林. 基于注意力机制的3D U-Net婴幼儿脑组织MR图像分割[J]. 东北大学学报（自然科学版）, 2021, 42(5): 616-623.
[11]	王新刚，韩凯忠，王超，李林. 基于迁移学习的轴承剩余使用寿命预测方法[J]. 东北大学学报（自然科学版）, 2021, 42(5): 665-672.
[12]	孟琭，沈凝，祁殷俏，张昊园. 基于强化学习的三维游戏控制算法[J]. 东北大学学报（自然科学版）, 2021, 42(4): 478-483.
[13]	谢天植，雷为民，张伟，李志远. 一种基于深度学习的实时视频图像背景替换方法[J]. 东北大学学报（自然科学版）, 2021, 42(11): 1540-1546.
[14]	杨丹，刘国如，任梦成，裴宏杨. 多尺度卷积核U-Net模型的视网膜血管分割方法[J]. 东北大学学报（自然科学版）, 2021, 42(1): 7-14.
[15]	刘宇，魏希来，王帅，戴丽. 基于深度学习的光纤收卷机器视觉自动检测技术[J]. 东北大学学报（自然科学版）, 2021, 42(1): 68-74.

基于U-Net和Res_UNet模型的传送带矿石图像分割方法

Ore Image Segmentation Method of Conveyor Belt Based on U-Net and Res_UNet Models

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价