基于改进YOLOv5的螺旋选矿机矿物分带图像分割算法研究.pdf

96doi:10.3969/j.issn.1671-9492.2024.01.011基于改进YOLOv5的螺旋选矿机矿物分带图像分割算法研究有色金属（选矿部分）2024年第1期刘惠中1,，宁剑，邹起华1，彭志龙1，阮怡晖1（1.江西理工大学机电工程学院，江西赣州3410 0 0；2.江西省矿冶机电工程技术研究中心，江西赣州3410 0 0)摘要：螺旋选矿机是一种流膜类重力选矿设备，目前其精矿的截取是通过工人观察矿物分带，根据经验确定精矿与中矿或尾矿的边界分割位置，并相应调节截取器的分矿块的分割点到精矿边界分割线位置，从而实现对精矿的准确截取和精矿品位的控制。由于每个工人的经验和技术水平不一样，难以保证每次获取的矿带分割线位置信息和调节操作的准确性，而容易造成选矿指标的波动。螺旋选矿机分选流体存在流速快、矿带边界模糊的问题，采用常规的图像识别算法和原始YOLOv5算法都难以得到满意的结果，针对此问题，提出了一种能够识别模糊小目标矿带分割点的改进YOLOv5算法，利用本算法对从工业中采集的螺旋选矿机生产矿带图像样本进行了矿带边界分割识别试验和测试。结果表明，改进的YOLOv5算法比原始YOLOv5算法准确度提高了14.3%，其识别的精度可以满足生产中对螺旋选矿机矿物分带自动识别的要求。关键词：螺旋选矿机；重力选矿；深度学习；目标检测算法中图分类号：TD455；T D 9 2 2Research on Mineral Zoning Image Segmentation Algorithm for SpiralLIU Huizhongl-2,NING Jian,ZOU Qihua,PENG Zhilong,RUAN Yihui!(1l.School of Mechanical and Electrical Engineering,Jiangxi University of Science and Technology,2.Jiangxi Province Engineering Research Center for Mechanical and Electrical of Mining andAbstract:The spiral concentrator is a flow film type gravity concentrator.Currently,theinterception of concentrate is achieved by workers observing the mineral zoning,determining the boundarydivision position between the concentrate and the middling or tailings based on experience,and adjustingthe division point of the separators ore block to the concentrate boundary division line position accordingly,thereby achieving accurate interception of concentrate and control of concentrate grade.Due to the differentexperience and technical level of each worker,it is difficult to ensure the accuracy of the locationinformation and adjustment operation of the ore belt segmentation line obtained each time,which is easy tocause fluctuations in mineral processing indicators.The separation fluid of a spiral concentrator has problemsof fast flow velocity and blurred ore belt boundaries,and it is difficult to obtain satisfactory results usingconventional image recognition algorithms and the original YOLOv5 algorithm.In response to this problem,an improved YOLOv5 algorithm that can identify fuzzy small target ore belt segmentation points has beenproposed.Using this algorithm,ore belt boundary segmentation recognition experiments and tests were收稿日期：2 0 2 3-0 3-2 0基金项目：国家自然科学基金资助项目（52 16 40 19）；江西省2 0 2 1年度研究生创新专项资金项目（YC2021-S575）；江西省“双千计划”引进高层次创新人才项目（jxsq2018101046）作者简介：刘惠中（19 6 9 一），男，江西信丰人，教授，博士生导师，主要从事矿冶装备及自动化等方面的研究。文献标志码：AConcentrator Based on Improved YOLOv5Ganzhou 341000,Jiangxi,China;Metallurgy,Ganzhou 341000,Jiangxi,China)文章编号：16 7 1-9 49 2(2 0 2 4)0 1-0 0 9 6-102024年第1期刘惠中等：基于改进YOLOv5的螺旋选矿机矿物分带图像分割算法研究conducted on ore belt image samples collected from industry using spiral concentrators.The results showthat the accuracy of the improved YOLOv5 algorithm is 14.3%higher than that of the original YOLOv5algorithm,and its recognition accuracy can meet the requirements for automatic recognition of mineralzoning in spiral concentrators in production.Key words:spiral concentrator;gravity beneficiation;deep learning;target detection algorithm97螺旋选矿机是一种应用广泛的重选设备，由于具有无污染、工作无需动力、易于大规模生产配置、建设运行成本低等优点，在铁、锡、钛、钼、等金属及硫、煤等非金属矿的选矿生产中获得大量应用，据不完全统计，螺旋选矿机在我国选矿工业生产中应用达十多万台套1-2 。螺旋选矿机是利用矿物的比重差异并借助重力等作用来实现矿物分选的。矿浆从螺旋选矿机的上方给矿槽给人到螺旋槽上端后，在槽面上做螺旋回转运动，在重力、离心力、浮力和摩擦力作用下，轻重矿物颗粒发生分层、分离并沿螺旋槽径向逐渐形成矿物分带，最后通过截取器将分带分割并截取成多个产品而完成分选。目前，螺旋选矿机产品的截取是由工人通过观察矿物分带，判定精矿带分界点位置，然后调节截取块到精矿与其他产品的分割点从而将精矿截取出来得到精矿并实现矿物的分选。由于每个工人的工作经验不同，技术水平不同，对矿带位置的判定和对截取器的调节难免出现一定误差，从而容易导致选矿指标的波动，并造成有用矿物的流失。且在工业生产中一般会配置大量的螺旋选矿机，工人对每一台设备都需要经过上述“观察一判定一调整”的过程，劳动强度大，耗时长，容易因调整不及时造成生产指标的波动。针对此问题，本文开发了一种借助计算机视觉技术实现对螺旋选矿机矿物分带分割点位置信息快速、准确识别的方法。近年来，随着深度学习和机器视觉的不断发展，深度学习方法和机器视觉技术在选矿行业中也得到了一定的应用,如本文作者3 提出了一种基于DeepLabv3十深度学习语义分割的摇床分带特征提取技术。杨文旺等4-5 利用机器视觉技术对摇床的矿带进行了识别并提取了矿带分割点。NIENABER等6 利用图像二值化处理方法提取到了螺旋选矿机的矿带信息。NIENABER等门采用了遗传算法和统计分析Logistic回归方法，提取了螺旋选矿机矿带颜色等特征信息。徐述腾等8 为了识别复杂大量的矿石矿物，针对性地设计了Unet卷积神经网络模型，成功提取了矿石矿物的深层特征信息。余华富提出了基于深度学习Superglue模型和改进GMS算法的泡沫图像特征匹配算法，并成功获取浮选泡沫动态特征信息（泡沫大小、泡沫稳定度等）。目标检测长期以来的一个重点和难题就是对小目标的检测。国家光学工程协会将2 56 X256像素中目标物小于8 0 个像素点（目标物与整体图像的比值小于0.12%)的目标物定义为小目标。本文的图片大小为2 59 0 19 42，标注矿带分割点大小约为8040，可以称为小目标。另一方面螺旋选矿机的分选矿浆流速快、矿带分界线比较模糊，因此本文提出了一种小目标检测YOLOv5深度学习模型，以解决小目标模糊矿带分割点识别问题。1YOLOv5 算法结构YOLOv5算法10 1由输人端（Input）、主干网络（Ba c k b o n e）、颈部（Neck）、预测端（Prediction）四部分构成，每个区域由CBL、C SP、Fo c u s、SPP等模块构成。Input 为输人端。Input 主要由 Mosaic数据增强、图片尺寸处理以及自适应锚框计算三部分组成。Backbone包括Focus模块、CSP结构、SPP池化金字塔结构。Focus模块主要对图片进行切片处理，扩大输人通道，再将图片进行卷积，下采样操作；CSP结构主要作用是增强卷积神经网络的学习性能,并减少计算量。SPP金字塔池化主要作用是改变特征图的特征向量大小，对特征图进行最大池化操作。Neck是一种特殊的金字塔结构，使用FPN十PAN网络架构，可以将特征信息和位置信息进行特征融合，加快模型检测速度，丰富特征信息内容。Prediction主要包括Boundingbox损失函数和NMS非极大值抑制。NMS非极大值抑制主要提高网络预测的精度。YOLOv5整体网络结构如图1所示。98有色金属（选矿部分）2024年第1期NeckInputBackboneFocusCBL+CCBL+CCBL+CSPISP12SP1.36406403CBLConvBNLeakyreluResunitCBLCBLsliceFocussliceslicesliceSPPCBL2YOLOv5算法的改进YOLOv5是一个高效率、快速通用的多目标检测模型，主要完成两个任务：1)从一幅图中检测出多个不同种类的正常物体2)再用一个框将目标物分割出来。能准确完成对目标物的定位和分类，但是用于本文螺旋选矿机矿物分带的试验发现识别准确率只有0.6，无法满足实际生产应用要求。因此为了提升识别准确率，需对YOLOv5模型进行改进。2.1 Input 的改进采集的图像信息往往由于环境及硬件问题，数据集常常存在模糊及数据集不够等问题，这将严重影响模型训练的精度，导致预测精度较低，因此产生了数据增强技术。数据增强主要采用改变图片尺寸、图片平移旋转和色彩变换等方法，对输人图片进行随机裁剪、排列、拼接。这样不仅可以增强有用信从中随机选取数据集取出一批图片PredictionCBL+CSP2SPP+CBLaddConcatmaxpoolmaxpoolmaxpoolUpsampleCBLCSPI_XConcatCBLFig.1Overall network structure of YOLOv54张图片图2 Mosaic数据增强流程Fig.2Mosaic data enhancement processConcatCBLResunitConvCSP2_X一图1YOLOv5整体网络结构息的数据和扩大数据集，还提高后续模型的检测精度。YOLOv5采用了最基本的数据增强方法Mosaic-411,主要步骤是从数据集中随机的选取4张图片进行缩放、平移、旋转、色彩变换后，再随机的组合拼接成一张图片，这样就达到扩大数据集和丰富数据集的目的。Mosaic数据增强流程如图2所示。由于螺旋槽内矿浆流速快、波动大，采用原始的Mosaic-4，数据集还不够，内容也不够丰富，受Mosaic-4思想的启发，为了进一步扩大数据集，丰富数据内容，经试验验证，采用9 张照片进行随机缩放、剪裁、拼接，然后组合成新的数据集，同时适当地引人一些噪声，改变图像清晰图，就可以达到丰富矿带数据集内容和扩大数据集的要求。本文将改进后的Mosaic-称为Mosaic-9,Mosaic-9数据增强细节如图3所示。重复匹配随机裁剪拼接成新图CSP2+CBLUpsampleCBLP2CBLP3ConvCBLCBLConvP1ConcatConcatConcatConcatConvConcat导人模型CSP2.1CSP2_1CSP211BNCBLLeakyreluBNCBLLeakyreluConv8080255Conv4040255Conv20202552024年第1期刘惠中等：基于改进YOLOv5的螺旋选矿机矿物分带图像分割算法研究99图3Mosaic-9数据增强示意图Fig.3Schematic diagram of Mosaic-9 data enhancement2.2Backbone的改进为了解决螺旋选矿机槽内矿带分界模糊、矿带分割点显著度低的问题，参考卷积注意力模块CBAM(Convolutional block attention module)12 中的两个注意力模块：通道注意力模块（Channelattention module,CAM)和空间注意力模块（Spatialattention module,SAM)13,CAM通过建模生成各个部分特征通道，更关注各个通道的重要性。首先输入量大小为HXWXC的特征图Y，特征图Y再分别经过平均池化层和最大池化层，然后用全连接层运算。平均池化的作用是聚焦空间信息，最大池化主要关注更细的目标特征信息。最后，经加和操作和Sigmoid 函数激活，生成通道注意力Zc，计算见公式（1)所示。Zc=sigmoid(MLP(Y)+MLP(MarPool(Y)(1)SAM聚焦于空间更多的感兴趣区域，关注的是特征区域的位置信息。首先分别经过平均池化层和最大池化层做压缩处理，然后经过卷积层合在一起，得到两个特征通道的特征图，接着使用一个单核通道的卷积隐藏层进行卷积操作，最后用Sigmoid函数激活，生成空间注意力Zs，计算公式(2)所示。Z,=sigmoid(conu(AvgPool(Y)+MLP(MaxPool(Y)由于CAM最后一层由全连接层连接，全连接层的计算是对特征进行映射，所以计算量非常大。当网络结构中插入多个CAM模块时，通道数就会和写入参数量的平方成正比，所以映射计算量就会非常大。特别是相邻通道间的计算量会更大，使用全连接层对通道数进行计算就会产生大量数据，影响模型运算速度13。因此，对通道数计算量大的问题,选择了长度为K的一维卷积对相邻通道间的K个通道进行特征融合。对改进后的CAM和SAM模块进行特征融合，提出了一种新的CASM网络结构，如图4所示。首先将输人的特征向量Y与CAM的通道注意力机制Zc相乘，生成输入特征向量Yc，计算公式如（3）所示：Yc=Y X Zc与原始CBAM相比，考虑到螺旋选矿机矿物分带模糊、矿物颗粒密集、矿带分割点小、目标点数量多，而模型能否准确识别目标区域对最后的检测有很大关系。因此，将特征向量Yc作为SAM输人量，将通道与空间这两个注意力机制进行第一次融合。由于Yc已经经过一次特征提取，如果直接作为特征(（2)(3)HxWxCChannelattentionmodule1 x1 CSpatialatlentionmoduleYHxWxCsigmoid图4空间一通道注意力机制Fig.4 Spatial channel attention mechanism:100:量输出，这可能导致模型训练的感受野变小，特征信息不够丰富，因此，想要避开这种单一的特征信息，本文再将更纯洁的原始输入特征量Y作为空间注意力机制的输入，即用Y与Zs相乘得到特征量Ys，如计算公式(4)所示：Ys=YZs由于Zs自身已经有Yc的部分特征，再将Yc与Ys进行加和操作是第二次将通道注意力机制与空间注意力机制进行融合，这样能更好地聚焦Y的有效特征位置，计算如公式（5）所示：Zcs=sigmoid(Yc Ys)注意力机制的本质是让模型更关注你的感兴趣区域，忽视无效的特征，提高模型的精确度。原始YOLOv5在提取特征量时，无针对性，无注意力偏好，本文通过在3个CSP模块后分别加人了3个CASM模块，解决了原始YOLOv5在提取特征量时无注意力偏好问题，也解决了原始矿带数据集模糊的问题。2.3Neck的改进原始的Neck网络（图5），主要Neck参考了PANet14的思想，CBL模块直接输出作为Neck部分P1的输人，当输人的图片尺寸大小为6 40 6 40 3，P1部分仅进行了一层4倍下采样操作，目的是降低特征的维度关注小目标物，虽然这样可以更好地关有色金属（选矿部分）注感兴趣区域，但是对于矿带识别的小目标区域干扰信息较多，不能准确寻找矿带分割点的小目标，于是在Neck部分添加了一层小目标检测区域，这样可以让网络更好地检测小目标。为加强网络对小目标的检测能力，将在(4)Backbone网络的第一层CSP1_1部分增加一个特征图输出，输人到Neck部分，为了更好的对特征进行融合，在原有Neck网络的基础上，添加一个上采样层，与P1层连接，同时在P1增加一个上采样层节点，这只增加了一层上采样层，因此网络模型的计算(5)量没有增加很多，最终的改进结构如图6 所示。UpsampleConvCBLP1CBLP22024年第1期POConvConvCBLUpsampleP1CBLP2CBLP3图5原有Neck结构Fig.5Original neck structureP3Conv图 6 改进 Neck结构Fig.6Improved neck structure如图6 所示，改进后的结构仅仅只加了一路输Cony出上采样层，模型复杂度和计算量并未增加多少，在保留原有特征图输出同时加强了网络对小目标的检测，整个改进过程，不只是简单的相加操作，而是带有权重的快速归一化特征融合。Conv改进后的Neck网络结构不仅多出了一路输出，输出的内容更加丰富，而且加强了对模糊部分的小目标检测能力。改进后的整个YOLOv5网络结构如图7 所示。Conv2024年第1期刘惠中等：基于改进YOLOv5的螺旋选矿机矿物分带图像分割算法研究NeckPredictionBackbonePOConcatCSP2+CBLUpsampleCASMCBL+CCASMCBL+OSP12SP1L3CBL+OSPI_1FocusInput64064032.4#损失函数的优化原始YOLOv5中使用GIOU（G e n e r a l i z e dIntersectionOverUnion)15来计算定位损失，IOU为预测框与真实框相交的占比，计算见式（6）。AnBIOU=AUB式中，A表示预测框，B表示真实框。当AnB=O时，即A和B没有交集，IOU=0，无法进行回归训练。为了解决这个问题，YOLOv5中使用GIOU来计算定位损失：GIOU=IOU _ AcUAc式中，Ac为最小闭包区域面积,U为预测框与真实框的交集。当两个框完全相交时，GIOU=1；当两个框不相交时，GIOU=一1。当出现图8 所示的情况时，GIOU会退化为IOU,无法体现两个框的位置关系。B图8 GIOU退化为IOUFig.8GIOU Degraded to IOU选择CIOU(Complete-IOU)替代GIOU作为目标框回归的损失函数，计算式为：CIOU=IOU-(b,b)=(1-IOU)+V101ConcatCSP2_CA.SMCBL+CSP2SPP+CBL图7 改进后的YOLOv5网络结构Fig.7 Improved YOLOv5 network structure4V=2(arctan元ha式中，6 代表预测框的中心位置坐标；6 代表真实框的中心位置坐标；代表预测框与真实框中心位置之间的欧氏距离；代表两个矩形框对角线的(6)距离；是一个衡量参数；是衡量长宽比的参数；w、h 分别代表预测框长度和宽度；s、h 分别代表预测框长度和宽度。CIOU损失函数综合考虑了真实框和预测框的相交区域及两者之间的欧氏距离、横纵比，使得边界框回归的更加稳定，损失函数收敛的速度也更快。(7)3识别试验与分析试验平台服务器CPU英特尔Xeon（至强）E5-2630 v32.40 GHz八核,主板(RUNING X99),内存（海力士DDR42133MHz16GB），主硬盘希捷ST1000DM010-2EP102(1 TB),主显卡Nvidia GeForceGTX 1060 8GB(8 GB/NVIDIA)。3.1数据样本采集本试验使用的螺旋选矿机矿带图像数据采集于本A团队在某矿的 CL1500螺旋选矿机(直径 l 500mm)工业试验，采用工业相机Basler摄像头型号为acA2500-14gc接口GigEVision2，其安装在螺旋选矿机槽面上。摄像头参数为50 0 万像素，分辨率2590pxX1942px，顿速率14fps，焦距16 mm。如图9 所示，利用PylonViewer软件连接相机。拍摄的素材为2 分钟的视频，使用Python3来将视频剪辑为图片，设置参数为每秒1顿，即一张图像，图片(8)大小2 59 0 X1942，图片格式为PNG，由于YOLOv5的输人图像尺寸为6 40 6 40，所以将原始图片的尺(9)寸调整大小（resize)为6 40 6 40，选取其中的2 0 0 0 张ConvUpsampleCSP2+CBLUpsampleP2CBLP3160160255CBLConcatP1CBLCSP2ConcatCSP2_ConcatCSP2_arctanhConv80 80 255Conv4040255Conv202025522(10):102有色金属（选矿部分）2024年第1期视频素材640 6402.5901942视频抽帧成图图9 虫螺旋选矿机矿物分带图像数据集的获取及素材处理Fig.9 Acquisition and material processing of mineralzoning image dataset for spiral concentrator矿带图片进行试验。其中12 0 0 张为训练集图片，400张为验证集图片，40 0 张为测试集图片。3.2试验结果与评价3.2.1试验结果由于给矿条件经常波动，有时浓度低，有时浓度高，大部分时间浓度介于低浓度与高浓度之间。为了验证本文算法的成功和可靠性，在相同的图片数据集下，选取了螺旋选矿机在低浓度和高浓度不同场景下进行定性评价，并与加人CBAM和SE注意力机制的YOLOv5目标检测模型进行了比较，图10为不同算法的检测效果。从检测效果可以看出，YOLOv5-CASM在低浓度、中浓度和高浓度场景下，检测准确率都接近0.9，YOLOv5-CBAM只有0.8 左右，原始的YOLOv5才0.6左右，无法达到生产要求，对于本文改进的YOLOv5-CASM模型准确率可达0.9，试验结果表明本文改进的YOLOv5算法是成功可靠的，符合实际生产要求。3.2.2定量评价以精确率（Precision）、召回率（Recall）、损失函数（Loss）、平均精度均值（IOU=0.5）M e a n A P，MAP以及顿率（FPS)作为目标检测的评价指标。精确率是指使用训练生成的模型预测验证集正确的正样本数占比总正样本数的百分比，召回率是指使用训练生成的模型预测验证集数据正样本的个数与验证集样本总数的百分比。YOLOv5损失函数有分类损失、置信度损失和定位损失。本文对定位要求较高，因此只比较定位损失函数。帧率为计算机每秒检测图片的数，可以作为实际应用的运行速度快慢的指标。上述衡量指标的计算分别如式(11)(13)所示。TPPrecision=TP+FPTPRecall=TP+FNNAPdRMAP=N式中,AP为平均精度，TP、FP和FN分别表示正样本使用训练模型被检测正确的检测数量、负样本被检测为正样本的检测数量和背景被检测为正样本的检测数量。MAP的值是通过所有类别的AP求均值得到。为了验证本文提出的改进YOLOv5-CASM算法的有效性，在相同的图片数据集下，本算法将其与加人CBAM和SE注意力机制的YOLOv5目标检测模型进行了比较，试验结果如表1所示。(11)(12)(13)2024年第1期刘惠中等：基于改进YOLOv5的螺旋选矿机矿物分带图像分割算法研究低浓度:103中浓度高浓度准确率检测图像本文改进算法YOLOv5-CA.SM90%SeporolenlPonusySparaiionPaimaorAYOLOv5-CBAM72%YOLOv5-SE70%Separation Pointo.7oSeparationPointowzoSeparationPointo7355%YOLOv5Separation Pointo.56Table 1Comparison of YOLOV5 test results检测项目YOLOv5-CASMPrecision0.953Recall0.951MAP0.954FPS63Loss0.018从表1可看出，YOLOv5-CASM算法检测精度上有显著的提高，相对于原始YOLOv5算法精确率提高了14.3%，比YOLOv5-SE的目标检测精度提高了10.2%，相比精度较高的YOLOv5-CBAM精度提高了2.1%；比较召回率，YOLOv5-CASM比原始YOLOv5提高了15.3%，相对于其他目标检测，也有显著的提高;由于增加了 CAM和 SAM注意力通道和小目标检测层,FPS有所降低，但其他指标均SeparationPointO.57图10试验检测效果Fig.10Experimental detection effect表1YOLOV5试验结果对比YOLOv5-CBAM0.9320.9240.915600.036优于其他YOLOv5算法。因此，本文的改进算法是成功的。为了再次验证本文算法的优势，将本文提出YOLOv5-CASM算法与其他改进的YOLOv5数据进行了比较，结果如图11、12 所示。从图11、12 中可以看出，由于矿带十分不稳定，原始的YOLOv5算法送代到150 轮之前曲线都十分不稳定；加人注意力机制的YOLOv5算法选代到Separation Pointo.52YOLOv5-SEYOLOv50.8510.8100.8430.7820.8120.78966690.0200.028104有色金属（选矿部分）2024年第1期1.0F0.8Yolov5-CASM0.05Yolov5-CBAMYolov5-SEYolov50.040.030.4F0.2Fig.11Accuracy variation curve1.0F0.80.60.40.2图12平均精度均值变化曲线Fig.12Average precision mean change curve40轮之前曲线都十分震荡，直到50 轮之后准确率才逐渐稳定，最终逐渐稳定；而YOLOv5-CASM模型迭代到2 0 轮左右基本已经稳定，并最终稳定在0.9 5左右，之后的训练也十分稳定。由于本文的类别数为1，平均精度均值与精确度变化曲线接近。召回率曲线和损失曲线对比结果如图13、14所示。0.90.80.7回0.6F0.50.4Fig.13Recall rate change curveYolov5-CASMYolov5-CBAMYolov5-SEYolov511020图11准确率变化曲线Yolov5-CASMYolov5-CBAMYolov5-SEYolov502040送代次数020图13召回率变化曲线0.02406080100120140选代次数6080100120140Yolov5-CASMYolov5-CBAMYolov5-SEYolov5406080100120140选代次数1020图14损失函数变化曲线Fig.14JLoss function change curve从图13、14中可以看出，召回率的高低代表验证集和测试集预测的正确率，召回率越高代表检验的正样本准确率越高。YOLOv5-CASM模型迭代到2 0 轮左右已经逐渐趋于稳定，相比较于YOLOv5-CBAM模型召回率提高了2.7%，YOLOv5-CBAM模型迭代到8 0 轮才逐渐稳定。与原始YOLOv5相比召回率提高了16.9%。由于YOLOv5-CASM模型优化了损失函数，只送代了2 0轮，损失函数就逐渐收敛趋于稳定，比原始的YOLOv5算法降低了0.0 1；YOLOv5-SE损失函数最差，迭代到150 轮还未收敛。4结论1)由于螺旋选矿机矿浆流速快、波动大、矿带模糊、分割点目标较小，采用常规深度学习目标检测算法难以准确获取矿物分带分割点，提出了一种改进的YOLOv5算法一YOLOv5-CASM,通过引人注意力机制，提升了对螺旋选矿机矿物分带分割点的识别准确度。2)经过试验测试表明，在给矿浓度低、中和高的不同条件下，改进的YOLOv5-CASM算法检测准确率都接近0.9，远高于未改进的YOLOv5算法（准确率0.6），准确率提升了50%，改进算法有效可靠。3)采用改进的YOLOv5-CASM算法可以满足螺旋选矿机矿带分割点识别和坐标获取的精度要求，为进一步开发精矿自适应截取和品质的自动控制的螺旋选矿机奠定了基础。参考文献1刘惠中，重选设备在我国金属矿选矿中的应用进展及展望J.有色金属（选矿部分），2 0 11（增刊）：18-2 2LIU Huizhong.Application progresses and prospects ofgravity concentrators in Chinese metal mine processing40送代次数60801001201402024年第1期刘惠中等：基于改进YOLOv5的螺旋选矿机矿物分带图像分割算法研究plants J.Nonferrous Metals（M i n e r a l Pr o c e s s i n gSection),2011(Suppl.1):18-22.2 刘惠中.BL1500螺旋溜槽的研制及应用J.有色金属（选矿部分）2 0 0 0（3）：2 9-32.LIU Huizhong.Development and application of BL1500spiral concentrator JJ.Nonferrous Metals（M i n e r a lProcessing Section),2000(3):29-32.3LIU H Z,YOU K S.Research on image multi-featureextraction of ore belt and real-time monitoring of thetabling by sema ntic segmentation of DeepLab V3+J/OLJ.Advances in Artificial Intelligence and Security,2022,1586.https:/doi:0rg/10.10071978-3-031-06767-9_3.4杨文旺，何庆浪，兰希雄，等.选矿摇床智能巡检机器人开发与应用J.有色金属（选矿部分），2 0 2 0（5）：102-106.YANG Wenwang,HE Qinglang,LAN Xixiong,et al.Development and application of intelligent inspectionrobot for table concentrator J.Nonferrous Metals(Mineral Processing Section),2020(5):102-106.5杨文旺，武涛，赵玉华，等.重选摇床智能控制系统的设计与应用J.黄金，2 0 2 0，41（8）：57-6 0.YANG Wenwang,WU Tao,ZHAO Yuhua,et al.Design and application of intelligent control system forgravity separation table concentrator JJ.Gold,2020,41(8):57-60.6NIENABER E C,AURET L.Spiral concentratorinterface monitoring through image processing:optimization for parameter selectionJJ.IFAC PapersOnLine,2016,49(20):102-107.7NIENABER E C,MCCOY J T,AURET L.Spiralconcentrator interface monitoring through imageprocessing:a statistical learning approach J.IFAC-Papers OnLine,2017,50(2):53-58.8徐述腾，周永章.基于深度学习的镜下矿石矿物的智能识别试验研究J.岩石学报，2 0 18 34（11）：32 44-32 52.XU Shuteng,ZHOU Yongzhang.Artificial intelligenceidentification of ore minerals under microscope based ondeep learning algorithmJ.Acta Petrologica Sinica,2018,34(11):3244-32529 余华富.浮选机泡沫动态特征信息提取及泡沫层厚度:105控制模型研究D.赣州：江西理工大学，2 0 2 2.YU Huafu.Study on the extraction of dynamicinformation of flotation machine froth and control modelof froth layer thickness D .G a n z h o u:Jia n g x iUniversity of Science and Technology,2022.10邱天衡，王玲，王鹏，等.基于改进YOLOv5的目标检测算法研究J.计算机工程与应用，2 0 2 2,58（13）：6 3-7 3.QIU Tianheng,WANG Ling,WANG Peng,et al.Research on object detection algorithm based onimproved YOLOv5 JJ.Computer Engineering andApplications,2022,58(13):63-73.11曾广淼，俞万能，王荣杰，等.船舶目标重叠下马赛克图像数据增强方法研究J.控制理论与应