ivdon3@bk.ru
Настоящее исследование посвящено разработке методов автоматической оценки гранулометрического состава руды после взрывных работ на основе данных, полученных с беспилотных летательных аппаратов (БПЛА). Определение размеров фрагментов руды является важным этапом, так как от его точности зависит эффективность последующих процессов дробления. В традиционных методах анализа используется ручная работа, что требует значительных трудозатрат и подвержено субъективным факторам. В исследовании рассматриваются современные методы машинного обучения и архитектуры нейронных сетей, такие как Feature Pyramid Network (FPN), EfficientNet и SE ResNet, которые могут автоматически и точно сегментировать изображения. В результате экспериментов было установлено, что наибольшую точность IoU среди моделей показала FPN-сеть с предобученным основанием EfficientNet B2.
Ключевые слова: гранулометрический состав, FPN, EfficientNet, SEResNet
2.3.3 - Автоматизация и управление технологическими процессами и производствами
В статье рассмотрены самые популярные семейства предобученных оснований нейронных сетей. Были рассмотрены их структуры, а также произведено сравнение результатов работы при сегментации изображения на FPN – сети. После тестирования и сравнения было получено, что самое высокое качество сегментации, равное 55,1 % по классу «куски руды» при общем качестве сегментации по трем классам составляющем 98,93 %, показала FPN – сеть на предобученном основании EfficientNetB2 после 7 эпох обучения.
Ключевые слова: сегментация, нейронная сеть, предобученное основание, EfficientNet, SEResNet
2.3.1 - Системный анализ, управление и обработка информации , 2.3.3 - Автоматизация и управление технологическими процессами и производствами