近日，我院机器视觉与智能装备团队联合中国科学院上海高等研究院吴波教授、香港中文大学电子工程系任洪亮教授，在矿石粒度检测分割方面取得新进展，相关研究论文“An Efficient MLP-based Point-guided Segmentation Network for Ore Images with Ambiguous Boundary”于自动化TOP期刊《IEEE Transactions on Industrial Informatics》在线发表。该论文第一完成单位为湖北工业大学机械工程学院，孙国栋教授为第一作者，硕士生彭雨婷为第二作者，张杨副教授为通讯作者。
矿石粒度信息是判断矿山开采上游环节机械性能好坏的关键。而选矿生产场地环境复杂，采集的矿石图像存在石头堆积、干湿混合导致的矿石粘附以及光照条件的变化的问题，极大的影响矿石边缘的识别与处理。该文以边缘点匹配为核心，引导预测点匹配实例点，以实现清晰的对象边界。文中的方法平衡了局部信息与全局信息，并进行了广泛的实验来验证该方法的有效性。
结果表明，该方法实现了超过27帧每秒的显著处理速度，模型大小只有73 MB。此外，此方法准确性高，与目前可用的SOTA方法相比，取得了精度与速度的平衡。
该项工作助力推动国家能源行业的智能化发展，研究工作得到矿冶过程智能优化制造全国重点实验室（BGRIMM-KZSKL-2023-11），国家自然科学基金（51775177）的资助。
原文：Guodong Sun, Yuting Peng, Le Cheng, Mengya Xu, An Wang, Bo Wu, Hongliang Ren, and Yang Zhang. An Efficient MLP-Based Point-Guided Segmentation Network for Ore Images with Ambiguous Boundary. IEEE Transactions on Industrial Informatics, 2024, PP: 1-11.
原文链接：https://doi.org/10.1109/TII.2024.3379670
