近日，国际人工智能领域知名期刊《Engineering Applications of Artificial Intelligence》（2024年中科院一区，IF=8.0）发表了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在深度学习工程应用领域取得的最新成果，论文题目为"Efficient segmentation with texture in ore images based on box-supervised approach"。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，硕士生黄得龙为第二作者，张杨副教授为通讯作者。
矿石粒度检测是采矿过程中的一项重要任务。异常粒度分布代表了采矿设备故障和采矿生产过程中的潜在安全问题。准确的图像分割是获得物体物理信息的基础。本文提出了一种高效的融合纹理特征的框监督矿石实例分割方法。该方法结合纹理特征和颜色空间提升算法精度，并且只需要框标注训练就可以得到实例级的分割结果，识别完整和独立的矿石。
该方法在21.6MB的模型大小下实现了每秒50帧以上的识别速度。同时，与最先进方法相比，该方法在骨干网络为MobileNetv3-small的情况下掩码平均精度（iou=50）为47.7，检测平均精度（iou=50）为67.8。
该项工作助力推动国家能源行业的智能化发展，研究工作得到国家自然科学基金（51775177）的资助。
原文：Sun G, Huang D, Peng Y, Chen L, Wu B, Zhang Y. Efficient segmentation with texture in ore images based on box-supervised approach[J]. Engineering Applications of Artificial Intelligence, 2024, 128: 107490.
原文链接：https://doi.org/10.1016/j.engappai.2023.107490
