基于点渲染的多分支融合露天矿爆堆块体精细分割方法

现代矿产开采中，爆破成本控制占据整个矿产开采的成本控制的很大一部分，这使得爆破效果的控制在整个矿产开采流程中至关重要，而爆破效果的控制与爆破参数直接关联，这需要采集现场真实的数据来指导爆破参数的优化。为解决当前对于矿区现场爆堆块度识别时存在的精度低、实时性差、泛化性能弱等问题，基于爆破参数优化的需要，提出了深度学习框架下的爆堆块体精细分割方法（Point+S Deeplabv3+）。首先模型在骨干网络特征提取部分引入多分支可分离注意力机制，学习不同通道间的权重特征并融合，改善了提取特征时跨通道交互缺乏的问题；在解码阶段，运用点渲染模块，通过迭代选取点在不同尺度特征图的特征，逐步对每个点对应的低级语义特征和高级语义特征进行拼接，解决了上采样时大量丢失语义信息、边缘及小目标分割精度降低的问题；最后使用动态学习率调整策略，加快模型的收敛速度。实验结果表明，基于Point+S Deeplabv3+模型的MPA和MIoU分别达到了94.36%和89.04%，对比主流的语义分割网络，如FCN、UNet、PSPnet和Deeplabv3+相比，基于Point+S Deeplabv3+的模型MPA和M...