本发明涉及图像识别，尤其涉及一种矿岩颗粒堆积体系空隙识别方法及系统。
背景技术：
1、崩落法矿山开采过程中通过强制或自然崩落方式形成的矿岩一般是由许多大小不同、形状各异且排列复杂的散体介质组成，在其物理力学性质、放出结构等多因素的共同影响下，矿岩颗粒的堆积体系结构特征及其在空间中的流动过程具有独特性和复杂性。空隙结构影响矿岩颗粒宏观力学与运移行为，进而影响矿岩颗粒的二次破裂规律、松动体与放出体形态、小颗粒穿流特性与涌现特性、堵口以及最终的放矿效率、安全性与经济效益，其作为至关重要的特性之一深受国内外学者关注研究。
2、颗粒体系空隙的测量与识别是空隙结构特性分析的前提，目前常见的基于图像信息的颗粒堆积体系空隙结构识别算法主要为阈值分割法等传统图像识别方法，其在空隙识别过程中普遍存在精度不高、效率偏低等问题，而深度学习方法的运用能够快速收敛、准确识别，在边坡表面裂隙、岩石孔隙、矿岩颗粒体系空隙等智能识别领域具有很好发展潜力。但目前深度学习算法在复杂矿岩颗粒堆积体系空隙结构的识别中应用的相关研究很少，且存在不充分、不深入等的问题，无法同时满足既准确又高效地识别矿岩颗粒堆积体系内部空隙的要求。
技术实现思路
1、本发明提供了一种矿岩颗粒堆积体系空隙识别方法及系统，解决现有技术中在复杂矿岩颗粒堆积体系空隙结构的识别中应用的相关研究很少，且存在不充分、不深入等的问题。
2、为解决上述发明目的，本发明提供的技术方案如下：一种矿岩颗粒堆积体系空隙识别方法，其特征在于，步骤包括：
3、s1、扫描矿岩颗粒堆积体系，获取矿岩颗粒的原始切片图像，并对原始切片图像进行预处理，获得标签图像；
4、s2、选取标签图像中不同的数据参数，获得四类数据集；将所述四类数据集分别划分为训练集和测试集两部分；
5、s3、基于tensorflow和keras框架搭建attentionr2u-net，并通过训练集训练网络制得模型；
6、s4、根据标签图像和原始切片图像来定性和定量评估四类数据集下模型的识别效果，通过比较二分类混淆矩阵指标进一步确定最优数据集参数；
7、s5、基于最优数据集参数制得最优数据集，并通过最优数据集训练神经网络；
8、s6、通过最优数据集对神经网络反复训练，调节超参数获得最优模型，输入待识别矿岩颗粒堆积体系数据，完成矿岩颗粒堆积体系空隙识别。
9、可选地，步骤s1中，扫描矿岩颗粒堆积体系，获取矿岩颗粒的原始切片图像，并对原始切片图像进行预处理，获得标签图像，包括：
10、通过医用ct扫描技术发射x射线，对装置中矿岩颗粒堆积体系进行全方位螺旋式扫描，通过切片图像获取体系内部颗粒间空隙的具体信息；
11、在切片图像中通过裁剪筛选目标区域，通过labelme对目标对象标注预处理操作，得到标签图像。
12、可选地，步骤s2中，选取标签图像中不同的数据参数，获得四类数据集，包括：
13、选取不同的数据参数，对预处理后的数据集进行分类处理，获得四类数据集；
14、其中，数据集参数包括数据集数量、图像尺寸、数据增强方法、图像复杂程度。
15、可选地，步骤s3中，基于tensorflow和keras框架搭建attentionr2u-net，并通过数据集训练网络制得模型，包括：
16、将u-net结合循环网络与残差网络的优点架构成r2u-net，在r2u-net网络的基础上增加注意门搭建出attentionr2u-net神经网络；
17、使用四类数据集分别训练神经网络attentionr2u-net，获得对应类别数据集的识别模型。
18、可选地，数据增强方法，包括：
19、通过中心四周滑动裁剪的方式，对切片和其对应的标签图同步处理，改变图像尺寸的同时数据增强，获得图像数量为1000、尺寸为300-400pixel，以及图像中既有单粒径的简单图像也有多粒径的复杂图像的数据集。
20、可选地，步骤s4中，根据标签图像和识别图像来定性和定量评估四类数据集下模型的识别效果，通过比较二分类混淆矩阵指标进一步确定最优数据集参数，包括：
21、获取标签图像和识别图像；
22、将切片图像中的空隙识别问题定义为二分类问题，构建二分类交叉熵损失函数；
23、基于所述标签图像和识别图像，结合所述二分类交叉熵损失函数，比较四类数据集下模型的定量评估指标选取出最优数据集参数。
24、一种矿岩颗粒堆积体系空隙识别系统，系统用于上述的矿岩颗粒堆积体系空隙识别方法，系统包括：
25、数据处理模块，用于扫描矿岩颗粒堆积体系，获取矿岩颗粒的原始切片图像，并对所述原始切片图像进行预处理，获得标签图像；
26、数据分类模块，用于选取标签图像中不同的数据参数，获得四类数据集；将四类数据集分别划分为训练集和测试集两部分；
27、模型搭建模块，用于基于tensorflow和keras框架搭建attentionr2u-net，并通过训练集分别集训练网络制得模型；
28、初步评估模块，用于根据标签图像和原始切片图像来定性和定量评估四类数据集下模型的识别效果，通过比较二分类混淆矩阵指标进一步确定最优数据集参数；
29、模型训练模块，用于基于最优数据集参数制得最优数据集，并通过最优数据集训练神经网络；
30、空隙识别模块，用于通过最优数据集对神经网络反复训练，调节超参数获得最优模型，输入待识别矿岩颗粒堆积体系数据，完成矿岩颗粒堆积体系空隙识别。
31、可选地，数据处理模块，用于通过医用ct扫描技术发射x射线，对装置中矿岩颗粒堆积体系进行全方位螺旋式扫描，通过切片图像获取体系内部颗粒间空隙的具体信息；
32、在切片图像中通过裁剪筛选目标区域，通过labelme对目标对象标注预处理操作，得到预处理后的数据集。
33、可选地，数据分类模块，用于选取不同的数据参数，对预处理后的数据集进行分类处理，获得四类数据集；
34、其中，数据集参数包括数据集数量、图像尺寸、数据增强方法、图像复杂程度。
35、可选地，模型搭建模块，用于将u-net结合循环网络与残差网络的优点架构成r2u-net，在r2u-net网络的基础上增加注意门搭建出attentionr2u-net神经网络；
36、使用四类数据集分别训练神经网络attentionr2u-net，获得对应类别数据集的识别模型。
37、一方面，提供了一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现上述矿岩颗粒堆积体系空隙识别方法。
38、一方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现上述矿岩颗粒堆积体系空隙识别方法。
39、上述技术方案，与现有技术相比至少具有如下有益效果：
40、上述方案，本发明提供的方法采用医用ct扫描技术，在精准、快速地获取矿岩颗粒堆积体系内部复杂空隙三维信息并以切片形式表征的基础上，运用深度学习算法，依托tensorflow和keras框架搭建attentionr2u-net神经网络，将数据集输入神经网络并经反复训练、调节超参数制得最优模型。值得注意的是，本发明从数据集图像数量、图像尺寸、数据增强方法、图像复杂程度四个数据集参数出发，通过定量化试验探究并找出使得模型训练收敛速度与识别效果均极佳的最优数据集参数，制成最优数据集。本发明的研究思路与研究成果可为后续岩、土等不同类型颗粒堆积体系空隙的高效、准确识别及空隙结构特性分析提供有效技术手段，对实际崩落矿山相关图像识别领域研究有一定的指导意义。
1.一种矿岩颗粒堆积体系空隙识别方法，其特征在于，方法步骤包括：
2.根据权利要求1所述的方法，其特征在于，所述步骤s1中，扫描矿岩颗粒堆积体系，获取矿岩颗粒的原始切片图像，并对所述原始切片图像进行预处理，获得标签图像，包括：
3.根据权利要求2所述的方法，其特征在于，所述步骤s2中，选取标签图像中不同的数据参数，获得四类数据集，包括：
4.根据权利要求3所述的方法，其特征在于，所述步骤s3中，基于tensorflow和keras框架搭建attentionr2u-net，并通过所述训练集训练网络制得模型，包括：
5.根据权利要求4所述的方法，其特征在于，所述数据增强方法，包括：
6.根据权利要求5所述的方法，其特征在于，所述步骤s4中，根据标签图像和识别图像来定性和定量评估四类数据集下模型的识别效果，通过比较二分类混淆矩阵指标进一步确定最优数据集参数，包括：
7.一种矿岩颗粒堆积体系空隙识别系统，其特征在于，所述系统用于如权利要求1～6任意一项所述的矿岩颗粒堆积体系空隙识别方法，所述系统包括：
8.根据权利要求7所述的系统，其特征在于，所述数据处理模块，用于通过医用ct扫描技术发射x射线，对装置中矿岩颗粒堆积体系进行全方位螺旋式扫描，通过切片图像获取体系内部颗粒间空隙的具体信息；
9.根据权利要求8所述的系统，其特征在于，所述数据分类模块，用于选取不同的数据参数，对预处理后的数据集进行分类处理，获得四类数据集；
10.根据权利要求9所述的系统，其特征在于，所述模型搭建模块，用于将u-net结合循环网络与残差网络的优点架构成r2u-net，在r2u-net网络的基础上增加注意门搭建出attentionr2u-net神经网络；
