Fused attention mechanism-based ore sorting network

深度学习对于矿产资源的识别和分类产生了重要影响，特别是在高效准确地识别不同矿物方面发挥了关键作用，这对于提高采矿的效率和准确性非常重要。然而，传统的矿石分选方法在复杂矿物环境中往往效率低下、缺乏准确性。为了解决这些挑战，本研究提出了一种名为OreYOLO的方法，该方法基于金矿和硫化矿的矿石数据，结合了注意机制和多尺度特征融合策略。通过将渐进式特征金字塔结构引入YOLOv5中，并在特征提取模块中嵌入注意机制，大大提高了模型的检测性能和准确性。为了适应各种矿石分选场景和边缘设备的部署要求，网络结构被设计成轻量级，同时保持高精度（分别为99.3%和99.2%），参数数量为3.458M，计算复杂度为6.3GFLOPs。在实验部分，构建了一个包含6000张金矿和硫酸铁矿图像的目标检测数据集，进行了多组对比实验，包括YOLO系列、EfficientDet、Faster-RCNN和CenterNet等，实验结果表明OreYOLO优于这些架构常用的高性能目标检测方法。

本论文旨在解决传统矿石分类方法在复杂矿物环境下效率低、准确度差的问题，提出了一种名为OreYOLO的方法来提高矿物资源的识别和分类效率和准确度。

OreYOLO方法采用了注意力机制和多尺度特征融合策略，结合金和硫化物矿石数据，通过将渐进特征金字塔结构引入YOLOv5，并在特征提取模块中嵌入注意力机制，大大提高了模型的检测性能和准确度，并且设计了轻量级的网络结构以适应不同的矿石分类场景和边缘设备的部署要求。

论文构建了一个包含6000个金和硫化物矿石图像的目标检测数据集，通过多组对比实验，证明了OreYOLO方法优于YOLO系列、EfficientDet、Faster-RCNN和CenterNet等常用高性能目标检测架构。论文的实验设计合理，使用了开源代码，值得深入研究。

在这个领域中，还有一些相关的研究，例如《Deep learning-based mineral recognition using spectral data》、《A review of machine learning and deep learning applications for mineral prospectivity》等。