铝及其合金因为其独特性质而广泛应用于航空、建筑、汽车等工业领域,铝土矿又是生成铝的最佳原材料,属于不可再生资源,因此提高铝土矿资源利用率显得尤为重要。目前国内铝土矿分选仍然采用传统的人工分选,存在人员安全无法保障、分选速度慢、分选准确率低等诸多缺陷。随着机器视觉技术飞速发展,基于深度学习的机器视觉在目标检测任务上的综合效果已经远远超过人眼。人工分选方法很难分辨的样本,深度学习算法也可以通过大量的数据找出它们之间的不同进行快速分选,大幅度提升铝土矿的分选精度和生产效率,且实现方式简单、成本低廉,因此本文采用基于深度学习的机器视觉算法实现铝土矿分选任务。该方法以快速准确地实现对四类不同品质铝土矿生石的识别和定位为目标,分别从数据集制作、模型选择、模型训练三个方面展开研究。首先,采用视觉系统和机械臂Eye-to-hand的搭配方式,调用三维深度相机对现有铝土矿进行数据采集,并对采集的数据进行筛选、标注、整理和预处理操作后,转换成Detectron2平台所需的COCO数据集格式和Darknet平台的独有的Darknet数据集格式,形成实验数据集。其次,根据模型训练的需要配置硬件环境,并在Linux平台下配置GPU加速和目标检测平台需要的软件环境,搭建Detectron2和Darknet目标检测平台,针对铝土矿分选特性挑选网络模型并进行参数设置,为实验配置网络模型。最后,开展模型训练实验,针对铝土矿分选任务在模型训练中遇到的问题设计对比实验。采用类别数据量均衡和类别数据量不均衡两种数据集,分别在Faster R-CNN和YOLOv4两个预设参数的目标检测网络模型上进行训练,通过对比所有生成模型的检测效果,选择类别数据量均衡数据集在YOLOv4网络模型下训练7000次生成的模型作为本文最终的检测模型,其在测试集上的准确率达到99%,推理速度在0.03s至0.05s之间,能够实现实时检测。因为目标检测网络模型的训练是一个不断优化的过程,也是一个不断趋近于满足个性化需求的过程,所以本文设计了模型优化思路,以增加模型训练过程的完整性。本文设计的基于深度学习的机器视觉分选方法可有效实现视觉技术对人工分选的自动化替代,其中的经验和方法具有通用性,适合于其他类矿石分选任务甚至其他类目标分选任务。