石墨作为重要的战略性非金属矿产资源,广泛应用于航天、电子、新能源等领域,具有不可替代的工业价值。其中,矿石粒度的精准检测在选矿工艺优化、资源利用率提升以及产品性能保障方面扮演着关键角色。然而,传统粒度检测方法存在精度有限、效率低下、人工依赖强、适应性差等问题,难以满足当前矿业智能化、自动化发展的实际需求。随着深度学习的发展,图像分割技术为矿石粒度检测提供了新的解决方案,但在石墨矿石图像中仍面临数据稀缺且标注困难;边界模糊、形态复杂及光照干扰等挑战。 针对上述问题,本文围绕石墨矿石图像分割任务,开展了从数据集构建、图像预处理到网络结构优化与损失函数设计的系统研究。首先,针对数据问题,构建了具备工业场景特征的石墨图像数据集,结合Segment Anything Model实现自动掩码生成,显著提升了标注效率。在图像预处理方面,引入灰度化、直方图均衡化与同态滤波等方法,采用滑动窗口裁剪与数据增强策略扩展样本规模,为进一步提升训练数据多样性与模型泛化能力。 在模型设计方面,首先聚焦边界模糊和颗粒粘连问题,以U-Net为基础,综合BCE、Dice和Tversky三者的特点,设计联合损失函数,显著降低假阴性率(False Negati ve Rate,FNR),提升边界识别精度和整体鲁棒性。在此基础上,依次进行三项改进:一是设计轻量化卷积模块Block One(BO),通过通道压缩、Batch Normalization与转置卷积替代上采样操作,在降低参数量(由31M降至7.77M)的同时保留细节表达能力;二是引入特征金字塔网络(FPN),强化多尺度信息融合,显著提升模型对小颗粒与暗部目标的分割能力,有效缓解背景复杂带来的识别困难;三是集成通道注意力机制(C AM),增强关键特征响应,提升模型在粘连区域与边界区域的感知能力与区分能力。 实验结果显示,最终模型在五项指标中均优于经典U-Net和主流分割模型,PA达92.81%,IoU达91.72%,Dice系数提升至95.69%,FNR降至0.0341,BA指标提升至85.72%,显著改善了模型在前背景类别不平衡场景下的识别性能,尤其在光照不均和颗粒粘连图像中表现出更强的细节还原能力与分割稳定性。 综上所述,本文提出的石墨图像分割方案在算法设计、精度提升与工业适应性方面具备良好表现,构建了覆盖数据采集、预处理、建模与评估的完整流程,为实现石墨粒度智能检测与智能矿山场景落地提供了理论基础与实践支撑。