近日，国际人工智能领域知名期刊《Engineering Applications of Artificial Intelligence》（2024年中科院一区，IF=8.0）发表了我院机器视觉与智能装备团队联合复旦大学大数据学院付彦伟教授在在深度学习工程应用领域取得的最新成果，论文题目为"FS-OreDet: Feature enhancement and relationship exploration for boosting few-shot object detector of ore images"。该论文第一完成单位为湖北工业大学机械工程学院，由我院孙国栋教授、研究生程乐、张杨副教授及复旦大学大数据学院付彦伟教授等共同完成。

在机制砂石破碎后的皮带输送流程中，需要准确识别传送带上的超大矿石，并防止进矿带和收矿带之间的转运缓冲料仓发生物料堵塞事故。基于深度学习的方法可以从大量数据中学习构建复杂的特征，但依赖于大量标记数据训练。该文提出基于小样本学习的矿石图像检测框架。通过卷积神经网络学习特征，并借助迁移学习等技巧，设计了一种在小样本场景下可以有效学习矿石特征的目标检测器，该目标检测器只需要25张训练样本就可以实现选矿过程中矿石检测任务。

结果表明，该文提出的小样本目标检测器（FS-OreDet）平均精度（AP）为55.1，速度为57帧/秒（F P S），模型大小仅为17 MB，与其他现有方法相比，性能排名第一。这项工作得到了矿冶过程智能优化制造全国重点实验室与矿冶过程自动控制技术北京市重点实验室（Grant BGRIMM-KZSKL-2023-11）的资助。

原文：Guodong Sun, Le Cheng, Jinyu Liu, Yuting Peng, Chengming Xu, Yanwei Fu, Bo Wu, Yang Zhang. FS-OreDet: Feature enhancement and relationship exploration for boosting few-shot object detector of ore images[J]. Engineering Applications of Artificial Intelligence, Volume 133, Part E, 2024, 108437.

原文链接：https://doi.org/10.1016/j.engappai.2024.108437