基于SAM-Mask2Former的标签融合渐进式矿石颗粒分割方法：复杂光照条件下的智能识别突破

这篇研究创新性地提出融合SAM（Segment Anything Model）与Mask2Former的SAM-Mask2Former模型，结合标签融合渐进式（Label-Fusion Progressive）方法，解决了复杂光照条件下矿石颗粒识别的技术瓶颈。模型在测试集上达到Box_mAP>0.844、Segm_mAP>0.870的精度，误检率仅7.5%，并将优势光照范围扩展69.2%，为采矿智能化提供新范式。

　　

Highlight

本研究首次在颗粒识别领域提出整合SAM（Segment Anything Model）与掩码注意力掩码转换器（Masked-attention Mask Transformer, Mask2Former）的SAM-Mask2Former模型，并开发了标签融合渐进式（Label-Fusion Progressive）图像处理方法。该技术使模型能自主学习复杂光照特征，在测试集上实现Box_mAP>0.844、Segm_mAP>0.870的优异表现，误检率低至7.5%，较传统模型精度提升1.2%-42.1%。

Identification results of SAM-Mask2Former model for different image contents

采用Group B数据集训练的模型显示：颗粒尺寸和聚集度在7.4%范围内会降低识别精度——颗粒越小、聚集越密，精度下降越显著。在150-2000 Lux光照范围内，传统模型表现最佳，而标签融合渐进法则将优势光照范围扩大69.2%，有效缓解漏检、误识和分割异常问题。

Conclusions

SAM-Mask2Former模型通过融合SAM的通用分割能力与Mask2Former的实例区分优势，结合标签融合渐进式训练策略，显著提升复杂光照下矿石颗粒的识别鲁棒性。该研究为采矿生产链的智能监控（如爆破参数优化、矿物分选）提供了高精度视觉解决方案。