1.基于改进掩膜的Mask R-CNN矿物颗粒识别以及粒度检测方法，其特征在于，包括以下步骤：步骤s1：采集矿物颗粒物图像，标注数据并进行数据增强，制作数据集；

步骤s2：将图像经过主干网络和特征金字塔网络提取特征，然后通过轻量级的区域建议网络，得到初始的物体建议框，根据初始建议框进一步的分类和回归得到最终预测框，并根据预测框使用语义分割得到预测掩膜；

步骤s3：设置训练过程的超参数并对网络进行训练，对图像进行预测，得到位置、种类和预测掩膜，并对模型效果进行评价；

步骤s4：基于Mask R-CNN的检测效果，对输出的掩膜进行修改，使输出掩膜的边缘为实际颗粒物的边缘，具体地：

1）对步骤s1所述的图像进行标注，利用标注的标签，设置超参数对模型进行训练；

2）根据输入的图像得到预测的颗粒物的位置

3）调整网络预测的物体框Box，利用预测框根据原图选取感兴趣区域RoI；

4）感兴趣区域包含颗粒物的图像，对感兴趣区域进行边缘检测，得到检测的边缘线；

5）利用检测到的边缘线把整个感兴趣区域分割成若干相互分离的区域，相互分离的区域为颗粒物的候选掩膜

6）利用模型预测的掩膜与候选掩膜求相交，相交的部分为物体的一部分，表示为

7）选出所有占比大于阈值的候选掩膜

步骤s5：对图像采集系统进行矫正，利用获得的掩膜计算颗粒物的实际面积、粒径以及统计颗粒物对应的尺寸分布。

2.根据权利要求1所述的基于改进掩膜的Mask R-CNN矿物颗粒识别以及粒度检测方法，其特征在于：步骤s1将图像从RGB格式转换到HSV格式，通过对HSV不同通道进行调整，采用不同的图像变换方法随机采用不同方式组合变换，把图像扩充成多组图像，所述调整包括对图像的亮度、饱和度、色调、不均匀光照、阴影生成、亮点生成、随机噪声生成、图像平滑和图像滤波进行调整。

3.根据权利要求2所述的基于改进掩膜的Mask R-CNN矿物颗粒识别以及粒度检测方法，其特征在于：步骤s2使用通道注意力机制加强的DenseBlock作为主干网络，该主干网络由多层卷积层组成，除第一层之外的卷积层是把该层之前所有的卷积层的输出拼接作为输入，表示为

4.根据权利要求3所述的基于改进掩膜的Mask R-CNN矿物颗粒识别以及粒度检测方法，其特征在于：步骤s2中通道注意力机制是通过全局池化选取特征层中不同通道的值然后经过一维全连接层，接着将全连接层与特征层的值进行相乘突出相应通道；全局池化包括全局最大池化和全局平均池化，经过全局池化层之后，两边分别接入神经元数目为

5.根据权利要求4所述的基于改进掩膜的Mask R-CNN矿物颗粒识别以及粒度检测方法，其特征在于：步骤s2中，经过主干网络之后，通过特征金字塔网络把高层的特征层与低层的特征层进行融合，得到不同维度的融合特征层；此处特征金字塔使用密集连接形式，把主干特征网络中不同尺度的特征层进行不同尺度的采样，把采样后的特征层拼接融合作为输出的特征层；把特征金字塔网络中的融合特征层输入到区域建议网络，区域建议网络把特征图上的像素点作为特征点，在每个特征点使用长宽不同锚框作为先验物体框的位置；区域建议网络根据输入的特征层得到一组包含物体位置与置信度的数组，把数组中的位置与置信度进行解码得到候选位置，选取置信度较高的候选位置；然后利用RoIAlign获得候选位置的特征图作为感兴趣区域，对感兴趣区域使用卷积网络输出物体类别与物体位置，使用物体的位置裁剪对应特征金字塔中的特征层并进行语义分割得到输出的掩膜。

6.根据权利要求5所述的基于改进掩膜的Mask R-CNN矿物颗粒识别以及粒度检测方法，其特征在于：步骤s5使用棋盘格标定板，拍摄若干幅标定板图像，对拍摄的棋盘格的图像进行角点检测，得到一系列的图像点；根据物体的对象点与图像点通过针孔相机模型与映射变换计算畸变系数，旋转平移向量和相机矩阵，并对图像进行畸变矫正。

7.根据权利要求6所述的基于改进掩膜的Mask R-CNN矿物颗粒识别以及粒度检测方法，其特征在于：对矫正之后的图像，根据像素当量计算实际尺寸与图像尺寸的对应关系，像素当量表示为尺寸分布为统计不同尺寸区间的颗粒物的数目与占比，计算颗粒物尺寸分布的过程为：首先统计在尺寸区间

8.根据权利要求2-7任一项所述的基于改进掩膜的Mask R-CNN矿物颗粒识别以及粒度检测方法，其特征在于：数据的扩充与模型的训练，使用改进掩膜的Mask R-CNN对未标注的数据进行检测，并用识别的结果标注数据，然后人工进行修正，扩充整体数据集；使用得到的数据集进行训练，并微调训练中的超参数，得到训练模型；对得到的训练模型使用单独的测试数据集进行评价，重复执行训练模型过程，直到模型检测效果的评价稳定不变，使用最后的训练权重作为最终使用的权重。