(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211045618.0 (22)申请日 2022.08.30 (71)申请人 中国矿业大 学 地址 221000 江苏省徐州市铜山区大 学路1 号 (72)发明人 温智平　周长春　王光辉　刘航涛　 周脉强　 (74)专利代理 机构 南京经纬专利商标代理有限 公司 32200 专利代理师 曹翠珍 (51)Int.Cl. G01N 21/84(2006.01) G01N 21/01(2006.01) G06T 7/00(2017.01) G06T 7/62(2017.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种在动态溢流面上多模型预测煤浮选尾 矿灰分的方法 (57)摘要 本发明公开了一种在动态溢流面上多模型 预测煤浮选尾矿 灰分的方法， 该方法搭建动态溢 流方式及水平四周补光的机器视觉系统， 捕获浮 选尾矿图像； 基于卷积神经网络对不同工况的尾 矿图像分类， 实现对稳定的目标尾矿图像的筛 选； 融合传统特征和深度抽象特征， 在深度卷积 神经网络外层接回归预测器进行训练， 实现对浮 选尾矿灰分的实时预测。 该方法环保高效、 预测 精度高， 有效替代了原来过程复杂、 耗时耗力的 尾矿化验 方式， 避免了浮选生产过程反馈调节的 高延迟性， 并且对保证煤炭资源高效回收、 智能 化产业升级和提升选厂效益具有重要的意义， 有 较大的应用潜力。 权利要求书2页 说明书7页 附图2页 CN 115452824 A 2022.12.09 CN 115452824 A 1.一种在动态溢流面上多模型预测煤浮选尾矿灰分的方法， 其特征在于， 包括以下步 骤： S1： 构建捕获浮选尾矿图像的动态溢流面的浮选尾矿监测机器视觉系统， 用于捕获浮 选尾矿模型训练用的尾矿数据集和模型 预测用的数据来源； S2： 设计卷积神经网络模型训练不同尾矿工况数据集， 网络结构包括卷积层和下采样 层提取不同工况下 的图像特征， 全连接层将特征融合汇总， 连接分类器对工况图像进行识 别； S3： 通过上述步骤S2模型预测排除了无关工况的尾矿工况图像， 筛选出无干扰的尾矿 溢流面图像用作尾矿灰分预测， 采用传统灰度、 纹理特征和高阶抽象卷积特征融合的方法 训练尾矿灰分预测模型， 在深度卷积神经网络 外层接RFR回归预测器进行训练； S4： 将步骤S2和步骤S3中的模型嵌入在同一个系 统中， 使用顺序逻辑先预测尾矿工况 图像是否合格， 随后预测浮选尾矿的灰分值。 2.如权利要求1所述的一种在动态溢流面上多模型预测煤浮选尾矿灰分的方法， 其特 征在于， 上述步骤S1中的浮选尾矿监测机器视觉系统， 包括溢流堰体、 机器视觉系统和溢流 回收槽， 矿浆从尾矿入料口进入溢流堰体， 在溢流堰体敞口表面形成动态的尾矿溢流液面， 经溢流回收槽收集回收后， 从尾矿排料口排出； 所述机器视觉系统安装在溢流堰体上方， 包括垂直安装在溢流堰体上方的CCD工业相 机和溢流回收槽四周环绕的水平漫反射 LED面光源。 3.如权利要求2所述的一种在动态溢流面上多模型预测煤浮选尾矿灰分的方法， 其特 征在于， 上述 步骤S1包括以下步骤： S11： 采用图像采集软件捕获图像， 采集前调整相机参数、 光照强度、 尾矿流量和设置采 集时间间隔； S12： 对采集的尾矿矿浆图像做预处理， 对应的对每张图像做标签， 标签分为工况和灰 分值， 其中工况 人工观测并标注， 灰分值在选 煤厂化验室采用快 灰法获取； S13： 采用Pytorc h中的random_spl it随机函数将尾矿数据集划分为训练集和 测试集。 4.如权利要求1所述的一种在动态溢流面上多模型预测煤浮选尾矿灰分的方法， 其特 征在于， 上述 步骤S2包括： S21： 构建一个初始的卷积神经网络， 包括卷积层、 下采样层、 全连接层， 经过前向传播 得到网络 输出， 卷积层的特 征计算如下： 其中， output(i)是卷积层的输出， f是激活函数， m为所有输入的浮选尾矿数据 集， w为卷 积权重值， b为偏置， x为输入特 征； S22： 外接softmax分类 器对不同工况的尾矿图像进行分类， 分类结果的计算如下： 其中P表示目标为第j个 类别图像的概 率， K表示特 征向量的维度； S23： 确定损失函数N LL_Loss， 计算如下： NLLLoss＝‑∑log(P(y＝j|x) )权　利　要　求　书 1/2 页 2 CN 115452824 A 2其中P为softmax计算的分类概率值， 通过NLL_Loss计算卷积网络预测和真实标签之间 的误差， 通过反向传播循环来更新权值和偏置参数， 直到模型达到最佳预测精度， 至此卷积 神经网络的目标函数 可以表达为： 其中m为样本个数， L为损失函数， yt为工况输出， yp为期望输出； 训练过程中不断的重复 卷积网络训练， 直至模型误差 达小于或等于期望值 一次训练结束； S24： 根据模型设置的迭代次数Epoch值不断迭代训练网络， 直到训练完所有的Epoch次 数， 结束模型训练； S25： 对于训练好的网络模型在测试集上进一步验证模型精度， 输出尾矿图像的识别结 果， 至此完成本方法中尾矿工况图像的预测模块。 5.如权利要求4所述的一种在动态溢流面上多模型预测煤浮选尾矿灰分的方法， 其特 征在于， 上述步骤S21中连接Dropout正则化参数来减少模型参数的冗余， 可有效避免过拟 合现象发生。 6.如权利要求1所述的一种在动态溢流面上多模型预测煤浮选尾矿灰分的方法， 其特 征在于， 上述 步骤S3包括： S31： 采用OpenCV图像处 理库计算尾矿图像的灰度均值、 纹 理特征； S32： 构建与步骤S21中结构一致的卷积神经网络， 包括卷积层、 下采样层、 全连接层， 经 过前向传播得到网络 输出； S33： 将步骤S32中全连接层的输出作为随机森林回归(RFR)模型的输入， 选择损失函数 均方根误差RMSE， 计算公式如下： 其中Yobj为真实的灰分值， Ymodel为模型预测的灰分值， n 为尾矿图像样本的个数； S34： 设定训练迭代次数， 采用网格搜索(Grid  SearchCV)优化RFR中待优化的超参数， 包括弱学习机个数n_estimators、 最大树深度max_depth、 最小子叶数mi n_samples_spl it； S36： 完成模型训练， 在测试集上计算模型性能指标。 7.如权利要求5所述的一种在动态溢流面上多模型预测煤浮选尾矿灰分的方法， 其特 征在于， 步骤S 32中全连接层的输入包括步骤S31 中的灰度均值、 纹理特征和步骤S 32中的卷 积特征。 8.如权利要求1所述的一种在动态溢流面上多模型预测煤浮选尾矿灰分的方法， 其特 征在于， 上述步骤S4， 由于尾矿 灰分波动较为平缓， 设定预测时间间隔， 尾矿灰分值每3 分钟 预测一次， 为了保证模型 结果的可靠性， 采用3分钟的均值表征当前的实时尾矿灰分。 9.如权利要求1所述的一种在动态溢流面上多模型预测煤浮选尾矿灰分的方法， 其特 征在于， 所述 不同工况包括无 料工况、 油滴工况、 浮 泡工况、 正常工况。权　利　要　求　书 2/2 页 3 CN 115452824 A 3