(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
专利 一种在动态溢流面上多模型预测煤浮选尾矿灰分的方法
安全报告 >
其他 >
文档预览
中文文档
12 页
50 下载
1000 浏览
0 评论
309 收藏
3.0分
温馨提示:本文档共12页,可预览 3 页,如浏览全部内容或当前文档出现乱码,可开通会员下载原始文档
本文档由 人生无常 于 2024-03-18 05:58:41上传分享