[发明专利]基于动力学响应与深度学习的采掘物特征识别方法

说明书

本发明公开了一种基于动力学响应与深度学习的采掘物特征识别方法，包括：在采掘头动臂上设置多个采样点，采集不同工况下每个采样点处的应变响应数据；提取每个采样点处的所述应变响应数据，通过特征提取、归一化处理得到应变响应特征数据，根据应变响应特征数据针对不同工况的离散性，筛选出对各类工况敏感的采样点，并将筛选出的采样点的应变响应特征数据整理为数据集；将数据集输入到采掘物特征识别网络模型中进行迭代训练，通过迭代训练后的采掘物特征识别网络模型识别各种工况下的采掘物种类和其厚度。本发明提出的识别方法实现了智能化采掘过程，解决了深海矿产资源采掘工作中基岩剔除工作量大、耗时长的问题。

所属领域

本发明属于特征识别方向，具体涉及一种基于动力学响应与深度学习的采掘物特征识别方法。

背景技术

富钴结壳，也被称作钴结壳、铁锰结壳，是一种重要的海底矿产资源；一般生长在岩石表面，形状为肾状或瘤状，表面呈现黑色、黑褐色的铁锰氧化物和氢氧化物；结壳一般厚度为4-6cm，最大能达到24cm。富钴结壳富含钴，还含有锰、铜、镍、钛等重要的稀有金属；富钴结壳所含有的钴0.90％、锰2.47％、镍0.5％、铜0.06％。钴、锰、镍是重要的有色金属原材料，在机械制造、建筑、钢铁、航空航天、化工、电子电池及军事工业领域有着广泛的应用。

富钴结壳多附着于基岩上，需要将其破碎后进行收集，收集到的岩体中常混杂着大量的基岩，剔除岩体中混杂的基岩的工作量大，就会造成工作效率低。实现高效率的深海采掘物识别及采集，成为深海矿产资源研究中一个重要的探索方向。

发明内容

为了实现智能化采掘过程，本发明提出一种基于动力学响应与深度学习的采掘物特征参数识别方法，解决了深海矿产资源的采掘工作中基岩剔除工作量大、耗时长的问题。

一种基于动力学响应与深度学习的采掘物特征识别方法，包括：

在采掘头动臂上设置多个采样点，采集不同工况下每个所述采样点处的应变响应数据；

提取每个采样点处的所述应变响应数据，通过特征提取、归一化处理得到应变响应特征数据根据应变响应特征数据针对不同工况的离散性，筛选出对各类工况敏感的采样点，并将筛选出的采样点的应变响应特征数据整理为数据集；

将数据集输入到采掘物特征识别网络模型中进行迭代训练，训练过程中采用随机概率20％丢弃神经元的方式以防止数据过拟合，迭代训练结束后得到最优的网络模型结构和超参数设置，通过迭代训练后的采掘物特征识别网络模型识别各种工况下的采掘物种类和其厚度识别各种工况下的采掘物种类和其厚度。

进一步地，所述应变响应数据的特征提取的计算公式为：

式中：为采样时间内采样点i应变响应的平均值；ε_i,n表示第i个采样点第n个采样时刻的应变响应；N表示采样时间内采样时刻数。

进一步地，所述归一化的处理公式为：

式中：为采样点i应变响应归一化处理后对应的应变响应特征值；j表示第j个采样点；J表示采样点总数；表示采样时间内采样点i、j应变响应的平均值。

进一步地，所述采掘物特征识别网络模型为一维卷积神经网络模型，由输入至输出依次包括2个一维卷积层、1个池化层、2个一维卷积、1个池化层、1个丢弃层和3个全连接层。

进一步地，所述丢弃层的操作中，采用随机概率20％进行神经元丢弃。

进一步地，所述一维卷积神经网络模型中的padding采用same边部补零的方式。

进一步地，所述一维卷积神经网络模型中的优化器采用Adam，学习率设置为0.001。

本发明和现有技术相比具有有益效果：