[发明专利]基于深度学习的浮选精矿品位预测方法、装置及设备

权利要求书

1.一种基于深度学习的浮选精矿品位预测方法，其特征在于，所述方法包括：

获取浮选参数序列和泡沫图像序列，所述浮选参数序列包括N个浮选参数，所述泡沫图像序列包括M个泡沫图像；

对各个所述泡沫图像进行缩放处理，得到各个缩放后泡沫图像，对各个所述缩放后泡沫图像进行遮盖处理，得到各个遮盖后泡沫图像，将各个所述遮盖后泡沫图像拼接为图像张量；

对各个所述浮选参数进行数据归一化处理，得到各个归一化后浮选参数；

基于深度学习模型构建精矿品位预测模型，将所述图像张量作为所述精矿品位预测模型的输入层的输入数据；

将所述归一化后浮选参数嵌入到所述精矿品位预测模型的全连接层；

通过所述精矿品位预测模型的输出层输出浮选精矿品位；

所述对各个所述缩放后泡沫图像进行遮盖处理，包括：

将各个所述缩放后泡沫图像的泡沫槽区域的像素点确定为无效像素点，计算各个所述缩放后泡沫图像的像素平均值，将所述无效像素点的像素值调整为对应缩放后泡沫图像的像素均值；

各个所述遮盖后泡沫图像的图像宽度为W、图像高度为H，所述将各个所述遮盖后泡沫图像拼接为图像张量，包括：

将M个所述遮盖后泡沫图像拼接得到通道维度的图像张量。

2.根据权利要求1所述的方法，其特征在于，所述对各个所述泡沫图像进行缩放处理，包括：

采用双线性插值对各个所述泡沫图像进行缩放处理。

3.根据权利要求1所述的方法，其特征在于，所述对各个所述浮选参数进行数据归一化处理，包括：

采用Z-score标准化算法对各个所述浮选参数进行数据归一化处理，各个所述归一化后浮选参数符合标准正态分布。

4.根据权利要求3所述的方法，其特征在于，所述采用Z-score标准化算法对各个所述浮选参数进行数据归一化处理，包括：

根据如下公式对各个所述浮选参数进行数据归一化处理；

；

其中，表示各个所述归一化后浮选参数，表示N个所述浮选参数的第i个浮选参数，表示所述第i个浮选参数的均值；表示所述第i个浮选参数的标准差。

5.一种基于深度学习的浮选精矿品位预测装置，其特征在于，所述装置包括：

获取模块，用于获取浮选参数序列和泡沫图像序列，所述浮选参数序列包括N个浮选参数，所述泡沫图像序列包括M个泡沫图像；

图像处理模块，用于对各个所述泡沫图像进行缩放处理，得到各个缩放后泡沫图像，对各个所述缩放后泡沫图像进行遮盖处理，得到各个遮盖后泡沫图像，将各个所述遮盖后泡沫图像拼接为图像张量；

数据处理模块，用于对各个所述浮选参数进行数据归一化处理，得到各个归一化后浮选参数；

构建模块，用于基于深度学习模型构建精矿品位预测模型，将所述图像张量作为所述精矿品位预测模型的输入层的输入数据；

嵌入模块，用于将所述归一化后浮选参数嵌入到所述精矿品位预测模型的全连接层；

输出模块，用于通过所述精矿品位预测模型的输出层输出浮选精矿品位；

所述图像处理模块，还用于将各个所述缩放后泡沫图像的泡沫槽区域的像素点确定为无效像素点，计算各个所述缩放后泡沫图像的像素平均值，将所述无效像素点的像素值调整为对应缩放后泡沫图像的像素均值；

各个所述遮盖后泡沫图像的图像宽度为W、图像高度为H，所述图像处理模块，还用于将M个所述遮盖后泡沫图像拼接得到通道维度的图像张量。

6.根据权利要求5所述的装置，其特征在于，所述图像处理模块，还用于采用双线性插值对各个所述泡沫图像进行缩放处理。

7.根据权利要求6所述的装置，其特征在于，数据处理模块，还用于采用Z-score标准化算法对各个所述浮选参数进行数据归一化处理，各个所述归一化后浮选参数符合标准正态分布。

8.一种电子设备，其特征在于，包括存储器以及处理器，所述存储器存储有计算机程序，所述计算机程序在所述处理器运行时执行权利要求1至4中任一项所述的基于深度学习的浮选精矿品位预测方法。