[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

说明书

本申请实施例提供了一种基于深度学习的浮选精矿品位预测方法、装置及设备，属于人工智能技术领域。为解决精矿品位预测效果比较差的问题，提出如下方案：获取浮选参数序列和泡沫图像序列；对各个泡沫图像进行缩放处理和遮盖处理，将各个遮盖后泡沫图像拼接为图像张量；对各个浮选参数进行数据归一化处理；基于深度学习模型构建精矿品位预测模型，将图像张量作为精矿品位预测模型的输入层的输入数据；将归一化后浮选参数嵌入到精矿品位预测模型的全连接层；通过精矿品位预测模型的输出层输出浮选精矿品位。这样，将图像张量作为输入数据，将浮选参数序列巧妙的嵌入到精矿品位预测模型的全连接层，得到的浮选精矿品位预测精度高，鲁棒性好。

技术领域

本申请涉及人工智能技术领域，尤其涉及一种基于深度学习的浮选精矿品位预测方法、装置及设备。

背景技术

近年来很多技术人员致力于在线矿浆品位分析，在线矿浆品位分析技术对于指导生产、节约药剂、控制产品质量和提高回收率等方面都起着非常关键的作用。在线矿浆品位分析技术快速发展，提出了基于机器视觉的精矿品位预测技术，辅助精矿品位预测。目前基于机器视觉的精矿品位预测，均是通过研究特定的泡沫图像处理算法，由泡沫图像处理算法提取泡沫表面的一个或者多个视觉特征，进而通过大量的样本统计分析这些视觉特征与精矿品位的相互关系，建立相应的关系模型，建模算法从最初的最小二乘法、相关似然法等经典算法发展到了支持向量机、神经网络等机器学习算法。虽然模型借助机器学习技术实现黑箱操作，然而依然需要提取一些主观认为密切相关的视觉特征，比如颜色、纹理、形态、速度等。为了能精确的提取这些视觉特征，往往需要使用复杂的算法，精矿品位预测精度较低，预测效果不理想，不能满足生产需要。

发明内容

为了解决上述技术问题，本申请实施例提供了一种基于深度学习的浮选精矿品位预测方法、装置及设备。

第一方面，本申请实施例提供了一种基于深度学习的浮选精矿品位预测方法，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。

在一实施方式中，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。

在一实施方式中，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。

在一实施方式中，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。

在一实施方式中，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；

；