[发明专利]基于层析滤纸采样的静态煤泥浮选图像灰分检测方法

权利要求书

1.基于层析滤纸采样的静态煤泥浮选图像灰分检测方法，其特征在于，包括以下步骤：

通过层析滤纸将尾矿水滴至层析滤纸直至其水分被滤纸吸收晕开后再进行采样，得到静态煤泥待处理图像；

通过相机对静态煤泥待处理图像进行拍摄处理，得到静态煤泥待采集图像；

通过图像采集软件对静态煤泥待采集图像进行采集处理，得到静态煤泥浮选图像；

基于ResNet18卷积神经网络构建深度学习残差网络，所述深度学习残差网络包括卷积层、最大池化层、残差块、平均池化层和全连接层，所述残差块由残差卷积层、批量规范化层和激活函数组成，每个残差块包含两个3*3卷积层；

将静态煤泥浮选图像输入至深度学习残差网络进行灰分检测，得到检测结果。

2.根据权利要求1所述基于层析滤纸采样的静态煤泥浮选图像灰分检测方法，其特征在于，所述将静态煤泥浮选图像输入至深度学习残差网络进行灰分检测，得到检测结果这一步骤，其具体包括：

将静态煤泥浮选图像输入至深度学习残差网络；

基于深度学习残差网络的卷积层，对静态煤泥浮选图像进行特征提取处理，得到静态煤泥浮选特征图像；

基于深度学习残差网络的最大池化层，对静态煤泥浮选特征图像进行分辨率降低处理，得到降低后的静态煤泥浮选特征图像；

基于深度学习残差网络的残差块，对降低后的静态煤泥浮选特征图像进行恒等映射处理，得到激活的静态煤泥浮选特征图像；

基于深度学习残差网络的平均池化层，对激活的静态煤泥浮选特征图像进行下采样操作处理，得到静态煤泥浮选图像的特征向量；

基于深度学习残差网络的全连接层，对静态煤泥浮选图像的特征向量进行检测分析，得到检测结果。

3.根据权利要求2所述基于层析滤纸采样的静态煤泥浮选图像灰分检测方法，其特征在于，所述基于深度学习残差网络的残差块，对降低后的静态煤泥浮选特征图像进行恒等映射处理，得到激活的静态煤泥浮选特征图像这一步骤，其具体包括：

将降低后的静态煤泥浮选特征图像输入至深度学习残差网络的残差块；

基于残差块的残差卷积层，对降低后的静态煤泥浮选特征图像进行特征提取处理，得到静态煤泥浮选深度特征图像；

基于残差块的批量规范化层，对静态煤泥浮选深度特征图像进行规范化处理，得到规范化后的静态煤泥浮选深度特征图像；

基于残差块的激活函数，对规范化后的静态煤泥浮选深度特征图像进行激活处理，得到激活的静态煤泥浮选特征图像。

4.根据权利要求3所述基于层析滤纸采样的静态煤泥浮选图像灰分检测方法，其特征在于，所述卷积层的输出静态煤泥浮选特征图像的尺寸和通道数的计算公式如下所示：

上式中，width表示输出静态煤泥浮选特征图像的宽度，height表示输出静态煤泥浮选特征图像的高度，W表示输入静态煤泥浮选特征图像的宽度，H表示输入静态煤泥浮选特征图像的高度，K表示卷积核的尺寸，P表示填充数，S表示步长。

5.根据权利要求4所述基于层析滤纸采样的静态煤泥浮选图像灰分检测方法，其特征在于，还包括基于检测结果对深度学习残差网络进行迭代优化更新，得到最优深度学习残差网络这一步骤，其具体包括：

根据检测 结果的灰分值，对检测结果进行赋予标签处理，得到赋予标签后的检测结果；

通过损失函数对赋予标签后的检测结果进行损失计算，得到标签损失值；

根据标签损失值对深度学习残差网络的参数进行反向更新，并计算更新后的深度学习残差网络的准确率；

循环深度学习残差网络的优化更新步骤，直至满足预设迭代更新次数，得到最优深度学习残差网络。