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。鲁棒性好。鲁棒性好。
【技术实现步骤摘要】
基于深度学习的浮选精矿品位预测方法、装置及设备
[0001]本申请涉及人工智能
，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。
技术介绍
[0002]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。
技术实现思路
[0003]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。
[0004]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。
[0005]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。
[0006]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。
[0007]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。
[0008]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；；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。
[0009]在一实施方式中，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。
[0010]第二方面，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装置，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。
[0011]第三方面，本申请实施例提供了一种电子设备，包括存储器以及处理器，所述存储器用于存储计算机程序，所述计算机程序在所述处理器运行时执行第一方面提供的基于深度学习的浮选精矿品位预测方法。
[0012]上述本申请提供的基于深度学习的浮选精矿品位预测方法、装置及设备，获取浮选参数序列和泡沫图像序列；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。这样，将泡沫图像序
列作为精矿品位预测模型的输入数据，而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，取得了很好的效果，得到的浮选精矿品位预测精度高，浮选精矿品位预测效果较好，鲁棒性也很好。
附图说明
[0013]为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对本申请保护范围的限定。在各个附图中，类似的构成部分采用类似的编号。
[0014]图1示出了本申请实施例提供的基于深度学习的浮选精矿品位预测方法的一流程示意图；图2示出了本申请实施例提供的基于深度学习模型构建精矿品位预测模型的一流程示意图；图3示出了本申请实施例提供的基于深度学习的浮选精矿品位预测装置的一结构示意图。
[0015]图标：300
‑
基于深度学习的浮选精矿品位预测装置，301
‑
获取模块，302
‑
图像处理模块，303
‑
数据处理模块，304
‑
构建模块，305
‑
嵌入模块，306
‑
输出模块。
具体实施方式
[0016]下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。
[0017]通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0018]在下文中，可在本申请的各种实施例中使用的术语“包括”、“具有”及其同源词仅意在表示特定特征、数字、步骤、操作、本文档来自技高网...
【技术保护点】
【技术特征摘要】
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。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。4.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。5.根据权利要求4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。6.根据权利要...
【专利技术属性】
技术研发人员：赵玉华，杨文旺，李强，武涛，刘利敏，徐培培，苏勇，范凌霄，
申请(专利权)人：北矿机电科技有限责任公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。