基于层析滤纸采样的静态煤泥浮选图像灰分检测方法技术

本发明专利技术公开了基于层析滤纸采样的静态煤泥浮选图像灰分检测方法，该方法包括：通过层析滤纸对尾矿水进行采样处理，得到静态煤泥浮选图像；构建深度学习残差网络；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；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。通过使用本发明专利技术，能够通过消除静态煤泥浮选图像的泡沫与杂质进而提高对尾矿水样品的检测效率与检测准确率。本发明专利技术作为基于层析滤纸采样的静态煤泥浮选图像灰分检测方法，可广泛应用于浮选精煤灰分检测技术领域。泛应用于浮选精煤灰分检测技术领域。泛应用于浮选精煤灰分检测技术领域。

【技术实现步骤摘要】
基于层析滤纸采样的静态煤泥浮选图像灰分检测方法


[0001]本专利技术涉及浮选精煤灰分检测
，尤其涉及基于层析滤纸采样的静态煤泥浮选图像灰分检测方法。

技术介绍

[0002]煤泥浮选是煤炭生产的重要手段，尾矿灰分信息不仅反应出精煤的灰分数据，还能体现出精煤的回收率信息，但由于煤的品质，工况的不同，造成浮选产品中灰度的波动，因此需要及时检测灰分，调整工艺参数，但是目前浮选车间的流程较多，调节滞后，严重影响整个选煤工艺的连动效果，目前工业现场常用的检测方法是通过燃烧尾矿测量残留物质重量来计算灰分，检测时间较长，一般需要三四十分钟才能得到结果，耗时久不利于工业现场的技术调整，使用明火的方法也存在风险，并且对环境会有较大的不利影响，或者依赖工人师傅根据经验用眼看，用手摸浮选尾矿，这种方法随机性大，而且对工人师傅的经验要求很高，而对于现阶段的尾矿图像采集到的尾矿图像特征不够清晰，而且液体表面可能会存在大量泡沫以及杂质，影响图像采集，由于浮选尾矿水槽内的煤泥水溶液是动态翻滚的，采集难度大。

技术实现思路

[0003]为了解决上述技术问题，本专利技术的目的是提供基于层析滤纸采样的静态煤泥浮选图像灰分检测方法，能够通过消除静态煤泥浮选图像的泡沫与杂质进而提高对尾矿水样品的检测效率与检测准确率。
[0004]本专利技术所采用的第一技术方案是：基于层析滤纸采样的静态煤泥浮选图像灰分检测方法，包括以下步骤：通过层析滤纸对尾矿水进行采样处理，得到静态煤泥浮选图像；构建深度学习残差网络；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。
[0005]进一步，所述通过层析滤纸对尾矿水进行采样处理，得到静态煤泥浮选图像这一步骤，其具体包括：获取煤泥尾矿水样品；将煤泥尾矿水样品滴至层析滤纸进行采样处理，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。
[0006]进一步，所述构建的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。
[0007]进一步，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。
[0008]进一步，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。
[0009]进一步，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：下所示：上式中，表示输出静态煤泥浮选特征图像的宽度，表示输出静态煤泥浮选特征图像的高度，表示输入静态煤泥浮选特征图像的宽度，表示输入静态煤泥浮选特征图像的高度，表示卷积核的尺寸，表示填充数，表示步长。
[0010]进一步，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：根据监测结果的灰分值，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。
[0011]本专利技术方法的有益效果是：本专利技术将获取到的煤泥水样品滴至层析滤纸直至其水分被滤纸吸收晕开后再进行采集图像，得到静态的煤泥浮选图像，能够降低图像的泡沫以及其他杂质对灰分检测结果的干扰，缩短检测的时长，且通过层析滤纸相比于传统的使用明火能够提高实验检测的环保性，通过残差网络对静态的煤泥浮选图像进行检测，可以避免繁琐的对数计算，提高模型的检测效率与检测结果的准确性。
附图说明
[0012]图1是本专利技术基于层析滤纸采样的静态煤泥浮选图像灰分检测方法的步骤流程图；图2是本专利技术深度学习残差网络ResNet18模型的结构示意图；图3是本专利技术深度学习残差网络ResNet18模型中的残差块的结构示意图；图4是本专利技术具体实施例煤泥水样品滴至层析滤纸的示意图；图5是本专利技术具体实施例静态煤泥浮选图像的示意图；图6是本专利技术通过深度学习残差网络ResNet18模型对静态煤泥浮选图像进行检测的结果准确率曲线图；图7是本专利技术检测结果灰分值为44%时的检测结果示意图。
具体实施方式
[0013]下面结合附图和具体实施例对本专利技术做进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
[0014]煤泥是煤炭在洗煤厂工作过程中产生的一种附属产品，是由煤粉和水混合形成得半固物体。但煤炭的质量不同，煤泥的品质有很大差别的，可利用性也有较大差别，其种类众多，用途广泛，煤泥以矿浆形式进入搅拌桶，将其配成适当的浓度，加入药剂(起泡剂和捕收剂)后进行充分搅拌，搅拌后的煤浆进入浮选机，让叶轮旋转产生强烈搅拌，加之充气作用，在矿浆中产生大量大小不等的气泡，疏水的煤粒由于吸着药剂(捕收剂)而附着在气泡上，被气泡带到矿浆面聚集成所谓矿化泡沫层，由刮泡器刮取作为精煤，当亲水的矸石粒不与药剂作用，不粘附到气泡上，留在矿浆中，成为浮选尾矿，尾矿灰分值也叫是灰分产率， 是指单位质量的煤炭与其经过充分燃烧后留下的无机物固体的质量比。
[0015]参照图1，本专利技术提供了基于层析滤纸采样的静态煤泥浮选图像灰分检测方法，该方法包括以下步骤：S1、通过层析滤纸对尾矿水进行采样处理，得到静态煤泥浮选图像；具体地，工业现场可以从煤泥浮选的尾矿水槽取得煤泥水样品，再使用胶头滴管从烧杯内提取0.5ml煤泥水样品滴到滤纸上，实验室使用磁力搅拌器模拟浮选水槽内煤泥水翻滚的状态，直接本文档来自技高网...

【技术保护点】

【技术特征摘要】
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：通过层析滤纸对尾矿水进行采样处理，得到静态煤泥浮选图像；构建深度学习残差网络；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，所述通过层析滤纸对尾矿水进行采样处理，得到静态煤泥浮选图像这一步骤，其具体包括：获取煤泥尾矿水样品；将煤泥尾矿水样品滴至层析滤纸进行采样处理，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。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，所述构建的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。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...

【专利技术属性】
技术研发人员：朱文博，刘能，陈建文，付为杰，王修才，李艾园，
申请(专利权)人：佛山科学技术学院，
类型：发明
国别省市：