【技术实现步骤摘要】
本专利技术涉及选冶领域，尤其涉及一种浓密机泥层高度软测量方法。
技术介绍
1、浓密机是一种常见的固液分离设备，主要起着浓缩澄清的作用，广泛应用于矿山、冶金、化工等领域。在浓密机的运行过程中，内部泥层高度是一个非常重要的过程控制参数，它可以影响浓密机的分离效率、产量和能耗等指标。目前常见的泥水界面检测的方式有光电传感器测量法和超声波回波测量法。(cn115683278a)公开的光电传感器测量方法利用光的性质对泥水分界面进行测量；(cn106680369a)公开的超声波回波测量法依靠超声波反射实现对泥层高度的测量。
2、在常见的浓密机泥层高度检测方法中，光电传感器检测方法虽然精度高，但结构复杂、维护成本高，且在矿浆浓度较高、矿物颗粒较大的环境中透射光强度会受到严重减弱，增加了检测难度；超声波回波测量法依靠超声波反射实现，但在泥层状况复杂的环境中，如泥层浓度逐渐变化导致泥层界面不清晰，会使得测量信号产生大波动，影响测量精度。此外，超声波存在测量盲区，一定程度上影响了该方法的普及。
技术实现思路
1、基于以上所述，针对上述技术问题，本专利技术的目的在于提供一种浓密机内部泥层高度软测量方法，通过深度学习技术和智能优化算法，设计有效的软测量模型实现浓密机内部泥层高度的测量，有效地获取浓密机内部状态信息。
2、本申请技术方案如下：
3、一种浓密机泥层高度软测量方法，包括：
4、基于浓密机泥层高度软测量装置获取浓密机内部泥层处图像和收集对应的泥层高度
5、通过图像信息和泥层高度数据建立数据集；
6、构建resnet和vision transformer并行的双路径网络；
7、对双路径网络进行预训练，并保存网络参数获取深度特征集合；
8、基于粒子群算法对所述的深度特征集合进行特征选择；
9、建立浓密机内部泥层高度软测量模型；
10、基于所述浓密机内部泥层高度软测量模型计算出泥层高度。
11、进一步地，所述浓密机内部泥层分界面处图像建立数据集之前进行预处理；所述预处理包括将浓密机内部泥层处图像的像素值映射到数值范围为0-255的区间，依次进行图像去噪、图像去雾和图像质量增强操作，对数据集图像进行无关信息消除和有关信息增强。
12、进一步的，所述的双路径网络结构为resnet网络和vision transformer网络并行，通过resnet网络提取泥层图像的局部特征，通过vision transformer网络提取泥层图像的全局特征；基于两类深度网络有效地提取了泥层图像的深度特征。
13、进一步的，所述resnet网络为基于残差模块构建的深度神经网络，其具体为resnet-50网络；主要包含了49个卷积层，共包括16个残差块；前4个残差块用于提取图像的低级和中级特征，后面的12个残差块用于提取更加深层次的图像特征；
14、进一步的，所述vision transformer网络包括输入图像编码层和transformerencoder层两部分。
15、进一步的，所述的输入图像编码层包括图像序列化和位置编码两部分；图像序列化将输入的图像x∈rh×w×c分割成n＝hw/p2个图像块，然后将二维图像块展开成扁平的一维序列向量
16、其中(h,w)是原始图像的分辨率，c是通道数，p是每个图像块的分辨率；然后通过线性变换将其映射到d维嵌入向量；位置编码是对每个图像块的嵌入向量上添加一个位置向量来区分不同的图像块对图像全局特征的影响，计算公式如下：
17、
18、其中pos表示图像块的位置，d表示位置编码的维度，2i表示偶数的维度,2i+1表示奇数维度；将位置编码即得到最终的输入向量，公式如下：
19、
20、其中为投影矩阵，epos为位置编码，xfeature为学习的特征向量。
21、进一步的，所述的transformer encoder层的输入为经由图像编码得到的序列向量z0，transformer encoder层包括多头自注意力机制和前馈神经网络两部分，多头自注意力机制的计算公式如下：
22、mha(q,k,v)＝concat(h1,h2,……,hn)wo
23、
24、
25、其中dk＝d/h；q，k，v为输入向量z0经过线性变换得到的查询矩阵q、键矩阵k、值矩阵v。多头自注意模块对单头自注意单元输出的结果进行拼接，再经过线性变换得到该模块的输出zp；然后将该输出送入到前馈神经网络中，前馈神经网络包含两个线性变换，中间加入relu激活函数，计算公式如下：
26、mlp(x)＝relu(x·w1+b1)·w2+b2
27、其中w1，b1，w2，b2分别是两个线性层的参数。
28、进一步的，对双路径网络进行预训练，超参数设置为adam优化器进行优化，初始学习率为0.0001，训练批次为200，批训练数目为16，损失函数选用均方误差。在网络完成训练后，保存网络参数获取深度特征集合。
29、进一步的，所述特征的选择方法为基于粒子群算法的特征选择算法，包括以下步骤：
30、步骤一：基于所述的深度特征集合构建粒子群，对所述的粒子群进行初始化，设置粒子群算法的各个参数，加速度常数c1，c2，权值ω的最大值与最小值以及算法迭代次数，速度向量初始化为0；
31、步骤二：算出各个粒子的适应度函数值f(i)，将个体最佳适应度值pi和全局最佳适应度值pg初始化；
32、步骤三：生成一个介于[0，1]的随机数rand，若位置的值则为“1”，否则为“0”，并根据下式更新粒子的速度和位置：
33、速度更新公式：
34、
35、其中i＝1,2,……,m，d＝1,2,……,d，vi表示粒子i的速度，r1和r2均为[0，1]之间的随机数，pid,pbest表示粒子i目前为止搜索到的最佳位置，pid,gbest表示所有粒子到目前为止的全局最佳位置。
36、位置更新公式：
37、
38、
39、是迭代更新的二进制位置，即当前维度的位置；
40、步骤四：确定停止条件；如果达到条件，则停止迭代；反之，回到步骤二继续循环迭代；
41、步骤五：输出全局最优位置。
42、进一步的，所述浓密机泥层高度软测量装置包括图像传输机构、图像采集机构和设备固定装置；图像采集机构包括防水相机5、内部光源4和外部辅助光源8；内部光源4固定在防水相机5的正上方，并集成固定在法兰透明视镜6内部；外部辅助光源8被安装在法兰透明视镜6的外部，与防水相机5的中心保持在同一水平面，且该外部辅助光源8面向法兰透明视镜6的透明一侧；同时，所述外部辅助光源8与法兰透明视镜6之间的距离在2-5cm之间；图像传输机构包括无线路由器1本文档来自技高网...
【技术保护点】
1.一种浓密机泥层高度软测量方法，其特征在于，基于浓密机泥层高度软测量装置获取浓密机内部泥层处图像和收集对应的泥层高度，通过图像信息和泥层高度数据建立数据集；构建ResNet和Vision transformer并行的双路径网络；对双路径网络进行预训练，并保存网络参数获取深度特征集合；基于粒子群算法对所述的深度特征集合进行特征选择；建立浓密机内部泥层高度软测量模型；基于所述浓密机内部泥层高度软测量模型计算出泥层高度。
2.根据权利要求1所述的浓密机泥层高度软测量方法，其特征在于，所述浓密机内部泥层分界面处图像建立数据集之前进行预处理；所述预处理包括将浓密机内部泥层处图像的像素值映射到数值范围为0-255的区间，依次进行图像去噪、图像去雾和图像质量增强操作，对数据集图像进行无关信息消除和有关信息增强。
3.根据权利要求1或2所述的浓密机泥层高度软测量方法，其特征在于，所述的双路径网络结构为ResNet网络和Vision transformer网络并行，通过ResNet网络提取泥层图像的局部特征，通过Vision transformer网络提取泥层图像的全局特
4.根据权利要求3所述的浓密机泥层高度软测量方法，其特征在于，所述的输入图像编码层包括图像序列化和位置编码两部分；图像序列化将输入的图像X∈RH×W×C分割成N＝HW/P2个图像块，然后将二维图像块展开成扁平的一维序列向量
5.根据权利要求4所述的浓密机泥层高度软测量方法，其特征在于，所述的Transformer Encoder层的输入为经由图像编码得到的序列向量Z0，Transformer Encoder层包括多头自注意力机制和前馈神经网络两部分，多头自注意力机制的计算公式如下：
6.根据权利要求1-5任一项所述的浓密机泥层高度软测量方法，其特征在于，所述的双路径网络模型的训练超参数设置为Adam优化器进行优化，初始学习率为0.0001，训练批次为200，批训练数目为16，损失函数选用均方误差；在双路径网络模型完成训练后，保存网络参数获取深度特征。
7.根据权利要求1所述的浓密机泥层高度软测量方法，其特征在于，所述特征的选择方法为基于粒子群算法的特征选择算法，包括以下步骤：
8.根据权利要求1-7任一项所述的浓密机泥层高度软测量方法，其特征在于，所述浓密机泥层高度软测量装置包括图像传输机构、图像采集机构和设备固定装置；图像采集机构包括防水相机(5)、内部光源(4)和外部辅助光源(8)；内部光源(4)固定在防水相机(5)的正上方，并集成固定在法兰透明视镜(6)内部；外部辅助光源(8)被安装在法兰透明视镜(6)的外部，与防水相机(5)的中心保持在同一水平面，且该外部辅助光源(8)面向法兰透明视镜(6)的透明一侧；同时，所述外部辅助光源(8)与法兰透明视镜(6)之间的距离在2-5cm之间；图像传输机构包括无线路由器(1)和硬盘录像机(2)，硬盘录像机(2)连接防水相机(5)；所述设备固定装置为固定杆(7)，用于固定图像采集机构和图像传输机构。
...【技术特征摘要】
1.一种浓密机泥层高度软测量方法，其特征在于，基于浓密机泥层高度软测量装置获取浓密机内部泥层处图像和收集对应的泥层高度，通过图像信息和泥层高度数据建立数据集；构建resnet和vision transformer并行的双路径网络；对双路径网络进行预训练，并保存网络参数获取深度特征集合；基于粒子群算法对所述的深度特征集合进行特征选择；建立浓密机内部泥层高度软测量模型；基于所述浓密机内部泥层高度软测量模型计算出泥层高度。
2.根据权利要求1所述的浓密机泥层高度软测量方法，其特征在于，所述浓密机内部泥层分界面处图像建立数据集之前进行预处理；所述预处理包括将浓密机内部泥层处图像的像素值映射到数值范围为0-255的区间，依次进行图像去噪、图像去雾和图像质量增强操作，对数据集图像进行无关信息消除和有关信息增强。
3.根据权利要求1或2所述的浓密机泥层高度软测量方法，其特征在于，所述的双路径网络结构为resnet网络和vision transformer网络并行，通过resnet网络提取泥层图像的局部特征，通过vision transformer网络提取泥层图像的全局特征；所述resnet网络为基于残差模块构建的深度神经网络，其具体为resnet-50网络；主要包含了49个卷积层，共包括16个残差块；前4个残差块用于提取图像的低级和中级特征，后面的12个残差块用于提取更加深层次的图像特征；所述vision transformer网络包括输入图像编码层和transformer encoder层两部分。
4.根据权利要求3所述的浓密机泥层高度软测量方法，其特征在于，所述的输入图像编码层包括图像序列化和位置编码两部分；图像序列化将输入的图...
【专利技术属性】
技术研发人员：何大阔，李强，于丰，贾润达，王志强，陈逸君，
申请(专利权)人：东北大学，
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。