【技术实现步骤摘要】
本专利技术涉及浮选过程工况识别，具体为一种基于手工特征和深度学习特征混合学习的浮选过程工况识别方法。
技术介绍
1、矿产资源是人类社会赖以生存的物质基础，是国家安全与经济发展的重要保障。泡沫浮选作为一种重要的选矿方法，在有色金属矿浮选中得到了广泛应用。泡沫浮选以表面化学为基础，利用气泡与矿物颗粒的相互作用，将有用矿物从脉石中分离出来，原矿进行破碎、球磨和分级等工艺步骤后，加入水与其充分混合，形成矿浆，随后，在矿浆中添加特定种类的浮选药剂，这些浮选药剂能够调整矿物表面性质，改善有用矿物颗粒的疏水性，促进脉石与矿石分离，然后，调和好的矿浆被送入至浮选槽中，同时搅拌机带动叶轮转动将空气吸入浮选槽产生大量气泡，这些气泡在矿浆中弥散开来，与矿物颗粒产生碰撞，疏水性矿物颗粒将吸附在气泡表面并随其上浮至矿浆表面，形成泡沫层，最终，刮板将泡沫层从矿浆中刮出集中收集，收集的泡沫产品中富含了大量疏水性有用矿物，而亲水脉石等则沉积在矿浆中，随之排出槽外形成尾矿。由此可见，泡沫浮选是一种利用气泡的气－液界面来分离被水润湿的疏水性矿物的有效手段。
2、研究表明，泡沫图像特征不仅能够实时反映浮选工况的信息，同时也是生产指标的关键指示器，依据工业摄像机获取的矿浆表面形成的泡沫层图像，可以有效对故障工况快速排除，或者基于当前工况进行操作参数调整，然而，尽管有经验的选厂工人能够从泡沫表面视觉特征推断出浮选系统状态，但他们难以诊断与泡沫细微结构相关的工况，无法一致地、可靠地对浮选运行性能进行精细化评价。
技术实现思路
1、(一)解决的技术问题
2、针对现有技术的不足，本专利技术提供了一种基于手工特征和深度学习特征混合学习的浮选过程工况识别方法，具备精准识别等优点，解决了上述技术问题。
3、(二)技术方案
4、为实现上述目的，本专利技术提供如下技术方案：一种基于手工特征和深度学习特征混合学习的浮选过程工况识别方法，包括以下步骤：
5、s1、数据的获取及预处理：获取浮选槽上方工业摄像机拍摄的视频，并对视频图像进行归一化处理；
6、s2、特征提取和融合：分别对浮选泡沫图像样本进行手工特征fh和深度学习特征fd的提取，并将手工特征fh和深度学习特征fd进行融合生成混合特征向量f，所述手工特征fh包括泡沫颜色、气泡尺寸、气泡承载率、气泡速度和气泡破碎率，所述深度学习特征fd通过深度卷积表示学习模型进行提取；
7、s3、将融合后的混合特征向量作为1-dcfn模型的输入，进行处理和分类。
8、s4、对1-dcfn模型进行训练：首先定义1-dcfn模型输出值pi与样本实际对应标签yi间的交叉熵损失lf，其次，在深度卷积表示学习模型特征输出的基础上串接一个两层的全连接分类模块，并定义深度卷积表示学习模型分类输出与样本实际对应标签yi间的交叉熵损失ld，用于引导表示模型的训练，最后将1-dcfn模型的预测输出作为深度卷积表示学习模型的软目标，并定义1-dcfn模型输出值pi与深度卷积表示学习模型分类输出之间的一致性损失函数lconsistency，之后通过adam算法对lf、ld和lconsistency进行优化。
9、作为本专利技术的优选技术方案，所述步骤s1的数据的获取及预处理具体包括：
10、s1.1、每个时长为1min的视频裁剪成多个视频片段，每个视频片段包含10帧600×800的图像，然后再对600×800的图像进行下采样得到300×300的图像；
11、s1.2、对步骤s1.1中的图像进行归一化处理，最终得到处理后的浮选泡沫图像，用于加快模型的收敛速度并提高训练的稳定性，具体计算公式如下：
12、
13、其中，output为图像像素值输出，input为图像像素值输入，max(input)和min(input)分别表示图像最小像素值和图像最大像素值。
14、作为本专利技术的优选技术方案，所述步骤s2中的手工特征fh和深度学习特征fd提取的具体步骤如下：
15、s2.1、泡沫颜色特征提取：泡沫图像rgb空间红色分量、绿色分量、蓝色分量的均值和标准差共6个特征作为泡沫图像的颜色特征；
16、s2.2、气泡尺寸特征提取：用基于光照建模的高亮点提取方法，将高亮点作为前景，其周围区域作为背景，以气泡顶端的高亮区域作为标记点，通过分水岭算法计算气泡的区域生成；
17、s2.3、气泡承载率特征提取：通过公式计算泡沫图像中气泡的亮点面积与泡沫图像总面积的百分比；
18、s2.4、气泡速度特征提取：在第一帧泡沫图像的顶部选取nrow行组成的泡沫图像块为参考breference；再在下一帧泡沫图像中提取一系列连续nrow行大小的块，最后通过寻找与breference中最大关键点匹配块来实现泡沫速度特征的计算，对多个泡沫图像对进行速度特征提取得到泡沫平均速度特征，其中表示从i行起始的图像块；
19、s2.5、气泡破碎率特征提取：通过步骤s2.4获得泡沫图像速度信息后，将图像对中的后一帧图像转换到与前一帧图像相同的位置得到二者的差异图像。计算差异图像中超过给定阈值的像素数与泡沫图像总像素的比值确定气泡的破碎率；
20、s2.6、深度卷积表示学习模型对深度学习特征fd的提取：深度学习特征提取模型采用inception-v3网络对深度学习特征fd进行提取；
21、s2.7、对手工特征fh和深度学习特征fd进行融合得到混合特征向量f＝[fh，fd]。
22、作为本专利技术的优选技术方案，所述步骤s2.2的具体计算过程如下：
23、s2.2.1、高亮点提取：通过一个小核二维中值滤波器对整个泡沫图像进行滤波，其滤波结果为ib，再引入大核二维中值滤波器对整个泡沫图像进行滤波，其滤波结果为id，结合两次滤波结果，得到气泡顶部is的表达式如下：
24、is＝id-ib
25、其中，id表示大核二维中值滤波器的滤波结果，ib表示小核二维中值滤波器的滤波结果，is表示气泡顶部标记点；
26、s2.2.2、分布估计：选取对数正态分布对泡沫浮选槽表面气泡尺寸分布进行建模，之后用极大似然法估计对数正态分布方程得到气泡尺寸分布的最优拟合，并将对数正态分布方程的标准偏差σ2、平均值μ作为泡沫图像样本中泡沫尺寸分布的描述符。
27、作为本专利技术的优选技术方案，所述步骤s2.3中气泡承载率特征提取，具体计算公式如下：
28、
29、其中，n表示气泡数量，lrate表示气泡承载率，mi表示图像中第i个气泡亮点的面积，n表示泡沫图像的总面积。
30、作为本专利技术的优选技术方案，所述步骤s4中1-dcfn模型输出值pi与样本实际对应标签yi间的交叉熵损失lf，具体表达式如下：
31、
32、其中，q表示训练样本的数量，c表示类别的数量，lf表示1-dcfn模型输出值p本文档来自技高网...
【技术保护点】
1.一种基于手工特征和深度学习特征混合学习的浮选过程工况识别方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于手工特征和深度学习特征混合学习的浮选过程工况识别方法，其特征在于：所述步骤S1的数据的获取及预处理具体包括：
3.根据权利要求1所述的一种基于手工特征和深度学习特征混合学习的浮选过程工况识别方法，其特征在于：所述步骤S2中的手工特征Fh和深度学习特征Fd提取的具体步骤如下：
4.根据权利要求3所述的一种基于手工特征和深度学习特征混合学习的浮选过程工况识别方法，其特征在于：所述步骤S2.2的具体计算过程如下：
5.根据权利要求3所述的一种基于手工特征和深度学习特征混合学习的浮选过程工况识别方法，其特征在于：所述步骤S2.3中气泡承载率特征提取，具体计算公式如下：
6.根据权利要求1所述的一种基于手工特征和深度学习特征混合学习的浮选过程工况识别方法，其特征在于：所述步骤S4中1-DCFN模型输出值Pi与样本实际对应标签yi间的交叉熵损失lF，具体表达式如下：
7.根据权利要求6所述的一种基
8.根据权利要求7所述的一种基于手工特征和深度学习特征混合学习的浮选过程工况识别方法，其特征在于：所述步骤S4中1-DCFN模型输出值Pi与深度卷积表示学习模型分类输出之间的一致性损失函数lConsistency，具体表达式如下：
...【技术特征摘要】
1.一种基于手工特征和深度学习特征混合学习的浮选过程工况识别方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于手工特征和深度学习特征混合学习的浮选过程工况识别方法，其特征在于：所述步骤s1的数据的获取及预处理具体包括：
3.根据权利要求1所述的一种基于手工特征和深度学习特征混合学习的浮选过程工况识别方法，其特征在于：所述步骤s2中的手工特征fh和深度学习特征fd提取的具体步骤如下：
4.根据权利要求3所述的一种基于手工特征和深度学习特征混合学习的浮选过程工况识别方法，其特征在于：所述步骤s2.2的具体计算过程如下：
5.根据权利要求3所述的一种基于手工特征和深度学习特征混合学习的浮选过程工况识别方法，其特征在于：所述步骤s2.3中气...
【专利技术属性】
技术研发人员：艾明曦，孔庆洁，张进，李鹏，谢永芳，
申请(专利权)人：云南大学，
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。