【技术实现步骤摘要】
本专利技术属于煤泥浮选，具体涉及一种基于pointnet网络的煤泥浮选泡沫三维模型分类方法。
技术介绍
1、泡沫浮选是煤泥浮选中应用最广泛的细粒煤分选方法之一。目前，多数选煤厂依赖浮选师傅的经验判断浮选泡沫的状态和当前的生产工况，并对其进行控制。但使用人工识别的方式存在耗时长、不稳定等弊端，降低了生产效率，导致药剂浪费。为了提高煤泥浮选的效率，煤泥浮选智能化开发是煤泥浮选发展的重要研究方向。随着计算机视觉的快速发展，它在许多领域都得到了广泛应用。在煤泥浮选的背景下，使用计算机视觉代替人类视觉对浮选泡沫进行判断，可以解决浮选过程中因直观操作造成的生产不稳定、指标波动等问题。
2、目前，多数研究是用计算机视觉对浮选泡沫图像进行研究和分析。oktaba,h.等人通过使用基于图像颜色分析和快速傅里叶变换的技术来处理浮选泡沫图像，并从表面泡沫的视觉特征中提取全局特征，该实验表明图像处理系统可以区分较粗糙的泡沫中的不同铜含量。he mingfang提出一种基于固定核基的非参数核估计方法，构建了基于多项式核的稀疏多核最小二乘支持向量机分类器的正态核与多项式支持向量机分类器的组合，实现了性能分类。桂卫华等通过对浮选泡沫图像进行空间颜色转换后计算颜色共生矩阵，将其归一化后提取特征统计量，根据特征统计量设计纹理复杂度，用于描述泡沫纹理状况。melissakistner等人利用高阶统计规律的基元和复杂多尺度小波表示对泡沫纹理进行建模。上述研究都是通过机器学习对浮选泡沫图像进行处理，计算机硬件的进步使得深度学习发展迅速。深度学习算法能够模拟
3、然而浮选泡沫是个三维立体物体，其内部存在着丰富的空间特征，不同工况下浮选泡沫的高度和起伏状态也不同。图像采集的过程是一个将三维空间转换为二维平面图的过程中，在转换过程中丧失了很多三维空间的信息。因此，我们不能仅仅从二维平面图的角度来考虑浮选泡沫的处理问题，而应该将其视为一个三维立体空间来进行分析和处理。在实际生产过程中，浮选操作员需要观察所有浮选槽的泡沫状态，而目前研究只针对浮选槽的泡沫数据进行处理。
技术实现思路
1、本专利技术的目的是解决上述问题，提供一种基于pointnet网络的煤泥浮选泡沫三维模型分类方法。
2、为解决上述技术问题，本专利技术采用的技术方案是：
3、一种基于pointnet网络的煤泥浮选泡沫三维模型分类方法，浮选泡沫三维模型采用的采集处理系统包括给药装置、预处理器、浮选机、立体相机、相机支架、数据存储及计算机处理系统，所述立体相机采用结构光双目立体相机，分类方法包括如下步骤：
4、步骤1：采用点云模型作为泡沫三维数据的表示形式，首先对立体相机采集的原始数据进行预处理，去除数据采集中的异常数据，对点云进行相同区域裁剪，使得点云区域规范化，然后进行数据增强操作，包括旋转、移动和缩放，得到扩展数据库，使用扩展数据库的80％作为训练集，剩余20％数据用于进行测试；
5、步骤2：设计基于pointnet网络改进、融合若干个浮选槽泡沫特征的泡沫特征网络架构；
6、步骤3：使用点云特征提取器fθ从泡沫点云中提取高维特征λ1；
7、步骤4：使用特征投影头将高维特征λ1投影到低维空间中，得到单槽泡沫点云低维特征λ2；
8、步骤5：使用特征融合函数yf对单槽泡沫点云特征进行拼接融合，得到整体特征γ；
9、步骤6：通过多层感知机mlp和softmax函数对整体特征γ进行分类，输出分类结果；
10、步骤7：使用混淆矩阵对分类模型性能进行评估分析。
11、进一步的，所述步骤1中，点云模型表示为3d点的集合{xk|k＝1,...,n}，其中每个点xk是其坐标(x,y,z)。
12、进一步的，所述步骤1中对每个数据的预处理和数据增强都是随机的，使泡沫模型的差异最大化，得到更加丰富的扩展数据集。
13、进一步的，所述步骤3中，使用点云特征提取器fθ从泡沫点云中提取高维特征λ1的步骤如下：
14、所述点云特征提取器fθ选择对称函数处理输入点云，对称函数的定义如下：
15、
16、其中为(x1,...,xn)的任意一种不同排列，由上式可知，对称函数的输出值不随输入的排列顺序而改变；点云特征提取器fθ选择的对称函数为最大值函数：
17、f(x1,x2,...,xn)＝max{x1,x2,...,xn} (2)
18、仅使用最大值函数处理泡沫点云数据会导致网络学习不够全面，丢失重要信息，因此基于pointnet网络的点云特征提取器fθ构建高维空间映射网络，将每个3d点映射到高维空间后再进行对称函数操作，能够减少损失的特征，使网络更加丰富，增强稳定性，得到的泡沫点云高维特征λ1表示为：
19、λ1＝g(h(x1),...,h(xn)) (3)
20、其中，h(·)为升维函数，g(·)为最大值函数，x1,...,xn为输入泡沫点云模型的3d点；
21、根据点云的变换不变性，点云特征提取器fθ期望学习到的高维特征不受点云变换的影响，因此，网络引入旋转矩阵，使得所有输入的泡沫点云对齐到同一个规范空间，点云特征提取器fθ通过t网络预测仿射变换矩阵，并使用该变换处理输入的泡沫点云模型，同理，t网络对升维后的点特征应用另一个对齐网络，并预测一个特征变换矩阵来对齐不同输入的点云升维特征，由于特征空间维数高，优化难度增大，为了提高梯度下降的计算速度，网络使用正则化项训练损失函数，梯度下降沿正则化项方向进行，约束特征为对齐矩阵组成的正交矩阵：
22、
23、其中，a为t网络预测的特征对齐矩阵，通过使用正则化项，优化后的网络更加稳定；
24、由上述可知，点云特征提取器fθ具有两大模块：使用对齐网络用于校准点云方向，共享权重的多层感知机将输入点云映射到维数相同的同一特征空间，最大值池化层作为对称函数来聚合所有输入点的信息，提取出泡沫点云的高维特征表示λ1：
25、
26、其中，i＝1,2,3,4,5，i为浮选槽的槽数，为输入的单槽泡沫点云，k＝1,本文档来自技高网...
【技术保护点】
1.一种基于Pointnet网络的煤泥浮选泡沫三维模型分类方法，其特征在于：浮选泡沫三维模型采用的采集处理系统包括给药装置、预处理器、浮选机、立体相机、相机支架、数据存储及计算机处理系统，所述立体相机采用结构光双目立体相机，分类方法包括如下步骤：
2.根据权利要求1所述的一种基于Pointnet网络的煤泥浮选泡沫三维模型分类方法，其特征在于，所述步骤1中，点云模型表示为3D点的集合{xk|k＝1，...，n}，其中每个点xk是其坐标(x，y，z)。
3.根据权利要求1所述的一种基于Pointnet网络的煤泥浮选泡沫三维模型分类方法，其特征在于，所述步骤1中对每个数据的预处理和数据增强都是随机的，使泡沫模型的差异最大化，得到更加丰富的扩展数据集。
4.根据权利要求1所述的一种基于Pointnet网络的煤泥浮选泡沫三维模型分类方法，其特征在于，所述步骤3中，使用点云特征提取器fθ从泡沫点云中提取高维特征λ1的步骤如下：
5.根据权利要求1所述的一种基于Pointnet网络的煤泥浮选泡沫三维模型分类方法，其特征在于，所述步骤4中，使用特征
6.根据权利要求1所述的一种基于Pointnet网络的煤泥浮选泡沫三维模型分类方法，其特征在于，所述步骤5中，使用级联操作对单槽特征λ2进行融合，yf选择CONCAT( )拼接函数，得到浮选机泡沫的整体特征γ表示如下：
7.根据权利要求1所述的一种基于Pointnet网络的煤泥浮选泡沫三维模型分类方法，其特征在于，所述步骤6中，使用多层感知机MLP和Softmax函数对泡沫整体特征y进行分类，Softmax将分类值转换为概率分布，选最高概率标签作为输出结果，实现对泡沫点云模型的分类，最终实现泡沫不同状态的识别：
8.根据权利要求1所述的一种基于Pointnet网络的煤泥浮选泡沫三维模型分类方法，其特征在于，所述步骤7中，采用对比实验对分类模型所提出的网络进行性能评估，网络一为仅使用Pointnet网络识别的单槽浮选泡沫结果，网络二融合了两个浮选槽的泡沫特征进行泡沫识别的结果，网络三为使用三个浮选槽的泡沫数据作为输入进行融合和分类的试验结果，网络四为本分类模型的输出结果；
...【技术特征摘要】
1.一种基于pointnet网络的煤泥浮选泡沫三维模型分类方法，其特征在于：浮选泡沫三维模型采用的采集处理系统包括给药装置、预处理器、浮选机、立体相机、相机支架、数据存储及计算机处理系统，所述立体相机采用结构光双目立体相机，分类方法包括如下步骤：
2.根据权利要求1所述的一种基于pointnet网络的煤泥浮选泡沫三维模型分类方法，其特征在于，所述步骤1中，点云模型表示为3d点的集合{xk|k＝1，...，n}，其中每个点xk是其坐标(x，y，z)。
3.根据权利要求1所述的一种基于pointnet网络的煤泥浮选泡沫三维模型分类方法，其特征在于，所述步骤1中对每个数据的预处理和数据增强都是随机的，使泡沫模型的差异最大化，得到更加丰富的扩展数据集。
4.根据权利要求1所述的一种基于pointnet网络的煤泥浮选泡沫三维模型分类方法，其特征在于，所述步骤3中，使用点云特征提取器fθ从泡沫点云中提取高维特征λ1的步骤如下：
5.根据权利要求1所述的一种基于pointnet网络的煤泥浮选泡沫三维模型分类方法，其特征在于，所述步骤4中，使用...
【专利技术属性】
技术研发人员：王然风，李品钰，刘洋，窦志衡，秦新凯，
申请(专利权)人：太原理工大学，
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。