[發明專利]基于圖像數據提取和神經網絡建模的鉑浮選品位估算方法

有效

• 申請號: 201410701485.7
• 申請日: 2014-11-28
• 公開（公告）號: CN104331714B
• 公開（公告）日: 2018-03-16
• 發明（設計）人: 劉述忠;郭萬富;王衛星
• 申請（專利權）人: 福州大學
• 主分類號: G06K9/64
• 分類號: G06K9/64;G06N3/02
• 代理公司: 福州元創專利商標代理有限公司35100
• 代理人: 蔡學俊

技術領域

本發明涉及礦選領域，特別的是一種基于圖像數據提取和神經網絡建模的鉑浮選品位估算方法。

背景技術

隨著科技發展，對選礦過程各參數變化的自動監測技術，要求越來越高，而且傳統方式諸多弊端也慢慢顯現。傳統監測技術主要包括：熒光分析和粒度分析儀，它們可以在短時間內得到產品品位。傳統方式弊端主要包括：相關設備設計開發不切合實際，檢測數據誤差大，選礦環境惡劣導致傳感器使用壽命短，控制系統維護成本較高。

人工神經網絡(ANN)也簡稱為神經網絡(NNs)或稱作連接模型(Connection Model)，它是一種模仿動物神經網絡行為特征，進行分布式并行信息處理的算法數學模型。這種網絡依靠系統的復雜程度，通過調整內部大量節點之間相互連接的關系，從而達到處理信息的目的。多層感知器神經網絡(MLP)是一種多層前饋網絡模型，它通常由三部分組成：一組感知單元組成輸入層、一層或多層計算節點的隱藏層和一層計算節點的輸出層，被廣泛應用于模式識別、圖像處理、函數逼近、優化計算等領域。神經網絡建模技術的進一步的成熟，為浮選自動化提供了基礎。

發明內容

本發明的目的在于提供一種基于圖像數據提取和神經網絡建模的鉑浮選品位估算方法，以克服現有技術中存在的缺陷。

為實現上述目的，本發明的技術方案是：一種基于圖像數據提取和神經網絡建模的鉑浮選品位估算方法，其特征在于，按照如下步驟實現：

S1：通過變量實驗，并對所述變量實驗的結果通過柏拉分布圖進行分析，得出變量對浮選品位和回收率的影響程度；所述變量包括充氣速率、礦漿濃度、捕收劑、活化劑、起泡劑和抑制劑；

S2：對鉑泡沫圖像進行采集和預處理，并提取鉑泡沫圖像特性數據；

S3：通過多層感知器神經性網絡對所述鉑泡沫圖像特性數據與浮選品位、回收率之間的關系進行建模，得出所述鉑泡沫圖像特性數據與浮選品位、回收率之間的數量關系。

進一步的，所述步驟S1中，還包括如下步驟：

S11：用正號和負號分別對所述變量進行表示；

S12：通過棒磨機進行磨礦，并在預設的磨礦時間，添加捕收劑和活化劑；經攪拌T1s，使藥劑充分作用后，測量礦漿的pH值和溫度，再添加抑制劑和起泡劑，作用T2s后開始充氣，并調整棒磨機旋轉輪的轉速和礦漿液面高度；

S13：分五個階段進行刮泡，每次刮泡間隔T3s，前三個階段和后兩個階段按照不同的條件變量進行試驗，在第五階段刮泡完成后，將五個樣品和抽取的尾礦進行抽濾、烘干和化驗；

S14：用柏拉分布圖對所述步驟S13中的刮泡結果進行表示，每個條形表示一種變量，且每個變量對應條形的長度為每個變量對應的T型分布的情況。

進一步的，在所述步驟S2中，還包括如下步驟：

S21：通過高清攝像機獲取鉑泡沫圖像，用RGB色彩模式表示該鉑泡沫圖像，并轉化為灰度圖像；

S22：將所述步驟S21中的灰度圖像分別調整為默認的灰度圖像、直方圖均衡化、圖像的對比強化和圖像的二值化四種鉑泡沫特征圖像，即進行預處理；

S23：對所述步驟S22中得到的每種鉑泡沫特征圖像采用分區計算的方式，依次得到每種鉑泡沫特征圖像的鉑泡沫圖像特征數據，且所述鉑泡沫圖像特征數據包括：能量、熵、慣性、同質性和灰度相互關系。

進一步的，在所述步驟S3中，還包括如下步驟：

S31：通過主要特征數據分析，將每種鉑泡沫特征圖像對應的鉑泡沫圖像特征數據減少到三個，精簡輸入數據集；

S32:將多層感知器神經網絡設置為三層，包括：三節點輸入層、隱藏層和雙節點輸出層，并通過BFGS算法設定單極型激活函數，雙極型激活函數和調整函數；

S33：將精簡后的輸入數據集從三節點輸入層輸入，經各隱藏層逐層處理后，傳向雙節點輸出層，并經所述步驟S23中得到的所述鉑泡沫圖像特征數據的運行、修正和驗證，建立起多層感知器神經網絡模型。