[發明專利]一種礦石質量檢測方法、裝置和計算機可讀存儲介質

在審

• 申請號: 202010403071.1
• 申請日: 2020-05-13
• 公開（公告）號: CN111721713A
• 公開（公告）日: 2020-09-29
• 發明（設計）人: 袁杰;于皓;張杰;高古明;陳秀坤
• 申請（專利權）人: 上海明略人工智能（集團）有限公司
• 主分類號: G01N21/25
• 分類號: G01N21/25;G01N33/24
• 代理公司: 北京安信方達知識產權代理有限公司 11262
• 代理人: 王康;龍洪

1.一種礦石質量檢測方法，其特征在于，所述方法包括：

獲取關于待檢測礦石的礦石特征矩陣以及訓練好的礦石質量檢測模型；

將所述礦石特征矩陣輸入所述礦石質量檢測模型；

將所述礦石質量檢測模型的輸出結果作為所述待檢測礦石的質量檢測結果；

其中，所述礦石質量檢測模型是以表征礦石金屬含量的顏色特征對應的礦石特征數據作為訓練數據集，對預設的機器學習模型進行訓練獲得的。

2.根據權利要求1所述的礦石質量檢測方法，其特征在于，所述獲取關于待檢測礦石的礦石特征矩陣包括：

獲取與所述待檢測礦石的金屬含量對應的顏色特征；

通過隨機初始化矩陣的方式獲取所述顏色特征的顏色特征矩陣，作為所述礦石特征矩陣。

3.根據權利要求1所述的礦石質量檢測方法，其特征在于，獲取訓練好的礦石質量檢測模型包括：

調取預先創建并已經訓練好的礦石質量檢測模型；或者，

創建機器學習模型，并對所述機器學習模型進行訓練，獲取所述礦石質量檢測模型。

4.根據權利要求3所述的礦石質量檢測方法，其特征在于，所述創建機器學習模型，并對所述機器學習模型進行訓練，獲取所述礦石質量檢測模型包括：

采集礦石的多個顏色特征，并根據多條關于所述多個顏色特征的礦石特征數據獲取訓練數據集；所述多個顏色特征包括：一個或多個色彩模式對應的顏色特征；

采用預設的機器學習算法構建機器學習模型；

采用所述訓練數據集對所述機器學習模型進行訓練，獲取所述礦石質量檢測模型。

5.根據權利要求4所述的礦石質量檢測方法，其特征在于，所述根據多條關于所述多個顏色特征的礦石特征數據獲取訓練數據集包括：對所述礦石特征數據進行預處理，以獲取所述訓練數據集；所述預處理包括：特征向量化和歸一化操作。

6.根據權利要求5所述的礦石質量檢測方法，其特征在于，對所述礦石特征數據進行特征向量化包括：

獲取每一條記錄所述顏色特征的礦石特征數據對應的特征向量，以通過與全部礦石特征數據對應的全部特征向量組成顏色特征矩陣；

對所述訓練數據集進行歸一化操作包括：

對所述顏色特征矩陣進行無量綱化操作，并去除所述顏色特征矩陣中每一列的中的最大值MAX和最小值MIN，以獲取每列的特征值xi：

7.根據權利要求5所述的礦石質量檢測方法，其特征在于，所述根據多條關于所述多個顏色特征的礦石特征數據獲取訓練數據集還包括：

通過預設的相關性計算式計算所述顏色特征矩陣中任意兩個特征維度之間的相關性；

將相關性計算結果大于預設的相關性閾值的兩個特征維度中的任意一個特征維度去除，實現對所述顏色特征矩陣的篩選。

8.根據權利要求4所述的礦石質量檢測方法，其特征在于，所述方法還包括：

采用多種機器學習算法構建多個機器學習模型，并分別采用所述訓練數據集對所述多個機器學習模型進行訓練，獲取多個礦石質量檢測模型

采用預設的誤差Loss計算式計算每個礦石質量檢測模型計算出的礦石金屬含量的預測值與礦石金屬含量的真實值之間的差值，并將計算出的差值最小的礦石質量檢測模型作為用于礦石質量監測的最優礦石質量檢測模型。

9.一種礦石質量檢測裝置，包括處理器和計算機可讀存儲介質，所述計算機可讀存儲介質中存儲有指令，其特征在于，當所述指令被所述處理器執行時，實現如權利要求1-8任意一項所述的礦石質量檢測方法。

10.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時實現如權利要求1-8任意一項所述的礦石質量檢測方法。