[發明專利]一種基于卷積神經網絡的鐵礦粉品位快速估測方法

有效

• 申請號: 202010533881.9
• 申請日: 2020-06-12
• 公開（公告）號: CN111739108B
• 公開（公告）日: 2023-09-15
• 發明（設計）人: 鐘小宇;柳小波;孫厚廣;熊宏啟;王懷遠;徐冬林;衣瑛;李純陽;梁小軍
• 申請（專利權）人: 鞍鋼集團礦業有限公司
• 主分類號: G06T7/90
• 分類號: G06T7/90;G06T7/00;G06N3/0464;G06N3/08;G06V10/774;G06Q50/02
• 代理公司: 鞍山貝爾專利代理有限公司 21223
• 代理人: 顏偉

1.一種基于卷積神經網絡的鐵礦粉品位快速估測方法，其特征在于，該方法包括下述步驟：

步驟一：數據采集及數據集制作

采集各個品位值的鐵礦粉的圖像信息，并對所述圖像信息進行預處理，最終得到每一品位區間的多張礦粉圖像，將采集的不同品位區間的數字圖像分別保存至不同的文件夾當中，并以品位值區間命名文件夾，圖片命名為品位區間+數字編號，隨機選取每一個品位區間80％-90％的數字圖像為訓練數據，剩余的數字圖像一半作為驗證數據，另一半作為測試數據；之后將各個品位區間的訓練數據存入同一文件夾作為訓練數據集，將各個品位區間的驗證數據存入同一文件夾作為驗證數據集，將各個品位區間的測試數據存入同一文件夾作為測試數據集；

步驟二：模型建立與訓練

2.1在Windows或Linux系統下，使用python語言，以Inception和Resnet原則設計構造Inception-Resnet-v2深度卷積神經網絡；

2.2使用隨機裁剪和旋轉方法對采樣出來的訓練和驗證樣本進行數據擴增，隨機數設置區間為1-3，將每一品位區間的圖像數據擴增到7000張以上；

2.3模型訓練：

將擴增后的樣本輸入到步驟2.1構造的Inception-Resnet-v2深度卷積神經網絡中進行逐級分段模型訓練和全品位區間整體模型訓練，得到逐級分段估測訓練后的模型和全品位區間整體訓練估測訓練后的模型；

所述的將擴增后的樣本輸入到步驟2.1構造的Inception-Resnet-v2深度卷積神經網絡中進行模型訓練包括下列步驟：

2.3.1逐級分段訓練：由于品位區間較小時，圖像的特征區別不明顯，為突出圖像特征區別，采用逐級訓練的方式進行訓練，

2.3.1.1首先將數據集分為兩個大區間數據集，輸入至深度卷積神經網絡中訓練，訓練過程中通過TensorBoar監控損失值，待損失函數值趨于收斂時輸出一次網絡當中每一個神經元節點參數，保存為ckpt文件，即為分段訓練后的估測模型a；

2.3.1.2然后分別在步驟2.3.1中分出的兩個品位區間當中再劃分出兩個更細化的品位區間，分別訓練，待損失函數值趨于收斂時，輸出一次整個網絡當中每一個神經元節點參數，保存為ckpt文件，即為分段訓練后的估測模型b；

2.3.1.3依照步驟2.3.1中的做法，不斷對品位區間進行細化，進而不斷對細化后的數據進行模型訓練和訓練后模型保存，依次類推，直至將品位區間劃分到最小為止，得出分段訓練后的估測模型n；

2.3.2全品位區間整體訓練：

為保障品位估測準確度，將步驟2.3.1逐級分段訓練后模型，再采用一次全品位區間整體訓練，包括將所有品位區間的圖像數據均分開，一同放入深度卷積神經網絡中訓練，輸出囊括所有品位區間分類，得出全品位區間整體訓練訓練后的估測模型；

步驟三：模型調用和品位估測

3.1以測試數據集圖像中心點為坐標原點繪制笛卡爾坐標系，利用此坐標系的x和y軸將測試數據集中的圖像數據分割成四部分；

3.2將測試數據集中的測試圖像依次放入逐級分段估測訓練后的模型和全品位區間整體訓練估測訓練后的模型當中進行品位估測，統計出估測區間正確的數量，計算估測正確的數量與總的測試數量比值，即為模型的準確率和估測結果；

加載所述步驟2.3.1中所得的逐級分段訓練后估測模型a、b和n，利用逐級分段訓練后估測模型a、b和n進行品位估測，直至將品位估測至最小區間結束，獲得出四個品位區間值和各自的概率得分；

加載所述步驟2.3.2中所得的全品位區間整體訓練訓練后的估測模型，利用整體估測模型依次對這四部分進行品位估測，獲得四個品位區間值和各自的概率得分；

從得到的八個品位區間值和各自的概率得分，選擇區間值最多的一個區間為最終估測區間，若有相同數量且數目最多的區間值，分別計算概率得分總和，選擇概率得分總和最高的一個為最終估測區間，至此完成品位估測；

步驟四：模型評價

若品位區間估測錯誤，則取區間中點數值作為估測的最終品位進行絕對誤差計算，若絕對誤差小于1.5％，則可將其視為估測正確。

2.根據權利要求1所述的基于卷積神經網絡的鐵礦粉品位快速估測方法，其特征在于，所述的采集各個品位值的鐵礦粉的圖像信息包括下列步驟：

S1粒度介于0-1.5mm，并且以固定品位百分率為單位將各個不同品位的礦粉分開，

S2將分好的不同品位區間的礦粉平鋪為面積相同、表面平整的圓形礦粉堆，

S3在實驗室環境下，采用光照強度可控的LED燈進行照射，將LED燈的功率由小逐漸增大，每調整一次功率，對不同堆的礦粉進行隨機高清數字圖像拍攝，每調整一次光照強度時，每一堆礦粉的拍攝圖片數量不能少于200張，最終每一品位區間的礦粉圖像數量不能少于1000張。