[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

本發明涉及一種基于卷積神經網絡的鐵礦粉品位快速估測方法，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，步驟二：模型建立與訓練，用隨機裁剪、旋轉方法對采樣出來的訓練和驗證樣本進行數據擴增，將擴增后的樣本輸入到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；步驟三：模型調用和品位估測，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。

技術領域

本發明屬于深度學習應用技術領域，尤其涉及一種基于卷積神經網絡的鐵礦粉品位快速估測方法。

背景技術

金屬礦山企業都需要用鉆機對礦石打孔，礦山企業需要測定鉆孔附近的鉆出礦粉品位，用這些礦粉的品位來代表這一鉆孔區域的礦石品位，從而進行相應的配礦及其他生產安排。

配礦工作是金屬礦山生產實際中一個非常重要的環節，配礦工作的好壞直接影響著燒結礦的質量，進而會對礦山企業的整體效益產生影響。而配礦工作是依靠測定的礦石品位值來制定的，大部分礦山企業對礦石品位的測定是用傳統的化學分析法，即將鉆孔附近采集的礦粉送到專門的化驗部門，由化驗部門進行二次研磨，進而采用化學滴定法來測定礦石品位。化學滴定法雖然應用廣泛，但也存在著取送樣麻煩、測定步驟繁瑣、測定藥劑昂貴、耗費時間長，時效性差等缺點。國內外學者針對化學滴定法的不足，提出了多種算法和估測模型。然而這些算法和估測模型對礦石品位的測定依然存在流程復雜、計算量大、耗費時間長等缺點。

發明內容

本發明的目的在于提供一種基于卷積神經網絡的鐵礦粉品位快速估測方法，旨在利用深度卷積神經網絡Inception-resnet-v2自動提取不同品位鐵礦粉的圖像色度特征，進行深度學習分類模型的訓練，構造一種鐵礦粉品位估測方法，從而實現在采場鉆孔現場進行品位快速測定，幫助鐵礦山企業快速制定配礦方案，提高生產效率。

本發明的目的是通過下述技術方案實現的：

本發明的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。

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4部分；