[發明專利]一種基于密度聚類和膠囊神經網絡的浮選工況識別方法

在審

• 申請號: 202110257189.2
• 申請日: 2021-03-09
• 公開（公告）號: CN112906813A
• 公開（公告）日: 2021-06-04
• 發明（設計）人: 岑麗輝;胡健;陳曉方;謝永芳;唐朝輝
• 申請（專利權）人: 中南大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 長沙軒榮專利代理有限公司 43235
• 代理人: 李喆

本發明涉及泡沫浮選技術領域，具體涉及一種基于密度聚類和膠囊神經網絡的浮選工況識別方法。具體包括：獲取浮選工況的視頻數據，將所述視頻數據進行預處理獲得圖像樣本集；將圖像樣本集采用預設的密度聚類方法進行去噪優化獲得多個工況類別的訓練樣本和測試樣本；構建膠囊神經網絡，輸入所述訓練樣本并采用動態路由算法和梯度下降算法進行訓練優化獲得浮選工況識別模型；將待測工況圖像樣本輸入浮選工況識別模型進行工況識別獲得待測工況圖像樣本的工況類別。該方法可以實現批量、準確快速標簽，且訓練數據量少，響應時間快，工況識別準確率高。

技術領域

本發明涉及泡沫浮選技術領域，具體涉及一種基于密度聚類和膠囊神經網絡的浮選工況識別方法。

背景技術

泡沫浮選是金屬冶煉中最主要的選礦方法之一,主要是依據不同礦物顆粒表面潤濕性的不同來分離不同礦物。礦石在經過磨礦分離后，得到入選粒度和濃度較為適合的礦漿，再送入攪拌槽并添加藥劑，不斷地攪拌和充氣形成大量氣泡,使有用礦物顆粒黏附在氣泡表面,其他礦物顆粒停留在礦漿底部中,從而實現礦物分離。浮選工況好壞反映最終的浮選性能指標，而在浮選過程中，浮選泡沫層中泡沫的顏色、尺寸、形狀、穩定度、紋理，流速等表面視覺特征可密切反映浮選工況。由于泡沫浮選存在自身工藝流程長、內部機理不明確、影響因素多、涉及變量多且非線性強等問題,導致工藝指標不能在線檢測；另外現場操作工人的輪換性和實際操作的主觀性和隨意性較大,對泡沫結構好與壞的判斷沒有統一的標準,這也導致了浮選工況識別的復雜性。雖然選礦廠通過離線化驗分析能夠得到精礦品位和尾礦品位，但是化驗結果滯后生產數個小時,造成調節滯后的現象,影響了化驗分析的及時性。因此,在線識別浮選槽的工況水平,對生產操作和過程的優化運行具有重要的意義。

隨著機器視覺和深度學習技術的迅速發展,基于機器視覺和深度學習技術的浮選監控系統逐漸被應用到浮選過程中，以輔助現場工人判斷工況信息。機器視覺技術利用各種數字圖像處理技術，首先提取浮選泡沫尺寸、泡沫顏色信息、紋理特征以及表面泡沫層運動速度特征等,然后采用支持向量機、決策樹、譜聚類等方法進行工況識別。在深度學習技術應用方面，卷積神經網絡以其出色的深度特征提取能力和圖像分類能力獲得眾多研究者關注，其深度特征的提取往往是高維，包括了不局限于泡沫尺寸、形狀、顏色、紋理等人眼所能覺察的特征，目前許多研究者逐漸將卷積神經網絡應用到浮選工況識別中。這些方法都取得了一定效果，但是，當前工況識別方法中有以下局限性：

傳統機器視覺技術方面。1、泡沫特征的提取實際上是針對泡沫灰度圖像的降維計算過程,在提取過程中難免存在信息丟失,難以獲取本質的圖像信息；2、人為自主選定的特征不一定是最好的工況表征，降低了工況識別模型的分類魯棒性。

深度學習技術方面。1、數據集容量的問題。像卷積神經網絡這類的深度學習模型，往往需要數十上百萬的訓練樣本才能保證訓練后的模型具有良好的泛化能力。但是在浮選現場，浮選工況一般比較良好且穩定，獲得的中等、較差工況的數據一般較少，因此難以制作出大容量、類別分布均勻的訓練樣本；2、訓練樣本的標簽準確性問題。訓練樣本一般是預處理后的視頻幀，通常是將一段已判斷為某一工況狀態的視頻，其每一幀都標簽為對應工況等級。但是由于攝像機抖動、泡沫表面與攝像頭的相對運動往往會產生有運動模糊的幀，而且因為泡沫層的不斷運動，一段已判斷為某一工況狀態的視頻經常會包含有品位落差、翻礦漿等幀圖像。若以上情況下的幀圖像得不到有效處理，將會使標簽標記錯誤，難以有效提高深度模型預測準確率；3、信息丟失和可解釋性問題。盡管深度卷積網絡在泡沫分類方面表現出色，但訓練數據需求大，可解釋性不強，而且每個卷積核僅對一定區域進行逐步特征提取，丟失了位置和方向等空間特征分布信息。

發明內容

基于此，本發明針對現有工況識別方法的不足之處，通過充分利用現場采集到的泡沫視頻，并對視頻幀數據進行去噪優化，得到標簽和真實工況準確對應的數據集，并設計了膠囊神經網絡模型，膠囊神經網絡具有參數少，數據集需求小，保留了卷積神經網絡優點的情況下，還保留了位置和方向等空間特征分布信息，使得在較小樣本規模的情況下，訓練得到泡沫工況在線識別模型，訓練得到泡沫工況在線識別模型，具有相應時間快，識別準確率高等優點。