[發明專利]基于深度學習的浮選精礦品位預測方法、裝置及設備

有效

• 申請號: 202210971142.7
• 申請日: 2022-08-15
• 公開（公告）號: CN115049165B
• 公開（公告）日: 2022-11-22
• 發明（設計）人: 趙玉華;楊文旺;李強;武濤;劉利敏;徐培培;蘇勇;范凌霄
• 申請（專利權）人: 北礦機電科技有限責任公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/08;G06Q50/02;G06T3/40
• 代理公司: 北京超凡宏宇專利代理事務所(特殊普通合伙) 11463
• 代理人: 賈耀斌

1.一種基于深度學習的浮選精礦品位預測方法，其特征在于，所述方法包括：

獲取浮選參數序列和泡沫圖像序列，所述浮選參數序列包括N個浮選參數，所述泡沫圖像序列包括M個泡沫圖像；

對各個所述泡沫圖像進行縮放處理，得到各個縮放后泡沫圖像，對各個所述縮放后泡沫圖像進行遮蓋處理，得到各個遮蓋后泡沫圖像，將各個所述遮蓋后泡沫圖像拼接為圖像張量；

對各個所述浮選參數進行數據歸一化處理，得到各個歸一化后浮選參數；

基于深度學習模型構建精礦品位預測模型，將所述圖像張量作為所述精礦品位預測模型的輸入層的輸入數據；

將所述歸一化后浮選參數嵌入到所述精礦品位預測模型的全連接層；

通過所述精礦品位預測模型的輸出層輸出浮選精礦品位；

所述對各個所述縮放后泡沫圖像進行遮蓋處理，包括：

將各個所述縮放后泡沫圖像的泡沫槽區域的像素點確定為無效像素點，計算各個所述縮放后泡沫圖像的像素平均值，將所述無效像素點的像素值調整為對應縮放后泡沫圖像的像素均值；

各個所述遮蓋后泡沫圖像的圖像寬度為W、圖像高度為H，所述將各個所述遮蓋后泡沫圖像拼接為圖像張量，包括：

將M個所述遮蓋后泡沫圖像拼接得到通道維度的圖像張量。

2.根據權利要求1所述的方法，其特征在于，所述對各個所述泡沫圖像進行縮放處理，包括：

采用雙線性插值對各個所述泡沫圖像進行縮放處理。

3.根據權利要求1所述的方法，其特征在于，所述對各個所述浮選參數進行數據歸一化處理，包括：

采用Z-score標準化算法對各個所述浮選參數進行數據歸一化處理，各個所述歸一化后浮選參數符合標準正態分布。

4.根據權利要求3所述的方法，其特征在于，所述采用Z-score標準化算法對各個所述浮選參數進行數據歸一化處理，包括：

根據如下公式對各個所述浮選參數進行數據歸一化處理；

；

其中，表示各個所述歸一化后浮選參數，表示N個所述浮選參數的第i個浮選參數，表示所述第i個浮選參數的均值；表示所述第i個浮選參數的標準差。

5.一種基于深度學習的浮選精礦品位預測裝置，其特征在于，所述裝置包括：

獲取模塊，用于獲取浮選參數序列和泡沫圖像序列，所述浮選參數序列包括N個浮選參數，所述泡沫圖像序列包括M個泡沫圖像；

圖像處理模塊，用于對各個所述泡沫圖像進行縮放處理，得到各個縮放后泡沫圖像，對各個所述縮放后泡沫圖像進行遮蓋處理，得到各個遮蓋后泡沫圖像，將各個所述遮蓋后泡沫圖像拼接為圖像張量；

數據處理模塊，用于對各個所述浮選參數進行數據歸一化處理，得到各個歸一化后浮選參數；

構建模塊，用于基于深度學習模型構建精礦品位預測模型，將所述圖像張量作為所述精礦品位預測模型的輸入層的輸入數據；

嵌入模塊，用于將所述歸一化后浮選參數嵌入到所述精礦品位預測模型的全連接層；

輸出模塊，用于通過所述精礦品位預測模型的輸出層輸出浮選精礦品位；

所述圖像處理模塊，還用于將各個所述縮放后泡沫圖像的泡沫槽區域的像素點確定為無效像素點，計算各個所述縮放后泡沫圖像的像素平均值，將所述無效像素點的像素值調整為對應縮放后泡沫圖像的像素均值；

各個所述遮蓋后泡沫圖像的圖像寬度為W、圖像高度為H，所述圖像處理模塊，還用于將M個所述遮蓋后泡沫圖像拼接得到通道維度的圖像張量。

6.根據權利要求5所述的裝置，其特征在于，所述圖像處理模塊，還用于采用雙線性插值對各個所述泡沫圖像進行縮放處理。

7.根據權利要求6所述的裝置，其特征在于，數據處理模塊，還用于采用Z-score標準化算法對各個所述浮選參數進行數據歸一化處理，各個所述歸一化后浮選參數符合標準正態分布。

8.一種電子設備，其特征在于，包括存儲器以及處理器，所述存儲器存儲有計算機程序，所述計算機程序在所述處理器運行時執行權利要求1至4中任一項所述的基于深度學習的浮選精礦品位預測方法。