[发明专利]一种基于矿石研磨图像的元素分析方法

说明书

本发明涉及一种基于矿石研磨图像的元素分析方法。本发明包括矿石的前处理、矿石能谱数据获取、能谱数据预处理和矿石元素分析。使用本发明的预处理方法对矿石能谱数据进行预处理，提高了数据维度，减少训练时间；使用本发明提出的LDropout层，在原有随机丢弃的基础上进行触发丢弃，使神经网络模型具有更强的鲁棒性，不易出现过拟合和梯度消失的情况；使用本发明提出的指数动态法动态调整训练步长以及标签惩罚对模型进行训练，使模型在训练过程中能够更快的到达训练结束条件、降低模型陷入局部最小的风险、加快收敛速度等。

技术领域

本发明属于矿石矿物定量分析技术领域，涉及一种基于矿石研磨图像的元素分析方法。

背景技术

在矿物研究，矿物发掘以及矿质材料的研究中，需要对矿物成分进行分析识别，传统的识别方法要结合‘专家库’进行比对，从而进行识别，这种识别方法存在速度慢，精度差的问题。

随着科技的发展，市场上出现矿石智能分析技术以及化学法检测，矿石智能分析技术，是一种使用神经网络的算法模型。通常情况下矿石经常会出现伴生矿等情况，这就导致市场上的矿石智能分析技术识别率极低，同时由于能谱数据较稀疏，也会导致训练的模识别率极低，通过化学方法获得的识别精度很高，但是耗费的成本太大，只能对少量元素进行检测无法大规模使用。因此，研究一种矿石研磨图像进行元素鉴定的智能分析方法来解决细粒度矿石成分识别精度低的问题是至关重要的。

发明内容

本发明的目的就是提供一种基于矿石研磨图像的元素分析方法，实现对矿石成分的自动识别，提高矿石识别效率及准确性。

本发明具体包括如下步骤：

步骤一、通过矿石研磨机对大块矿石进行研磨形成小颗粒矿石颗粒；然后使用环氧树脂将小颗粒矿石进行聚合、打磨形成规整的树脂片；然后将聚合、打磨后的树脂片通过能谱仪得到能谱数据；

步骤二、对获取的矿石能谱数据进行预处理，生成一个新的矿石能谱数据图像，并把生成的能谱数据按照8：1：1的比例划分为训练集、验证集和测试集；

步骤三、构建一个空间残差卷积神经网络；使用预处理后的矿石数据图像训练空间残差卷积神经网络；

步骤四、使用标签惩罚以及指数动态法对模型参数更新，以使基于空间残差卷积神经网络的矿石研磨图像进行元素鉴定的智能分析方法满足：当有预处理后的矿石数据图像输入时，自动输出该矿石中所含元素。

将步骤一中获得的能谱数据通过维度跃迁的方法转化为能够用于预测和训练的二维数据，即对数据进行统一的数据重建和归一化。

所述的空间残差卷积神经网络模型包含输入层、多个空间残差卷积层、全连接层和输出层；输入层用于接收预处理后的矿石能谱数据；空间残差卷积层用于把预处理后的矿石能谱数据进行特征提取；随后上层输出的特征图作为下一个空间残差卷积层的输入，直达最后一个空间残差卷积层将其输出到全连接层；全连接层将所有提取出来的特征进行非线性映射并分类；输出层利用分类器得到最后的输出结果。

使用指数动态法对学习步长进行调整以及标签惩罚算法对构建的空间残差卷积神经网络进行优化，使用指数动态法对学习步长进行调整可以使学习在前期快速下降，后期缓慢下降。采用这种优化方法可以减少模型前期陷入局部极小值，快速达到全局最优附近，后期学习步长缓慢下降，在保障稳定搜寻全局最小时，还具有跳出局部最小值的能力。

使用标签惩罚算法对标签进行惩罚，增强神经网络的鲁棒性，在训练神经网络时，会由于样本数量稀少无法得到鲁棒性更强的模型，会出现过拟合等情况，为了有效抑制过拟合情况的出现，提出标签惩罚算法，增强模型的鲁棒性，提高检测精度。