[发明专利]一种在动态溢流面上多模型预测煤浮选尾矿灰分的方法

权利要求书

1.一种在动态溢流面上多模型预测煤浮选尾矿灰分的方法，其特征在于，包括以下步骤：

S1：构建捕获浮选尾矿图像的动态溢流面的浮选尾矿监测机器视觉系统，用于捕获浮选尾矿模型训练用的尾矿数据集和模型预测用的数据来源；

S2：设计卷积神经网络模型训练不同尾矿工况数据集，网络结构包括卷积层和下采样层提取不同工况下的图像特征，全连接层将特征融合汇总，连接分类器对工况图像进行识别；

S3：通过上述步骤S2模型预测排除了无关工况的尾矿工况图像，筛选出无干扰的尾矿溢流面图像用作尾矿灰分预测，采用传统灰度、纹理特征和高阶抽象卷积特征融合的方法训练尾矿灰分预测模型，在深度卷积神经网络外层接RFR回归预测器进行训练；

S4：将步骤S2和步骤S3中的模型嵌入在同一个系统中，使用顺序逻辑先预测尾矿工况图像是否合格，随后预测浮选尾矿的灰分值。

2.如权利要求1所述的一种在动态溢流面上多模型预测煤浮选尾矿灰分的方法，其特征在于，上述步骤S1中的浮选尾矿监测机器视觉系统，包括溢流堰体、机器视觉系统和溢流回收槽，矿浆从尾矿入料口进入溢流堰体，在溢流堰体敞口表面形成动态的尾矿溢流液面，经溢流回收槽收集回收后，从尾矿排料口排出；

所述机器视觉系统安装在溢流堰体上方，包括垂直安装在溢流堰体上方的CCD工业相机和溢流回收槽四周环绕的水平漫反射LED面光源。

3.如权利要求2所述的一种在动态溢流面上多模型预测煤浮选尾矿灰分的方法，其特征在于，上述步骤S1包括以下步骤：

S11：采用图像采集软件捕获图像，采集前调整相机参数、光照强度、尾矿流量和设置采集时间间隔；

S12：对采集的尾矿矿浆图像做预处理，对应的对每张图像做标签，标签分为工况和灰分值，其中工况人工观测并标注，灰分值在选煤厂化验室采用快灰法获取；

S13：采用Pytorch中的random_split随机函数将尾矿数据集划分为训练集和测试集。

4.如权利要求1所述的一种在动态溢流面上多模型预测煤浮选尾矿灰分的方法，其特征在于，上述步骤S2包括：

S21：构建一个初始的卷积神经网络，包括卷积层、下采样层、全连接层，经过前向传播得到网络输出，卷积层的特征计算如下：

其中，output⁽ⁱ⁾是卷积层的输出，f是激活函数，m为所有输入的浮选尾矿数据集，w为卷积权重值，b为偏置，x为输入特征；

S22：外接softmax分类器对不同工况的尾矿图像进行分类，分类结果的计算如下：

其中P表示目标为第j个类别图像的概率，K表示特征向量的维度；

S23：确定损失函数NLL_Loss，计算如下：

NLLLoss＝-∑log(P(y＝j|x))

其中P为softmax计算的分类概率值，通过NLL_Loss计算卷积网络预测和真实标签之间的误差，通过反向传播循环来更新权值和偏置参数，直到模型达到最佳预测精度，至此卷积神经网络的目标函数可以表达为：

其中m为样本个数，L为损失函数，y_t为工况输出，y_p为期望输出；训练过程中不断的重复卷积网络训练，直至模型误差达小于或等于期望值一次训练结束；

S24：根据模型设置的迭代次数Epoch值不断迭代训练网络，直到训练完所有的Epoch次数，结束模型训练；

S25：对于训练好的网络模型在测试集上进一步验证模型精度，输出尾矿图像的识别结果，至此完成本方法中尾矿工况图像的预测模块。

5.如权利要求4所述的一种在动态溢流面上多模型预测煤浮选尾矿灰分的方法，其特征在于，上述步骤S21中连接Dropout正则化参数来减少模型参数的冗余，可有效避免过拟合现象发生。