CN110223288A - 一种稀土萃取过程多组分含量预测方法及系统 - Google Patents

一种稀土萃取过程多组分含量预测方法及系统 Download PDF

Info

Publication number
CN110223288A
CN110223288A CN201910519815.3A CN201910519815A CN110223288A CN 110223288 A CN110223288 A CN 110223288A CN 201910519815 A CN201910519815 A CN 201910519815A CN 110223288 A CN110223288 A CN 110223288A
Authority
CN
China
Prior art keywords
hidden layer
color
multicomponent
neodymium
content
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910519815.3A
Other languages
English (en)
Other versions
CN110223288B (zh
Inventor
陆荣秀
何权恒
杨辉
朱建勇
杨刚
徐芳萍
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
East China Jiaotong University
Original Assignee
East China Jiaotong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by East China Jiaotong University filed Critical East China Jiaotong University
Priority to CN201910519815.3A priority Critical patent/CN110223288B/zh
Priority to US16/564,430 priority patent/US11593607B2/en
Publication of CN110223288A publication Critical patent/CN110223288A/zh
Application granted granted Critical
Publication of CN110223288B publication Critical patent/CN110223288B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • C—CHEMISTRY; METALLURGY
    • C22—METALLURGY; FERROUS OR NON-FERROUS ALLOYS; TREATMENT OF ALLOYS OR NON-FERROUS METALS
    • C22B—PRODUCTION AND REFINING OF METALS; PRETREATMENT OF RAW MATERIALS
    • C22B59/00—Obtaining rare earth metals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P10/00—Technologies related to metal processing
    • Y02P10/20—Recycling

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Physiology (AREA)
  • Neurology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Radiology & Medical Imaging (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Computer Hardware Design (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Genetics & Genomics (AREA)
  • Image Analysis (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Spectrometry And Color Measurement (AREA)

Abstract

本发明提供一种有颜色特征和无颜色特征的稀土离子共存条件下多组分含量预测方法，涉及稀土萃取过程组分含量预测领域。该方法包括：稀土萃取过程存在组分含量难以快速、准确检测的问题，针对含有无色Ce离子的CePr/Nd混合溶液与Pr/Nd溶液的图像颜色特征有较大差异，导致原有基于颜色特征的单一稀土元素组分含量检测方法不再适用，提出一种基于GA‑ELM的稀土萃取过程多组分含量预测方法。首先在HSI颜色空间下寻得与组分含量相关性最大的H、S分量；然后以H、S分量一阶矩为输入，建立基于极限学习机ELM的多组分含量软测量模型；针对ELM模型的初始权值和阈值的不确定性，采用遗传算法GA对模型参数进行优化，使优化后的组分含量ELM模型精度更高。

Description

一种稀土萃取过程多组分含量预测方法及系统
技术领域
本发明涉及组分含量测量领域，特别是涉及一种稀土萃取过程多组分含量预测方法及系统。
背景技术
稀土是由镧系元素、钪和钇等17种元素组成，且以共生矿形式存在。稀土元素提纯主要采用串级萃取分离工艺。在稀土串级萃取工艺过程中，部分稀土离子具有特殊的颜色特征，且该特征与稀土组分含量密切相关，针对镨/钕萃取生产工艺中镨离子和钕离子的颜色特征，部分学者在实际生产过程中采用机器视觉技术实现组分含量的软测量开发了基于机器视觉的稀土组分含量快速检测系统并应用于稀土萃取工业。但这些都是以均具有离子特征颜色的稀土萃取溶液为研究对象，未涉及有特征颜色和无特征颜色的稀土离子共存条件下稀土混合溶液组分含量检测。而稀土分离企业的萃取生产工艺流程中，很大一部分均是有特征颜色和无特征颜色的稀土离子共存情况。目前有特征颜色和无特征颜色的稀土离子共存条件下铈镨/钕稀土混合溶液就是这样一种情况。而且研究解决有特征颜色和无特征颜色的稀土离子共存条件下稀土混合溶液多组分含量检测对于实现稀土萃取分离过程的自动控制具有非常重要的现实意义。
发明内容
本发明的目的是提供一种稀土萃取过程多组分含量预测方法及系统，获得有特征颜色和无特征颜色共存条件下稀土溶液中铈镨/钕三种元素的组分含量，满足稀土分离企业现场检测需求。
为实现上述目的，本发明提供了如下方案：
一种稀土萃取过程多组分含量预测方法，所述预测方法包括：
获取有颜色特征和无颜色特征的稀土离子共存条件下的铈镨/钕混合溶液图像在不同颜色空间下的颜色特征值；
获取HSI颜色特征分量中的相关性最大的H、S分量一阶距；
以所述H、S分量一阶距为输入，以已知的铈镨/钕组分含量值为输出建立基于极限学习机的多组分含量软测量模型；
对所述基于极限学习机的多组分含量软测量模型中的初始权值矩阵和隐含层阈值矩阵进行优化，得到基于遗传算法-极限学习机的多组分含量软测量模型；
根据所述基于遗传算法-极限学习机的多组分含量软测量模型以所述H、S分量一阶距为输入确定待测稀土混合溶液中多组分含量。
可选的，所述在不同颜色空间下提取有颜色特征和无颜色特征的稀土离子共存条件下的铈镨/钕混合溶液图像的颜色特征值具体包括：
利用机器视觉技术获取有颜色特征和无颜色特征的稀土离子共存条件下的铈镨/钕混合溶液图像；
根据所述铈镨/钕混合溶液图像在不同颜色空间下提取获得所述铈镨/钕混合溶液图像的颜色特征值。
可选的，所述基于极限学习机的多组分含量软测量模型具体表示如下：
所述基于极限学习机的多组分含量软测量模型包括输入层、隐含层和输出层；
给定输入样本，隐含层神经元输出矩阵计算公式：H＝g(WXT+b)，其中H为隐含层神经元输出，g为隐含层神经元的激活函数，X为H、S分量一阶矩，W为输出层与隐含层之间的权值矩阵，b为隐含层神经元阈值矩阵；
神经网络输出计算公式：P＝(HTβ)，其中β为隐含层到输出层的权值矩阵，只要β确定即可唯一确定ELM模型，给定输出样本Y，权值矩阵可由解出，其解为：其中(HT)+为转置矩阵HT的伪逆矩阵。
可选的，所述对所述基于极限学习机的多组分含量软测量模型的初始权值矩阵和隐含层阈值矩阵进行优化，得到基于遗传算法-极限学习机的多组分含量软测量模型具体包括：
将所述H、S分量一阶矩和所述已知的铈镨/钕组分含量作为训练集数据和测试集数据；
将所述训练集数据和所述测试集数据进行归一化处理；
根据归一化处理后的训练集数据和测试集数据，采用遗传算法对所述输出层与隐含层之间的权值矩阵和所述隐含层阈值矩阵进行优化，得到最优的输出层与隐含层之间的权值和最优的隐含层阈值；
采用遗传算法分别确定最优输出层与隐含层之间的权值，以及最优隐含层神经元阈值对极限学习机的初始权值和阈值赋值，并设定隐含层节点的个数；
通过所述初始权值、阈值以及所述隐含层节点确定基于遗传算法-极限学习机的多组分含量软测量模型。
本发明另外提供一种稀土萃取过程多组分含量预测系统，所述系统包括：
颜色特征值获取模块，用于获取有颜色特征和无颜色特征的稀土离子共存条件下的铈镨/钕混合溶液图像在不同颜色空间下的颜色特征值；
HSI颜色特征分量确定模块，用于在不同颜色空间下，根据铈镨/钕混合溶液图像的颜色特征值与已知铈镨/钕组分含量确定相关性最大HSI颜色特征分量；
H、S分量一阶距确定模块，用于获取HSI颜色特征分量中的相关性最大的H、S分量一阶距；
基于极限学习机的多组分含量软测量模型构建模块，用于以所述H、S分量一阶距为输入，以已知的铈镨/钕组分含量值为输出建立基于极限学习机的多组分含量软测量模型；
基于遗传算法-极限学习机的多组分含量软测量模型构建模块，用于对所述基于极限学习机的多组分含量软测量模型初始权值和隐含层阈值进行优化，得到基于遗传算法-极限学习机的多组分含量软测量模型；
多组分含量确定模块，用于根据所述基于遗传算法-极限学习机的多组分含量软测量模型以所述H、S分量一阶距为输入确定待测稀土混合溶液中多组分含量。
可选的，所述颜色特征值获取模块具体包括：
溶液图像获取单元，用于采用机器视觉技术获取有颜色特征和无颜色特征的稀土离子共存条件下的铈镨/钕混合溶液图像；
颜色特征值确定单元，用于根据所述铈镨/钕混合溶液图像在不同颜色空间下提取获得所述铈镨/钕混合溶液图像的颜色特征值。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明中的上述方法通过在同一种颜色空间下比较铈镨/钕混合溶液图像的颜色特征值和镨/钕混合溶液图像的颜色特征值，确定二者颜色特征值的差异度，再根据两种混合溶液图像颜色特征值的差异度，确定需要复杂的模型对多组分含量进行检测，构建了基于极限学习机的多组分含量软测量模型，并对基于极限学习机的多组分含量软测量模型的初始权值矩阵和隐含层阈值矩阵进行优化，进一步得到基于遗传算法-极限学习机的多组分含量软测量模型，能够同时获得有特征颜色和无特征颜色共存条件下稀土溶液中铈镨/钕三种元素的组分含量，满足稀土分离企业现场检测需求，解决了现有技术中的方法中无法对有特征颜色和无特征颜色的稀土离子共存条件下稀土混合溶液组分含量检测的缺陷，并且，通过优化后的测量模型对组分含量进行预测，大大提高了最终的预测精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例稀土萃取过程多组分含量预测方法流程图；
图2为本发明实施例GA-ELM、ELM、BP以及GA-BP四种模型下Nd的组分含量预测值与真实值对比图；
图3为本发明实施例GA-ELM、ELM、BP以及GA-BP四种模型下Pr的组分含量预测结果与真实值对比图；
图4为本发明实施例GA-ELM、ELM、BP以及GA-BP四种模型下Nd的组分含量输出相对误差图；
图5为本发明实施例GA-ELM、ELM、BP以及GA-BP四种模型下Pr的组分含量输出相对误差图；
图6为本发明实施例稀土萃取过程多组分含量预测系统流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种稀土萃取过程多组分含量预测方法及系统，获得有特征颜色和无特征颜色共存条件下稀土溶液中铈镨/钕三种元素的组分含量，满足稀土分离企业现场检测需求。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例稀土萃取过程多组分含量预测方法流程图，如图1所示，所述预测方法包括：
步骤101：获取有颜色特征和无颜色特征的稀土离子共存条件的在不同颜色空间下铈镨/钕混合溶液图像的颜色特征值。
步骤102：获取具有离子特征颜色的在不同颜色空间下镨/钕混合溶液图像的颜色特征值。
步骤103：比较所述在不同颜色空间下铈镨/钕混合溶液图像的颜色特征值和镨/钕混合溶液图像的颜色特征值，在同种颜色空间下确定二者颜色特征值的差异度，基于所述差异度选定更复杂的模型对后续多组分含量进行预测。
具体的，步骤103中，针对含有无色Ce离子的CePr/Nd混合溶液与Pr/Nd溶液的图像颜色特征有较大差异，导致原有基于颜色特征的单一稀土元素组分含量检测方法不再适用，因此需要选定一种更复杂的模型，即GA-ELM模型对多组分含量进行预测。
步骤104：在不同颜色空间下，根据铈镨/钕混合溶液图像的颜色特征值与已知铈镨/钕组分含量确定相关性最大HSI颜色特征分量。
步骤105：获取HSI颜色特征分量中的相关性最大的H、S分量一阶矩；
步骤106：以所述H、S分量一阶矩为输入，以已知的铈镨/钕组分含量值为输出建立基于极限学习机的多组分含量软测量模型；
步骤107：对所述基于极限学习机的多组分含量软测量模型的初始权值矩阵和隐含层矩阵进行优化，得到基于遗传算法-极限学习机的多组分含量软测量模型；
步骤108：根据所述基于遗传优化极限学习机的多组分含量软测量模型以所述H、S分量为一阶矩输入确定待测稀土混合溶液中多种元素的组分含量。
具体的，步骤101中，是首先采用机器视觉技术获取有颜色特征和无颜色特征的稀土离子共存条件下的铈镨/钕混合溶液图像，然后再根据所述铈镨/钕混合溶液图像在不同颜色空间下提取获得所述铈镨/钕混合溶液图像的颜色特征值。
具体的，步骤102中，是首先采用机器视觉技术获取具有离子特征颜色的镨/钕混合溶液图像，然后再根据所述镨/钕混合溶液图像在不同颜色空间下提取获得镨/钕混合溶液图像的颜色特征值。
下面详细介绍稀土溶液图像采集及特征提取过程：
从某稀土分离企业的生产现场，采集不同工况、不同萃取槽体的稀土溶液样品，针对有颜色特征和无颜色特征的稀土离子共存情况下的CePr/Nd稀土混合溶液为研究对象，将现场所取稀土溶液样品分成两部分，一部分用来做对照试验，利用机器视觉技术区别含有颜色特征和无颜色特征离子共存的CePr/Nd混合溶液与均具有颜色特征的Pr/Nd混合溶液图像之间颜色特征差异。在验证无颜色特征的稀土Ce离子对具有颜特征色Pr/Nd溶液颜色特征有影响后，将采集得到另一部分稀土混合溶液，在实验室条件下进行拍照，用选定的清晰摄像机拍摄CePr/Nd溶液图像，进行图像分割、滤波等预处理后保存于计算机内存中，完成稀土溶液图像采集过程。
稀土溶液图像颜色特征提取过程方法如下：
由于萃取槽体稀土溶液中组分多变，故离子颜色特征各异。要提取混合溶液图像颜色特征，首先根据被检测稀土元素的离子颜色特征，在不同颜色空间(如RGB(R代表红色，G代表绿色，B代表蓝色)、HSI(H代表色调，S代表饱和度，I代表亮度)、LAB(L表示亮度，A和B表示两个颜色通道))下，从包含多种稀土元素组分含量信息的稀土混合溶液图像中提取出与CePr/Nd组分含量关系相关性最大的H、S颜色特征分量，然后获得CePr/Nd稀土元素混合溶液图像的H、S颜色特征分量一阶矩，为后续建立基于离子颜色特征的多组分含量预测模型奠定基础。
具体的，步骤106中，已知的铈镨/钕组分含量值是直接从稀土分离公司中离线实验室化验获取的值。
所述基于极限学习机的多组分含量软测量模型具体表示如下：
H＝g(WXT+b)，其中H为隐含层神经元输出，g为隐含层神经元的激活函数，X为H、S分量一阶矩，W为输出层与隐含层之间的权值矩阵，b为隐含层阈值。
神经网络输出计算公式：P＝(HTβ)，其中β为隐含层到输出层的权值矩阵，只要β确定即可唯一确定ELM模型。给定输出样本Y，权值矩阵可由解出，其解为：其中(HT)+为转置矩阵HT的伪逆矩阵。其中，极限学习机(ELM)是一种特殊的单隐含层前馈神经网络模型，ELM的输入层权值矩阵和隐含层阈值矩阵是随机产生的，并且在随后的运算中不需调整。由理论可知，只需要设置隐含层节点的数量，便可以获得唯一的最优解。
神经网络的输出值为:P＝(HTβ)
式中:P为神经网络的输出；β为隐含层到输出层的权值矩阵，只要确定β即可唯一确定ELM神经网络。对于给定的训练输出样本Y，用输出样本替代网络输出值，则权值矩阵β可以根据下式求出。
其解为:
式中：(HT)+为转置矩阵HT的伪逆矩阵。
由于极限学习机ELM的输入层与隐含层间的连接权值和隐含层神经元阈值是随机给定的，在给定时部分数值可能为零，使得部分隐含层节点失效。而极限学习机ELM的预测精度与隐含层节点数量密切相关，隐含层节点失效会降低模型对样本的预测精度，而隐含层节点数量过多又会产生过拟合现象。
因此，选用遗传算法对极限学习机ELM的输入层与隐含层间的连接权值和隐含层神经元的阈值进行优化选择，以提高模型的预测精度。由ELM基本原理可知，W和b可随机产生。因此在隐含层节点相同的条件下，使用同一个训练样本集训练ELM模型，由于W和b随机产生，会造成网络拟合出的CePr/Nd组分含量精度变化很大。遗传算法(GA)具有很强的全局寻优能力，利用GA为ELM模型寻找最优的初始W和b，可以提高ELM模型的拟合精度，获取最优ELM模型。
具体的，步骤107中，所述对所述基于极限学习机的多组分含量软测量模型初始权值矩阵和隐含层阈值矩阵进行优化，得到基于遗传优化极限学习机的多组分含量软测量模型具体包括：
将所述H、S分量一阶距和所述已知的铈镨/钕组分含量作为训练集数据和测试集数据；
将所述训练集数据和所述测试集数据进行归一化处理；
根据归一化处理后的训练集数据和测试集数据，采用遗传算法对所述输出层与隐含层之间的权值矩阵和所述隐含层阈值矩阵进行优化，得到最优的输出层与隐含层之间的权值矩阵和最优的隐含层阈值矩阵；
采用遗传算法分别确定最优输出层与隐含层之间的权值，以及最优隐含层阈值对极限学习机的初始权值和阈值赋值，并设定隐含层节点的个数；
通过所述初始权值、阈值以及所述隐含层节点确定基于遗传算法-极限学习机的多组分含量软测量模型。
具体的，遗传算法的参数设置如下表所示：
图2为本发明实施例GA-ELM、ELM、BP以及GA-BP四种模型下Nd的组分含量预测值与真实值对比图，如图2所示，在GA-ELM、ELM、BP以及GA-BP四种模型下，选择相同的输入样本，均在四种模型自身参数最优情况下与真实值仿真对比，结果表明在GA-ELM模型下的Nd的组分含量预测更精准。
图3为本发明实施例GA-ELM、ELM、BP以及GA-BP四种模型下Pr的组分含量预测结果与真实值对比图，如图3所示，在GA-ELM、ELM、BP以及GA-BP四种模型下，选择相同的输入样本，均在四种模型自身参数最优情况下与真实值仿真对比，结果表明在GA-ELM模型下的Pr的组分含量预测更精准。
图4为本发明实施例GA-ELM、ELM、BP以及GA-BP四种模型下Nd的组分含量输出相对误差图，如图4所示，在GA-ELM、ELM、BP以及GA-BP四种模型下，选择相同的输入样本，均在四种模型自身参数最优情况下与真实值仿真对比，通过相对误差直观来反映模型预测精度，结果表明在GA-ELM模型下的Nd的组分含量相对误差更小，相对误差均在±5％以内，能够达到企业生产要求。
图5为本发明实施例GA-ELM、ELM、BP以及GA-BP四种模型下Pr的组分含量输出相对误差图，如图5所示，在GA-ELM、ELM、BP以及GA-BP四种模型下，选择相同的输入样本，均在四种模型自身参数最优情况下与真实值仿真对比，通过相对误差直观来反映模型预测精度，结果表明在GA-ELM模型下的Pr的组分含量相对误差更小，相对误差均在±5％以内，能够达到企业生产要求。
图6为本发明实施例稀土萃取过程多组分含量预测系统，如图6所示，所述系统包括：
本发明另外提供一种稀土萃取过程多组分含量预测系统，所述系统包括：
第一颜色特征值获取模块201，用于采用机器视觉技术获取有颜色特征和无颜色特征的稀土离子共存条件下的铈镨/钕混合溶液图像在不同颜色空间下的颜色特征值；
第二颜色特征值获取模块201，用于采用机器视觉技术获取具有离子颜色特征的镨/钕混合溶液图像在不同颜色空间下的颜色特征值；
差异度确定模块203，用于比较所述铈镨/钕混合溶液图像在不同颜色空间下的颜色特征值和镨/钕混合溶液图像在不同颜色空间下的颜色特征值，确定二者颜色特征值的差异度，基于所述差异度选定更复杂的模型对后续多组分含量进行预测；
HSI颜色特征分量确定模块204，用于在不同颜色空间下，根据铈镨/钕混合溶液图像的颜色特征值与已知铈镨/钕组分含量确定相关性最大HSI颜色特征分量；
H、S分量一阶距确定模块205，用于获取相关性最大的HSI颜色特征分量中的H、S分量一阶距；
基于极限学习机的多组分含量软测量模型构建模块206，用于以所述H、S分量一阶距为输入，以已知的铈镨/钕组分含量值为输出建立基于极限学习机的多组分含量软测量模型；
基于遗传算法-极限学习机的多组分含量软测量模型构建模块207，用于对所述基于极限学习机的多组分含量软测量模型初始权值和隐含层阈值进行优化，得到基于遗传算法-极限学习机的多组分含量软测量模型；
多组分含量确定模块208，用于根据所述基于遗传算法-极限学习机的多组分含量软测量模型以所述H、S分量一阶距为输入确定待测稀土混合溶液中多组分含量。
具体的，所述第一颜色特征值获取模块201具体包括：
第一溶液图像获取单元，用于采用机器视觉技术获取有颜色特征和无颜色特征的稀土离子共存条件下的铈镨/钕混合溶液图像；
第一颜色特征值确定单元，用于根据所述铈镨/钕混合溶液图像在不同颜色空间下提取获得所述铈镨/钕混合溶液图像的颜色特征值。
具体的，所述第二颜色特征值获取模块202具体包括：
第二溶液图像获取单元，用于采用机器视觉技术获取具有离子特征颜色的镨/钕混合溶液图像；
第二颜色特征值确定单元，用于根据所述镨/钕混合溶液图像在不同颜色空间下提取获得镨/钕混合溶液图像的颜色特征值。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (6)

1.一种稀土萃取过程多组分含量预测方法，其特征在于，所述预测方法包括：
获取有颜色特征和无颜色特征的稀土离子共存条件下的铈镨/钕混合溶液图像在不同颜色空间下的颜色特征值；
在不同颜色空间下，根据铈镨/钕混合溶液图像的颜色特征值与已知铈镨/钕组分含量确定相关性最大HSI颜色特征分量；
获取HSI颜色特征分量中相关性最大的H、S分量一阶距；
以所述H、S分量一阶距为输入，以已知的铈镨/钕组分含量值为输出建立基于极限学习机的多组分含量软测量模型；
对所述基于极限学习机的多组分含量软测量模型中的初始权值矩阵和隐含层阈值矩阵进行优化，得到基于遗传算法-极限学习机的多组分含量软测量模型；
根据所述基于遗传算法-极限学习机的多组分含量软测量模型以所述H、S分量一阶距为输入确定待测稀土混合溶液中多种元素组分含量值。
2.根据权利要求1所述的稀土萃取过程多组分含量预测方法，其特征在于，所述在不同颜色空间下提取有颜色特征和无颜色特征的稀土离子共存条件下的铈镨/钕混合溶液图像的颜色特征值具体包括：
利用机器视觉技术获取有颜色特征和无颜色特征的稀土离子共存条件下的铈镨/钕混合溶液图像；
根据所述铈镨/钕混合溶液图像在不同颜色空间下提取获得所述铈镨/钕混合溶液图像的颜色特征值。
3.根据权利要求1所述的稀土萃取过程多组分含量预测方法，其特征在于，所述基于极限学习机的多组分含量软测量模型具体表示如下：
所述基于极限学习机的多组分含量软测量模型包括输入层、隐含层和输出层；
给定输入样本，隐含层神经元输出矩阵计算公式：H＝g(WXT+b)，其中H为隐含层神经元输出，g为隐含层神经元的激活函数，X为H、S分量一阶矩，W为输出层与隐含层之间的权值矩阵，b为隐含层神经元阈值矩阵；
神经网络输出计算公式：P＝(HTβ)，其中β为隐含层到输出层的权值矩阵，只要β确定即可唯一确定ELM模型，给定输出样本Y，权值矩阵可由解出，其解为：其中(HT)+为转置矩阵HT的伪逆矩阵。
4.根据权利要求3所述的稀土萃取过程多组分含量预测方法，其特征在于所述对所述基于极限学习机的多组分含量软测量模型的初始权值矩阵和隐含层阈值矩阵进行优化，得到基于遗传算法-极限学习机的多组分含量软测量模型具体包括：
将所述H、S分量一阶矩和所述已知的铈镨/钕组分含量作为训练集数据和测试集数据；
将所述训练集数据和所述测试集数据进行归一化处理；
根据归一化处理后的训练集数据和测试集数据，采用遗传算法对所述输出层与隐含层之间的权值矩阵和所述隐含层阈值矩阵进行优化，得到最优的输出层与隐含层之间的权值和最优的隐含层阈值；
采用遗传算法分别确定最优输出层与隐含层之间的权值，以及最优隐含层神经元阈值对极限学习机的初始权值和阈值赋值，并设定隐含层节点的个数；
通过所述初始权值、阈值以及所述隐含层节点确定基于遗传算法-极限学习机的多组分含量软测量模型。
5.一种稀土萃取过程多组分含量预测系统，其特征在于，所述系统包括：
颜色特征值获取模块，用于获取有颜色特征和无颜色特征的稀土离子共存条件下的铈镨/钕混合溶液图像在不同颜色空间下的颜色特征值；
HSI颜色特征分量确定模块，用于在不同颜色空间下，根据铈镨/钕混合溶液图像的颜色特征值与已知铈镨/钕组分含量确定相关性最大HSI颜色特征分量；
H、S分量一阶距确定模块，用于获取HSI颜色特征分量中的相关性最大的H、S分量一阶距；
基于极限学习机的多组分含量软测量模型构建模块，用于以所述H、S分量一阶距为输入，以已知的铈镨/钕组分含量值为输出建立基于极限学习机的多组分含量软测量模型；
基于遗传算法-极限学习机的多组分含量软测量模型构建模块，用于对所述基于极限学习机的多组分含量软测量模型初始权值和隐含层阈值进行优化，得到基于遗传算法-极限学习机的多组分含量软测量模型；
多组分含量确定模块，用于根据所述基于遗传算法-极限学习机的多组分含量软测量模型以所述H、S分量一阶距为输入确定待测稀土混合溶液中多组分含量。
6.根据权利要求5所述的稀土萃取过程多组分含量预测系统，其特征在于，所述颜色特征值获取模块具体包括：
溶液图像获取单元，用于采用机器视觉技术获取有颜色特征和无颜色特征的稀土离子共存条件下的铈镨/钕混合溶液图像；
颜色特征值确定单元，用于根据所述铈镨/钕混合溶液图像在不同颜色空间下提取获得所述铈镨/钕混合溶液图像的颜色特征值。
CN201910519815.3A 2019-06-17 2019-06-17 一种稀土萃取过程多组分含量预测方法及系统 Active CN110223288B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910519815.3A CN110223288B (zh) 2019-06-17 2019-06-17 一种稀土萃取过程多组分含量预测方法及系统
US16/564,430 US11593607B2 (en) 2019-06-17 2019-09-09 Method and system for predicting content of multiple components in rare earth extraction process

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910519815.3A CN110223288B (zh) 2019-06-17 2019-06-17 一种稀土萃取过程多组分含量预测方法及系统

Publications (2)

Publication Number Publication Date
CN110223288A true CN110223288A (zh) 2019-09-10
CN110223288B CN110223288B (zh) 2021-01-08

Family

ID=67817265

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910519815.3A Active CN110223288B (zh) 2019-06-17 2019-06-17 一种稀土萃取过程多组分含量预测方法及系统

Country Status (2)

Country Link
US (1) US11593607B2 (zh)
CN (1) CN110223288B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110596028A (zh) * 2019-10-22 2019-12-20 中国地质科学院矿产综合利用研究所 一种沉积型稀土La元素含量的高光谱反演方法
CN111738366A (zh) * 2020-08-11 2020-10-02 华东交通大学 一种基于虚拟样本的铈镨和钕组分含量的预测方法及系统
CN111815618A (zh) * 2020-07-22 2020-10-23 华东交通大学 基于时序特征的稀土元素组分含量动态监测方法及系统
CN113130014A (zh) * 2021-04-23 2021-07-16 华东交通大学 一种基于多分支神经网络的稀土萃取模拟方法及系统
CN113126501A (zh) * 2021-04-23 2021-07-16 华东交通大学 一种稀土萃取过程预测控制方法及系统
CN115984209A (zh) * 2022-12-27 2023-04-18 江西理工大学 浓度与组分含量协同优化的稀土元素组分含量预测方法

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113103535A (zh) * 2021-03-17 2021-07-13 贵州大学 一种基于ga-elm-ga的注塑件模具参数优化方法
CN113515893B (zh) * 2021-07-01 2024-05-17 中国科学院过程工程研究所 一种稀土萃取过程实时预测模型的建立方法及预测方法和预测装置
CN113742920B (zh) * 2021-09-06 2024-06-14 中国恩菲工程技术有限公司 萃取模型创建方法、确定方法、系统、设备及存储介质
CN114547964B (zh) * 2021-12-31 2024-09-13 中南大学 基于改进hho优化delm的脱丁烷塔软测量建模方法
CN116935985B (zh) * 2023-07-17 2024-03-15 中国地质调查局油气资源调查中心 一种煤气化过程中实验参数变化的敏感性分析方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004047007A1 (en) * 2002-11-15 2004-06-03 Bioarray Solutions, Ltd. Analysis, secure access to, and transmission of array images
CN101557758A (zh) * 2005-03-25 2009-10-14 Cnoga控股有限公司 用于测量化学浓度、化学饱和度和生物物理参数的光学传感器装置和图象处理单元
US20140270473A1 (en) * 2013-03-15 2014-09-18 John S. Youngquist Virtual assembly and product inspection control processes
CN105004677A (zh) * 2015-07-10 2015-10-28 天津工业大学 一种非线性的复杂物质定量分析新方法
CN107024474A (zh) * 2012-06-22 2017-08-08 霍夫曼-拉罗奇有限公司 用于检测体液中的分析物的方法和器件
CN107067388A (zh) * 2016-08-31 2017-08-18 天津大学 一种基于ga‑elm的立体图像质量客观评价方法
CN108408855A (zh) * 2018-04-10 2018-08-17 大唐（北京）水务工程技术有限公司 一种用于废水处理的在线加药控制方法及系统
CN108596985A (zh) * 2018-04-19 2018-09-28 华东交通大学 一种Grey Edge参数主动优化的稀土溶液颜色矫正方法
CN109064396A (zh) * 2018-06-22 2018-12-21 东南大学 一种基于深度成分学习网络的单幅图像超分辨率重建方法
CN109827960A (zh) * 2019-02-21 2019-05-31 华东交通大学 一种稀土溶液图像采集装置及方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10710119B2 (en) * 2016-07-18 2020-07-14 UHV Technologies, Inc. Material sorting using a vision system
CN109839825B (zh) * 2019-01-28 2022-04-12 华东交通大学 一种稀土萃取过程组分含量的预测控制方法及系统

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004047007A1 (en) * 2002-11-15 2004-06-03 Bioarray Solutions, Ltd. Analysis, secure access to, and transmission of array images
CN101557758A (zh) * 2005-03-25 2009-10-14 Cnoga控股有限公司 用于测量化学浓度、化学饱和度和生物物理参数的光学传感器装置和图象处理单元
CN107024474A (zh) * 2012-06-22 2017-08-08 霍夫曼-拉罗奇有限公司 用于检测体液中的分析物的方法和器件
US20140270473A1 (en) * 2013-03-15 2014-09-18 John S. Youngquist Virtual assembly and product inspection control processes
CN105004677A (zh) * 2015-07-10 2015-10-28 天津工业大学 一种非线性的复杂物质定量分析新方法
CN107067388A (zh) * 2016-08-31 2017-08-18 天津大学 一种基于ga‑elm的立体图像质量客观评价方法
CN108408855A (zh) * 2018-04-10 2018-08-17 大唐（北京）水务工程技术有限公司 一种用于废水处理的在线加药控制方法及系统
CN108596985A (zh) * 2018-04-19 2018-09-28 华东交通大学 一种Grey Edge参数主动优化的稀土溶液颜色矫正方法
CN109064396A (zh) * 2018-06-22 2018-12-21 东南大学 一种基于深度成分学习网络的单幅图像超分辨率重建方法
CN109827960A (zh) * 2019-02-21 2019-05-31 华东交通大学 一种稀土溶液图像采集装置及方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
HUIYANG等: "Component content distribution profile control in rare earth countercurrent extraction process", 《CHINESE JOURNAL OF CHEMICAL ENGINEERING》 *
MARIO ŠPADINA等: "Multicomponent Model for the Prediction of Nuclear Waste/RareEarth Extraction Processes", 《LANGMUIR》 *
刘飞飞等: "基于QPSO_ELM的稀土萃取过程组分含量预测研究", 《有色金属(冶炼部分)》 *
王新环等: "一种基于遗传算法的极限学习机改进算法研究", 《软件导刊》 *
辛鹏武: "基于特征颜色的稀土萃取过程离子组分含量检测系统研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》 *
陆荣秀等: "HSI颜色模型在镨钕组分含量检测中的应用", 《计算机与应用化学》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110596028A (zh) * 2019-10-22 2019-12-20 中国地质科学院矿产综合利用研究所 一种沉积型稀土La元素含量的高光谱反演方法
CN110596028B (zh) * 2019-10-22 2022-06-21 中国地质科学院矿产综合利用研究所 一种沉积型稀土La元素含量的高光谱反演方法
CN111815618A (zh) * 2020-07-22 2020-10-23 华东交通大学 基于时序特征的稀土元素组分含量动态监测方法及系统
CN111738366A (zh) * 2020-08-11 2020-10-02 华东交通大学 一种基于虚拟样本的铈镨和钕组分含量的预测方法及系统
US20220051758A1 (en) * 2020-08-11 2022-02-17 East China Jiaotong University Method and system for predicting contents of cerium, praseodymium and neodymium components based on virtual samples
CN113130014A (zh) * 2021-04-23 2021-07-16 华东交通大学 一种基于多分支神经网络的稀土萃取模拟方法及系统
CN113126501A (zh) * 2021-04-23 2021-07-16 华东交通大学 一种稀土萃取过程预测控制方法及系统
CN113130014B (zh) * 2021-04-23 2023-02-07 华东交通大学 一种基于多分支神经网络的稀土萃取模拟方法及系统
CN115984209A (zh) * 2022-12-27 2023-04-18 江西理工大学 浓度与组分含量协同优化的稀土元素组分含量预测方法
CN115984209B (zh) * 2022-12-27 2023-10-24 江西理工大学 浓度与组分含量协同优化的稀土元素组分含量预测方法

Also Published As

Publication number Publication date
CN110223288B (zh) 2021-01-08
US20200394494A1 (en) 2020-12-17
US11593607B2 (en) 2023-02-28

Similar Documents

Publication Publication Date Title
CN110223288A (zh) 一种稀土萃取过程多组分含量预测方法及系统
CN106156781B (zh) 排序卷积神经网络构建方法及其图像处理方法与装置
KR101282196B1 (ko) 다시점 영상에서 코드북 기반의 전경 및 배경 분리 장치 및 방법
CN110163246B (zh) 基于卷积神经网络的单目光场图像无监督深度估计方法
US9626760B2 (en) System and method to align and merge differently exposed digital images to create a HDR (High Dynamic Range) image
CN107704925B (zh) 深度神经网络训练过程的可视分析系统及方法
JP7217589B2 (ja) 画像解析方法、画像解析装置、プログラム、学習済み深層学習アルゴリズムの製造方法および学習済み深層学習アルゴリズム
CN102845071B (zh) 高动态范围、视觉动态范围和宽色域的图像与视频的质量评估
CN102761766A (zh) 色彩特征撷取方法
CN113298837B (zh) 一种图像边缘提取方法、装置、存储介质及设备
CN110570363A (zh) 基于带有金字塔池化与多尺度鉴别器的Cycle-GAN的图像去雾方法
CN114049335B (zh) 一种基于时空注意力的遥感影像变化检测方法
CN105741328A (zh) 基于视觉感知的拍摄图像质量评价方法
CN113435459B (zh) 基于机器学习的岩石组分识别方法、装置、设备及介质
CN114203087B (zh) 补偿查找表的配置、补偿方法、装置、设备及存储介质
CN108765333B (zh) 一种基于深度卷积神经网络的深度图完善方法
CN104851112A (zh) 一种基于数据集补偿的运动目标检测跟踪算法的评估方法
CN112734747B (zh) 一种目标检测方法、装置、电子设备和存储介质
RU2015153562A (ru) Способ, устройство сервера и устройство терминала для предоставления изображения
AU2020294280A1 (en) Method, apparatus and system for identifying target objects
CN109801279A (zh) 图像中的目标检测方法及装置、电子设备、存储介质
CN109509151A (zh) 图像及视频拼接方法、计算机可读存储介质及计算机设备
CN116416534A (zh) 一种面向保护目标的无人机备降区域识别方法
CN113344843B (zh) 一种图像质量测评方法、装置和系统
CN104282013B (zh) 一种用于前景目标检测的图像处理方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant