CN111753912A - 一种基于深度学习的煤泥浮选精煤灰分预测方法 - Google Patents
一种基于深度学习的煤泥浮选精煤灰分预测方法 Download PDFInfo
- Publication number
- CN111753912A CN111753912A CN202010597978.6A CN202010597978A CN111753912A CN 111753912 A CN111753912 A CN 111753912A CN 202010597978 A CN202010597978 A CN 202010597978A CN 111753912 A CN111753912 A CN 111753912A
- Authority
- CN
- China
- Prior art keywords
- image
- flotation
- ash
- coal
- convolution
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B03—SEPARATION OF SOLID MATERIALS USING LIQUIDS OR USING PNEUMATIC TABLES OR JIGS; MAGNETIC OR ELECTROSTATIC SEPARATION OF SOLID MATERIALS FROM SOLID MATERIALS OR FLUIDS; SEPARATION BY HIGH-VOLTAGE ELECTRIC FIELDS
- B03D—FLOTATION; DIFFERENTIAL SEDIMENTATION
- B03D1/00—Flotation
- B03D1/14—Flotation machines
- B03D1/1493—Flotation machines with means for establishing a specified flow pattern
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/141—Control of illumination
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Biotechnology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的煤泥浮选精煤灰分预测方法,步骤是:组装图像采集硬件系统;采集煤泥浮选泡沫图像以及对应的灰分数据;按照灰分个位数的±0.5区间将数据集分成9类并进行数据增强;采用resnet50网络提取泡沫表面的特征,随机梯度下降法更新参数和softmax函数分类,经过多次迭代训练模型得到了较高的准确率,最后根据预测结果对现场工况做出建议。相对于人工主观的观察操作,本发明能够随着模型的不断优化自动提取具有代表性的高阶抽象细节特征;另外相对于传统方法,本发明大大缩短了建模时间,卷积网络提取的高阶抽象特征,使得输入模型的训练样本更加真实,得到的预测结果也更加精确,对浮选的现场生产具有重要的指导作用。
Description
技术领域
本发明涉及一种浮选精煤灰分的监测,具体涉及一种基于深度学习的煤泥浮选精煤灰分预测方法,属于泡沫浮选、深度学习和机器视觉技术领域。
背景技术
泡沫浮选是当今选煤厂细粒煤泥分选的首选方法,是根据矿物颗粒表面的物理化学性质差异,在矿浆中借助气泡的浮力实现精煤与脉石矿物分离的过程,是选煤工艺中非常重要的一个环节。由于煤的品质,工况的不同,造成浮选产品中灰度的波动,因此需要及时检测灰分,调整工艺参数。但是目前浮选车间的流程较多,调节滞后,严重影响整个选煤工艺的连动效果。一个重要原因是浮选精煤灰分需要耗费数小时的繁琐化验才能获得,因此操作会因为延迟给浮选车间带来巨大的损失。由于浮选泡沫表面的特征能够作为判断浮选产品中灰分含量的指标,目前浮选车间主要依靠工人肉眼观察浮选槽表面泡沫的状态来进行工况调整操作,这种通过人眼观察泡沫来指导浮选操作的生产方式主观性强、误差大、精度低,难以实现对浮选工况的客观评价与认知,容易造成精煤和药剂严重损失也给选煤企业带来许多不必要的经济损失。
近些年深度学习和机器视觉技术发展迅速,其中卷积神经网络是最常见的深度学习模型,通过多网络结构、卷积运算和降采样来实现对图像深层信息的提取。相对于传统的手动提取特征再建立模型的方法,卷积神经网络能够自动提取图像的高阶特征并归入模型训练学习,并且能够将特征学习和模型建立有机结合起来,使得提取到的特征更加具有代表性。
将深度学习应用于选煤工艺中预测浮选精煤的灰分,还未见文献报道。
发明内容
为了解决选煤厂浮选精煤灰分在线自动监测难、精度低的技术问题,本发明提供一种基于深度学习的煤泥浮选精煤灰分预测方法。
为实现上述目的,本发明采用的技术方案如下:一种基于深度学习的煤泥浮选精煤灰分预测方法,包括以下步骤:
(1)组装图像采集硬件系统,所述系统包括CCD工业相机、定焦镜头、光源、透光玻璃、光源控制器、遮光罩、相机支架、千兆网线、计算机,将遮光罩安装在泡沫流速稳定、扰动小且具有代表性的浮选槽正上方,所述遮光罩为底部开口的长方体,在遮光罩的顶壁上安装所述相机支架,在相机支架上自上而下依次安装所述CCD工业相机、定焦镜头、光源及透光玻璃,并与所述浮选槽垂直相对应,CCD工业相机的Gige接口通过千兆网线与所述计算机相连,所述光源控制器安装在所述遮光罩上表面;
(2)硬件系统组装完毕后,开启图像自动采集系统,定时获取原始的煤泥浮选泡沫图像,同时在浮选机溢流堰刮板的正前方采集浮选精煤泡沫并化验灰分值,每次采样灰分对应连续采集的10帧图像;
(3)重复步骤(2)的操作获取一定数量的数据集,剔除个别模糊、失真的异常数据,按照灰分个位数的±0.5区间将数据集分成(<5,6,7,8,9,10,11,12,>13)9个类别;
(4)对步骤(3)的数据集图像通过数据增强扩充数据集;
(5)取20%步骤(4)增强后的数据集作为验证集,其余80%数据集按照式(1)中交叉验证的方法划分训练集和测试集,即:
式中,D表示验证集之外的数据集,n表示D划分的n个大小相似的互斥子集,之后每次迭代取n-1个子集并作训练集,余下的子集作为测试集;
(6)将步骤(5)得到的训练集和测试集输入ResNet50卷积神经网络进行训练,具体步骤是:
a.浮选泡沫图像样本首先经过一个7×7的卷积层进行特征提取,步长设置为2使得图像的长宽减小为原来的一半,紧接着一个最大池化层降低图像的分辨率同时减少参数;
b.步骤a输出的特征图x(64×56×56)通过两条路径传输,一条是通过三个卷积层和三个激活函数得到F(x),另外一条是直接与输出建立恒等映射h(x)=x,本步骤输出如下式所示:
式中,y表示第L层残差模块单元的输出特征图,x表示i层的输入特征图,F表示i层特征经过卷积和激活操作之后得到的特征图;
如果恒等映射路线的输出通道与下个残差模块的输入通道维数不同,则需要一个1×1的卷积进行降维,输出特征如下:
式中,y表示第L层残差模块单元的输出特征图,Ws表示对输入的x特征进行卷积操作后的权重,x表示i层的输入特征图,F表示i层特征经过卷积和激活操作之后得到的特征图;
c.按照3,4,6,3的残差块数将步骤b依次经过4个特征提取阶段,且每个阶段第一个为下采样块,其余为残差块,经过4个阶段的特征提取后,浮选泡沫图像变成了一个2048×7×7的特征图;
d.步骤b中每个残差块使用ReLU激活函数激励模型,使一部分神经元的输出为0,增加模型的非线性关系;ReLU激活函数的表达式如下:
式中,x为前一个卷积层的输出。
e.将步骤c生成的特征图,传入一个平均池化层进行下采样操作,输出的特征图尺寸为2048×1×1;
f.将步骤e输出的特征向量通过softmax对当前煤泥泡沫图像所属类别的概率进行打分,将概率最高的灰分类别与实际的灰分区间类别进行比较,采用NLLLoss损失函数表示预测误差,其中概率计算函数softmax的计算公式如下:
式中S为模型预测当前泡沫图像对应第i个灰分标签的概率,Vi表示模型预测出属于第i个类别的数值,N表示本发明中的i个灰分标签值。
损失函数NLLLoss的计算公式如下:
式中N为本发明中的i个精煤灰分值标签,yi为第i个灰分值的预测概率,Si为上一步骤中计算出来的softmax函数值,L为NLLLoss损失函数计算的误差值;
g.比较浮选泡沫图像的真实灰分标签与预测标签,根据步骤f的损失函数计算灰分误差值,之后以loss值最小为目的,反复迭代训练模型120次,优化网络参数使模型达到最优;
(7)在上一步骤得到煤泥浮选泡沫图像的最优预测模型之后,通过验证集检测模型的泛化能力,最后在浮选现场生产中判断现场工况并指导生产。
优选的,步骤(1)中所述光源为LED漫反射背光源。由于浮选泡沫本身为强反光性对象,LED漫反射背光源照射能够使泡沫图像携带更加丰富的特征信息。
优选的,步骤(2)中煤泥浮选泡沫图像采集时间间隔设置为5000ms。
优选的,步骤(4)中所述数据增强处理的操作方式为随机剪切、翻转、随机旋转、镜像中的一种或多种。
优选的,步骤(6)中卷积层的输出图像尺寸和通道数分别采用以下公式进行计算:
D=N (6)
其中W为输入图像的宽度,H为输入图像的高度,F为卷积核的尺寸,P为填充数,S为步长,D为通道数,N为卷积核的个数;
池化层的输出图像尺寸和通道数分别采用以下公式进行计算:
D=N (9)
其中W为输入图像的宽度,H为输入图像的高度,F为卷积核的尺寸,S为步长,D为通道数,N为卷积核的个数。
进一步地,为了满足选煤厂客户对煤质的要求,对预测的标签进行标注,将灰分标签满足选煤厂灰分要求的预测值标注为“当前工况良好”,要求值附近分别标注为“当前灰分值偏低”、“当前灰分值偏高”,远小于或大于现场要求值标注为警告,预示着可能存在“精矿背灰”、“尾矿跑粗”的工况发生。
与现有技术相比,本发明具有如下有益效果:
1.相对于现有人工提取特征的建模方式,本发明采用卷积神经网络提取浮选泡沫表面特征的方法,大大缩短了建模时间。
2.卷积神经网络的执行不受人的主观影响,比起人为选取浮选泡沫表面的特征,本发明能够随着模型的不断优化自动提取具有代表性的高阶抽象细节特征,得到的预测结果更加精确。
3.随着选煤厂生产时随机抽验灰分值和对应图像的自动补充录入,当原煤浮选入料性质发生改变时,本发明能快速融入新的煤质的数据集,实时更新模型,相对于现有的技术具有更好的适应性。
附图说明
图1为本发明的图像采集硬件系统安装示意图;
图中,1-CCD工业相机;2-定焦镜头;3-光源;4-光源控制器;5-透光玻璃;6-遮光罩;7-泡沫槽;8-支架;
图2为本发明实例的图像采集模块执行界面图;
图3为本发明实例的网络模型结构图;
图4为本发明实例的图3中的浮选泡沫图像在网络中最后一层1个通道的特征图;
图5为本发明实例模型预测结果的误差和准确率;
图6为本发明实例验证集的准确率;
图7为本发明实例现场实践泡沫图像的准确率。
具体实施方式
为了使本专业的技术人员更好的理解本发明,下面结合附图对本发明的具体实施作进一步的说明。
(1)设备选型
本发明主要涉及的设备包括:CCD工业相机1(balser,ace a2040-20gc)、定焦镜头2(computer,30mm)、光源3(LED漫反射背光源)、透光玻璃5、光源控制器4、遮光罩6、相机支架8、千兆网线(CAT-6以及上)、计算机。
(2)现场布置
结合浮选机和浮选柱的运行状况,发现浮选槽7表面的泡沫层主要分为三种状态,中间部分泡沫移动非常缓慢,不具有代表性,靠近刮板和溢流堰部分泡沫流速过快并且随着刮板的运动泡沫扰动比较大,不利于观测,但在这两者中间的过渡阶段,泡沫移动速度稳定能够很好的表征当前的浮选工况,因此在此位置的顶板上开孔(500mm×500mm)安装遮光罩6。如图1所示,所述遮光罩6呈长方体形,底部开口,并在遮光罩6的顶壁上安装相机支架8。支架8上自上而下依次安装工业相机1、定焦镜头2、光源3及透光玻璃5,并与浮选槽7垂直相对应,光源控制器4安装在遮光罩6上表面。选定视野面积为120mm×120mm,物相距离为40mm,用千兆网线将工业相机的Gige接口与计算机相连,调整白平衡、曝光强度(自动)、曝光时间(2400Abs)、帧率(17帧/s)、光源亮度(1500lx)等参数使得相机捕获最佳质量的煤泥浮选泡沫图像。
(3)图像采集
如图2所示,本发明浮选泡沫图像数据集采用基于labview编写的图像采集模块自动采集,系统能够设置帧率、采集时间间隔和以当前采集时间为图片命名,每次采样灰分对应连续采集的10帧图像。为了增强数据集的泛化性,本发明分别在一个月内抓取了1000个真实浮选工况下的泡沫图像图灰分标签作为数据集,共10000张浮选泡沫图像。
(4)模型训练
采用anaconda 4.5作为python3.7的开发环境,基于pytorch的深度学习框架搭建深度学习模型,模型训练基于4块GPU(NVIDIA GeForce RTX 2080TI)并行运算。
(4.1)制作数据集
对于采集到的数据集,首先剔除个别模糊、失真和灰分标签单一的异常值,剔除之后剩余7908张图像。为了防止模型过拟合,本发明对分好类的数据集进行数据增强处理,数据增强主要指对采集到的原图(2048×2048像素)以1048×1048像素为单位进行随机裁剪,将裁剪后的图像压缩到244×244像素,接着再对裁剪之后的图像做随机翻转、旋转(90°、180°、270°)、镜像等数据增强操作,最后数据集被扩充到208640张。按照灰分个位数±0.5区间将数据集分成(<5,6,7,8,9,10,11,12,>13)9个类别,整理出数据集。
将扩充后的数据集取20%作为验证集,其余80%数据集按照交叉验证的方法划分训练集和测试集。本发明将整个数据集D划分成10个大小相似的互斥子集,即:
每一轮训练过程中取其中9个子集并作训练集,余下的1子集作为测试集。其中训练集主要用来训练网络模型,测试集用来评估最终模型的泛化能力,验证集作为训练过程中单独留出的样本集,通过调用模型参数对模型的能力进行评估。
(4.2)训练模型
将步骤(4.1)中的训练集和测试集输入ResNet50卷积神经网络结构进行训练,训练过程的网络结构如图3所示。ResNet50网络由四个主要阶段组成,每个阶段又包含一个下采样模块多个残差模块。其中残差模块主要有两个1×1的卷积和一个3×3的卷积组成。
浮选泡沫图像样本首先经过一个7×7的卷积层进行特征提取,步长为2使得图像的长宽减小为原来的一半,紧接着一个最大池化层降低图像的分辨率。
上述步骤获得的图像逐步输入4个重复的下采样残差模块提取特征,四个模块分别包含4个下采样块和2、3、5、2个残差块组成。每个模块都是由两个1×1、一个3×3的小卷积和一个1×1的降维卷积核构成,每个卷积层中间采用ReLU激活函数激活来丢弃一部分参数,提高模型的稀疏性,防止过拟合。对于输入的64×56×56的泡沫特征图像经过式(2)路径传输,一条经过一个1×1的卷积降维和3×3的卷积运算得到F(x),另一条直接建立恒等映射h(x)=x。如果包含下采样块,则需经过1×1卷积对输入的x特征降维,使得每个模块的特征图通道的输入输出一致。输出如式(3)所示:
式中,y表示第L层残差模块单元的输出特征图,x表示i层的输入特征图,F表示i层特征经过卷积和激活操作之后得到的特征图;
式中,y表示第L层残差模块单元的输出特征图,Ws表示对输入的x特征进行卷积操作后的权重,x表示i层的输入特征图,F表示i层特征经过卷积和激活操作之后得到的特征图;
本发明中卷积层的输出图像尺寸和通道数分别采用以下公式进行计算:
D=N (6)
其中W为输入图像的宽度,H为输入图像的高度,F为卷积核的尺寸,P为填充数,S为步长,D为通道数,N为卷积核的个数;
本发明中池化层的输出图像尺寸和通道数分别采用以下公式进行计算:
D=N (9)
其中W为输入图像的宽度,H为输入图像的高度,F为卷积核的尺寸,S为步长,D为通道数,N为卷积核的个数。
在每个模块中卷积之后的特征图使用ReLU激活函数进行激励,使一部分神经元的输出为0,增加模型的非线性关系。ReLU激活函数的表达式如下:
残差模块后的输出浮选泡沫图像的特征图信息,经过相似且不同残差块数量的3个特征提取模块,最后一个1×1卷积的输出为2048×7×7的特征图。如图4所示,经过多层卷积、池化和下采样的操作后,煤泥浮选泡沫图像转化为2048张包含高阶空间特征的7×7的特征图,这些特征信息能够最大程度的丰富网络的表达能力。
对上个步骤的特征图采用全局平均池化操作将特征图转化为2048×1×1大小的特征图,再进过dropout操作随机丢弃一些不重要的网络特征参数,最后采用softmax对每个煤泥泡沫图像对应的特征向量计算每个灰分类别的概率值,根据概率值的大小进行分类预测。其中softmax分类归一化函数的表达式如下:
其中S为模型预测当前泡沫图像对应第i个灰分标签的概率,Vi表示模型预测出属于第i个类别的数值,9表示本发明中的9个灰分标签。
对上述步骤预测出的浮选泡沫灰分与真实灰分标签做对比,采用NLLLoss损失函数来计算训练误差,之后反复迭代优化训练网络,直到损失函数达到最小,即预测的灰分与真实灰分之间的误差最小。其中NLLLoss损失函数的是为:
其中8为本发明中的8个精煤灰分标签,yi为第i个灰分预测概率,Si为上一步骤中计算出来的softmax函数值,L为NLLLoss损失函数计算的误差值。
设置训练轮数(Epoch=120)、读入泡沫图片的批数(Batch Size=168)、学习率(Learning rate=0.003)等超参数,循环迭代训练网络模型,最终得到最优参数的模型。
(5)验证结果
将测试集以交叉验证的方式读入模型,优化模型的损失值和准确率。图5为本发明浮选泡沫图像测试集的检验结果,图5a为随着训练轮数损失函数的变化,图5b为随着训练轮数准确率的变化,准确率值基本都在90%以上。可以看出本发明的模型具有高的准确率。
(6)验证模型
将步骤4.1准备好的验证集读入模型,验证模型的泛化能力。验证60次结果如图6所示,验证准确率最高可以达到90%,说明模型具有较优的泛化性能。
(7)现场验证
浮选泡沫灰分通常由化验室检测得到,检测环节非常耗时。本发明在选煤厂浮选车间采集了50个灰分及其浮选泡沫图片,并将其与模型的预测灰分值进行比较,结果如附图7所示,50个灰分标签预测错了4个值,结果基本达到了对浮选精煤灰分的准确预测。相对于人工肉眼观察泡沫指导浮选操作的生产方式主观性强、误差大、效率低的现状,本发明可以高效、及时的在线预测浮选精煤灰分,具有广阔的应用前景。
Claims (6)
1.一种基于深度学习的煤泥浮选精煤灰分预测方法,其特征在于,包括以下步骤:
(1)组装图像采集硬件系统,所述系统包括CCD工业相机、定焦镜头、光源、透光玻璃、光源控制器、遮光罩、相机支架、千兆网线、计算机,将遮光罩安装在泡沫流速稳定、扰动小且具有代表性的浮选槽正上方,所述遮光罩为底部开口的长方体,在遮光罩的顶壁上安装所述相机支架,在相机支架上自上而下依次安装所述CCD工业相机、定焦镜头、光源及透光玻璃,并与所述浮选槽垂直相对应,CCD工业相机的Gige接口通过千兆网线与所述计算机相连,所述光源控制器安装在所述遮光罩上表面;
(2)硬件系统组装完毕后,开启图像自动采集系统,定时获取原始的煤泥浮选泡沫图像,同时在浮选机溢流堰刮板的正前方采集浮选精煤泡沫并化验灰分值,每次采样灰分对应连续采集的10帧图像;
(3)重复步骤(2)的操作获取一定数量的数据集,剔除个别模糊、失真的异常数据,按照灰分个位数的±0.5区间将数据集分成<5,6,7,8,9,10,11,12,>13共9个类别;
(4)对步骤(3)的数据集图像通过数据增强扩充数据集;
(5)取20%步骤(4)增强后的数据集作为验证集,其余80%数据集按照式(1)中交叉验证的方法划分训练集和测试集,即:
式中,D表示验证集之外的数据集,n表示D划分的n个大小相似的互斥子集,之后每次迭代取n-1个子集并作训练集,余下的子集作为测试集;
(6)将步骤(5)得到的训练集和测试集输入ResNet50卷积神经网络进行训练,具体步骤是:
a.浮选泡沫图像样本首先经过一个7×7的卷积层进行特征提取,步长设置为2使得图像的长宽减小为原来的一半,紧接着一个最大池化层降低图像的分辨率同时减少参数;
b.步骤a输出的64×56×56特征图x通过两条路径传输,一条是通过三个卷积层和三个激活函数得到F(x),另外一条是直接与输出建立恒等映射h(x)=x,本步骤输出如下式所示:
式中,y表示第L层残差模块单元的输出特征图,x表示i层的输入特征图,F表示i层特征经过卷积和激活操作之后得到的特征图;
如果恒等映射路线的输出通道与下个残差模块的输入通道维数不同,则需要一个1×1的卷积进行降维,输出特征如下:
式中,y表示第L层残差模块单元的输出特征图,Ws表示对输入的x特征进行卷积操作后的权重,x表示i层的输入特征图,F表示i层特征经过卷积和激活操作之后得到的特征图;
c.按照3,4,6,3的残差块数将步骤b依次经过4个特征提取阶段,且每个阶段第一个为下采样块,其余为残差块,经过4个阶段的特征提取后,浮选泡沫图像变成了一个2048×7×7的特征图;
d.步骤b中每个残差块使用ReLU激活函数激励模型,使一部分神经元的输出为0,增加模型的非线性关系;ReLU激活函数的表达式如下:
式中,x为前一个卷积层的输出。
e.将步骤c生成的特征图,传入一个平均池化层进行下采样操作,输出的特征图尺寸为2048×1×1;
f.将步骤e输出的特征向量通过softmax对当前煤泥泡沫图像所属类别的概率进行打分,将概率最高的灰分类别与实际的灰分区间类别进行比较,采用NLLLoss损失函数表示预测误差,其中概率计算函数softmax的计算公式如下:
式中S为模型预测当前泡沫图像对应第i个灰分标签的概率,Vi表示模型预测出属于第i个类别的数值,N表示本发明中的i个灰分标签值。
损失函数NLLLoss的计算公式如下:
式中N为本发明中的i个精煤灰分值标签,yi为第i个灰分值的预测概率,Si为上一步骤中计算出来的softmax函数值,L为NLLLoss损失函数计算的误差值;
g.比较浮选泡沫图像的真实灰分标签与预测标签,根据步骤f的损失函数计算灰分误差值,之后以loss值最小为目的,反复迭代训练模型120次,优化网络参数使模型达到最优;
(7)在上一步骤得到煤泥浮选泡沫图像的最优预测模型之后,通过验证集检测模型的泛化能力,最后在浮选现场生产中判断现场工况并指导生产。
2.根据权利要求1所述的一种基于深度学习的煤泥浮选精煤灰分预测方法,其特征在于,步骤(1)中所述光源为LED漫反射背光源。
3.根据权利要求1所述的一种基于深度学习的煤泥浮选精煤灰分预测方法,其特征在于,步骤(2)中煤泥浮选泡沫图像采集时间间隔设置为5000ms。
4.根据权利要求1所述的一种基于深度学习的煤泥浮选精煤灰分预测方法,其特征在于,步骤(4)中所述数据增强处理的操作方式为随机剪切、翻转、随机旋转、镜像中的一种或多种。
6.根据权利要求1所述的一种基于深度学习的煤泥浮选精煤灰分预测方法,其特征在于,为了满足选煤厂客户对煤质的要求,对预测的标签进行标注,将满足选煤厂灰分要求的预测值标注为“当前工况良好”,要求值附近分别标注为“当前灰分值偏低”、“当前灰分值偏高”,远小于或大于现场要求值标注为警告,预示着可能存在“精矿背灰”、“尾矿跑粗”的工况发生。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010597978.6A CN111753912A (zh) | 2020-06-28 | 2020-06-28 | 一种基于深度学习的煤泥浮选精煤灰分预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010597978.6A CN111753912A (zh) | 2020-06-28 | 2020-06-28 | 一种基于深度学习的煤泥浮选精煤灰分预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111753912A true CN111753912A (zh) | 2020-10-09 |
Family
ID=72677563
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010597978.6A Pending CN111753912A (zh) | 2020-06-28 | 2020-06-28 | 一种基于深度学习的煤泥浮选精煤灰分预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111753912A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112246428A (zh) * | 2020-11-04 | 2021-01-22 | 国家能源集团乌海能源有限责任公司 | 煤炭浮选方法及系统 |
CN112798467A (zh) * | 2020-12-15 | 2021-05-14 | 中煤科工集团唐山研究院有限公司 | 一种基于高速显微视觉的智能在线测灰装置及检测方法 |
CN113128126A (zh) * | 2021-04-26 | 2021-07-16 | 湖南理工学院 | 一种基于生成对抗网络的浮选加药过程的建模方法 |
CN113191452A (zh) * | 2021-05-21 | 2021-07-30 | 中国矿业大学(北京) | 一种基于深度学习的煤灰分在线检测系统及其检测方法 |
CN113450332A (zh) * | 2021-06-30 | 2021-09-28 | 澳谱特科技(上海)有限公司 | 一种粉煤灰玻璃微珠识别方法与识别装置 |
CN113608510A (zh) * | 2021-08-04 | 2021-11-05 | 中国矿业大学 | 一种选煤单机设备智能控制系统控制方法 |
CN114897835A (zh) * | 2022-05-16 | 2022-08-12 | 中国矿业大学 | 一种基于图像的煤炭产品灰分实时检测系统 |
CN115114965A (zh) * | 2022-08-29 | 2022-09-27 | 中国长江三峡集团有限公司 | 风电机组齿轮箱故障诊断模型、方法、设备及存储介质 |
CN115389376A (zh) * | 2022-10-28 | 2022-11-25 | 佛山科学技术学院 | 基于层析滤纸采样的静态煤泥浮选图像灰分检测方法 |
CN116385455A (zh) * | 2023-05-22 | 2023-07-04 | 北京科技大学 | 基于梯度场标签的浮选泡沫图像实例分割方法和装置 |
CN116503737A (zh) * | 2023-05-10 | 2023-07-28 | 中国人民解放军61646部队 | 基于空间光学图像的船舶检测方法和装置 |
CN117092050A (zh) * | 2023-09-13 | 2023-11-21 | 佛山科学技术学院 | 基于光谱多模态时序学习的煤泥浮选灰分检测方法及系统 |
WO2023221473A1 (zh) * | 2022-05-18 | 2023-11-23 | 中国矿业大学 | 一种块煤浅槽分选过程的精煤灰分在线软测量方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105486661A (zh) * | 2016-01-28 | 2016-04-13 | 山西汾西矿业(集团)有限责任公司 | 一种基于高斯过程的近红外光谱煤灰分快速检测方法 |
CN107886073A (zh) * | 2017-11-10 | 2018-04-06 | 重庆邮电大学 | 一种基于卷积神经网络的细粒度车辆多属性识别方法 |
CN108831530A (zh) * | 2018-05-02 | 2018-11-16 | 杭州机慧科技有限公司 | 基于卷积神经网络的菜品营养成分计算方法 |
CN110220908A (zh) * | 2019-07-02 | 2019-09-10 | 太原理工大学 | 一种浮选精煤灰分的在线检测系统及其在线检测方法 |
RU2715302C1 (ru) * | 2018-12-10 | 2020-02-26 | Федеральное государственное бюджетное учреждение науки Институт теплофизики им. С.С. Кутателадзе Сибирского отделения Российской академии наук (ИТ СО РАН) | Автоматическая система диагностики процесса сжигания пылеугольного топлива в камере сгорания |
-
2020
- 2020-06-28 CN CN202010597978.6A patent/CN111753912A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105486661A (zh) * | 2016-01-28 | 2016-04-13 | 山西汾西矿业(集团)有限责任公司 | 一种基于高斯过程的近红外光谱煤灰分快速检测方法 |
CN107886073A (zh) * | 2017-11-10 | 2018-04-06 | 重庆邮电大学 | 一种基于卷积神经网络的细粒度车辆多属性识别方法 |
CN108831530A (zh) * | 2018-05-02 | 2018-11-16 | 杭州机慧科技有限公司 | 基于卷积神经网络的菜品营养成分计算方法 |
RU2715302C1 (ru) * | 2018-12-10 | 2020-02-26 | Федеральное государственное бюджетное учреждение науки Институт теплофизики им. С.С. Кутателадзе Сибирского отделения Российской академии наук (ИТ СО РАН) | Автоматическая система диагностики процесса сжигания пылеугольного топлива в камере сгорания |
CN110220908A (zh) * | 2019-07-02 | 2019-09-10 | 太原理工大学 | 一种浮选精煤灰分的在线检测系统及其在线检测方法 |
Non-Patent Citations (4)
Title |
---|
KAIMING HE 等: "Deep Residual Learning for Image Recognition", 《2016 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》, pages 770 - 778 * |
郭西进 等: "基于深度卷积网络的煤 泥浮选尾矿灰分检测方 法研究", 《煤炭技术》, vol. 39, no. 02, pages 144 - 146 * |
郭西进;于国防;陈晓天;王广胜;: "基于径向基神经网络的浮选精煤灰分预测", 《选煤技术》, no. 05, pages 69 - 72 * |
郭西进;魏凌敖;杨春宝;: "基于深度卷积网络的煤泥浮选尾矿灰分检测方法研究", 《煤炭技术》, vol. 39, no. 02, pages 144 - 146 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112246428A (zh) * | 2020-11-04 | 2021-01-22 | 国家能源集团乌海能源有限责任公司 | 煤炭浮选方法及系统 |
CN112798467A (zh) * | 2020-12-15 | 2021-05-14 | 中煤科工集团唐山研究院有限公司 | 一种基于高速显微视觉的智能在线测灰装置及检测方法 |
CN113128126A (zh) * | 2021-04-26 | 2021-07-16 | 湖南理工学院 | 一种基于生成对抗网络的浮选加药过程的建模方法 |
CN113191452A (zh) * | 2021-05-21 | 2021-07-30 | 中国矿业大学(北京) | 一种基于深度学习的煤灰分在线检测系统及其检测方法 |
CN113450332A (zh) * | 2021-06-30 | 2021-09-28 | 澳谱特科技(上海)有限公司 | 一种粉煤灰玻璃微珠识别方法与识别装置 |
CN113608510A (zh) * | 2021-08-04 | 2021-11-05 | 中国矿业大学 | 一种选煤单机设备智能控制系统控制方法 |
CN114897835A (zh) * | 2022-05-16 | 2022-08-12 | 中国矿业大学 | 一种基于图像的煤炭产品灰分实时检测系统 |
CN114897835B (zh) * | 2022-05-16 | 2023-04-28 | 中国矿业大学 | 一种基于图像的煤炭产品灰分实时检测系统 |
WO2023221473A1 (zh) * | 2022-05-18 | 2023-11-23 | 中国矿业大学 | 一种块煤浅槽分选过程的精煤灰分在线软测量方法 |
CN115114965A (zh) * | 2022-08-29 | 2022-09-27 | 中国长江三峡集团有限公司 | 风电机组齿轮箱故障诊断模型、方法、设备及存储介质 |
CN115389376A (zh) * | 2022-10-28 | 2022-11-25 | 佛山科学技术学院 | 基于层析滤纸采样的静态煤泥浮选图像灰分检测方法 |
CN116503737A (zh) * | 2023-05-10 | 2023-07-28 | 中国人民解放军61646部队 | 基于空间光学图像的船舶检测方法和装置 |
CN116503737B (zh) * | 2023-05-10 | 2024-01-09 | 中国人民解放军61646部队 | 基于空间光学图像的船舶检测方法和装置 |
CN116385455A (zh) * | 2023-05-22 | 2023-07-04 | 北京科技大学 | 基于梯度场标签的浮选泡沫图像实例分割方法和装置 |
CN116385455B (zh) * | 2023-05-22 | 2024-01-26 | 北京科技大学 | 基于梯度场标签的浮选泡沫图像实例分割方法和装置 |
CN117092050A (zh) * | 2023-09-13 | 2023-11-21 | 佛山科学技术学院 | 基于光谱多模态时序学习的煤泥浮选灰分检测方法及系统 |
CN117092050B (zh) * | 2023-09-13 | 2024-02-27 | 佛山科学技术学院 | 基于光谱多模态时序学习的煤泥浮选灰分检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111753912A (zh) | 一种基于深度学习的煤泥浮选精煤灰分预测方法 | |
CN110598736B (zh) | 一种电力设备红外图像故障定位、识别与预测方法 | |
CN104764744B (zh) | 一种禽蛋新鲜度的视觉检测装置及其方法 | |
CN110021425B (zh) | 一种比较检测器及其构建方法与宫颈癌细胞检测方法 | |
CN103344583B (zh) | 一种基于机器视觉的镨-钕(Pr/Nd)组分含量检测系统及方法 | |
CN108509954A (zh) | 一种实时交通场景的多车牌动态识别方法 | |
Wen et al. | Deep learning-based ash content prediction of coal flotation concentrate using convolutional neural network | |
CN113191452B (zh) | 一种基于深度学习的煤灰分在线检测系统及其检测方法 | |
CN108492291A (zh) | 一种基于cnn分割的太阳能光伏硅片瑕疵检测系统及方法 | |
CN110751644B (zh) | 道路表面裂纹检测方法 | |
CN109655466A (zh) | 一种基于机器视觉的矸石带煤率在线检测方法及装置 | |
CN113449743B (zh) | 一种煤尘颗粒特征提取方法 | |
CN110569730A (zh) | 一种基于U-net神经网络模型的路面裂缝自动识别方法 | |
CN111753707B (zh) | 颗粒状农作物不完善粒检测方法及系统 | |
CN109815945A (zh) | 一种基于图像识别的呼吸道检查结果判读系统和方法 | |
CN109978771A (zh) | 基于内容分析的细胞图像快速融合方法 | |
CN112614105B (zh) | 一种基于深度网络的3d点云焊点缺陷检测方法 | |
CN106874929A (zh) | 一种基于深度学习的珍珠分类方法 | |
CN115131561A (zh) | 基于多尺度特征提取与融合的钾盐浮选泡沫图像分割方法 | |
CN116168270A (zh) | 基于并行深度残差网络的轻量化煤矸石检测模型及方法 | |
CN115035082B (zh) | 一种基于YOLOv4改进算法的航空器透明件缺陷检测方法 | |
CN109115775A (zh) | 一种基于机器视觉的槟榔等级检测方法 | |
CN116051586A (zh) | 一种适用于检测浅色系胶水轮廓的检测方法 | |
CN115205255A (zh) | 基于深度学习的石料自动分级方法与系统 | |
CN113408480B (zh) | 基于骨髓细胞形态学的血液疾病人工智能辅助诊断系统 |
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 |