CN114383985B - 基于多参数特征融合的浮选精矿品位检测方法 - Google Patents
基于多参数特征融合的浮选精矿品位检测方法 Download PDFInfo
- Publication number
- CN114383985B CN114383985B CN202111599761.XA CN202111599761A CN114383985B CN 114383985 B CN114383985 B CN 114383985B CN 202111599761 A CN202111599761 A CN 202111599761A CN 114383985 B CN114383985 B CN 114383985B
- Authority
- CN
- China
- Prior art keywords
- flotation
- image
- concentrate
- concentrate grade
- grade
- 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.)
- Active
Links
- 239000012141 concentrate Substances 0.000 title claims abstract description 130
- 238000005188 flotation Methods 0.000 title claims abstract description 123
- 238000001514 detection method Methods 0.000 title claims abstract description 28
- 230000004927 fusion Effects 0.000 title claims abstract description 18
- 239000002245 particle Substances 0.000 claims abstract description 102
- 229910052500 inorganic mineral Inorganic materials 0.000 claims abstract description 70
- 239000011707 mineral Substances 0.000 claims abstract description 70
- 238000013528 artificial neural network Methods 0.000 claims abstract description 57
- 239000006260 foam Substances 0.000 claims abstract description 40
- 238000005516 engineering process Methods 0.000 claims abstract description 19
- 238000005457 optimization Methods 0.000 claims abstract description 19
- 238000009826 distribution Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000000034 method Methods 0.000 claims description 45
- 238000007667 floating Methods 0.000 claims description 31
- 238000005259 measurement Methods 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 17
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000000306 recurrent effect Effects 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000002790 cross-validation Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 230000005484 gravity Effects 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 6
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 239000003086 colorant Substances 0.000 claims description 3
- 238000003708 edge detection Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000011010 flushing procedure Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000015654 memory Effects 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 239000002904 solvent Substances 0.000 claims description 3
- 238000005303 weighing Methods 0.000 claims description 3
- 239000002002 slurry Substances 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 5
- 239000011521 glass Substances 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 239000007921 spray Substances 0.000 description 3
- 238000005507 spraying Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000003595 mist Substances 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 239000012466 permeate Substances 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000004876 x-ray fluorescence Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/02—Investigating particle size or size distribution
- G01N15/0205—Investigating particle size or size distribution by optical means
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/02—Investigating particle size or size distribution
- G01N15/0205—Investigating particle size or size distribution by optical means
- G01N15/0211—Investigating a scatter or diffraction pattern
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/02—Analysing fluids
- G01N29/032—Analysing fluids by measuring attenuation of acoustic waves
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N9/00—Investigating density or specific gravity of materials; Analysing materials by determining density or specific gravity
- G01N9/02—Investigating density or specific gravity of materials; Analysing materials by determining density or specific gravity by measuring weight of a known volume
- G01N9/04—Investigating density or specific gravity of materials; Analysing materials by determining density or specific gravity by measuring weight of a known volume of fluids
-
- 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
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20152—Watershed segmentation
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30136—Metal
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Immunology (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Dispersion Chemistry (AREA)
- Quality & Reliability (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Acoustics & Sound (AREA)
- Probability & Statistics with Applications (AREA)
- Geometry (AREA)
- Paper (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种基于多参数特征融合的浮选精矿品位检测方法，包括如下步骤：(1)采集浮选矿物颗粒及浮选泡沫图像；(2)基于图像处理技术检测采集到的矿物颗粒图像粒度分布情况；(3)提取浮选泡沫的图像特征，建立样本数据库；(4)在线测量矿浆浓度及密度指标；(5)利用矿浆浓度、密度与精矿品位之间的数学关系建立多变量精矿品位预测模型；(6)基于五种不同的神经网络分别建立不同的精矿品位预测模型；(7)利用粒子群算法建立的精矿品位预测模型参数进行多变量联合优化，将六种模型输出结果累加和的平均值作为最终浮选精矿品位预测模型的输出值Y，即精矿品位的检测值。其优点是：根据预测模型，浮选精矿品位检测准确率和精度更高。
Description
技术领域
本发明属于矿山开发中的浮选精矿品位检测分析技术领域，尤其是涉及一种基于多参数特征融合的浮选精矿品位检测方法。
背景技术
精矿品位是表征浮选过程产品质量和生产效率的关键工艺指标，将精矿品位控制在目标值范围内具有重要意义。浮选矿浆粒度、浓度、浮选泡沫特征都会对最终的精矿品位产生影响。但精矿品位、矿浆浓度及粒度难以实现在线连续检测，通常通过控制浮选槽液位、浮选药剂等进行间接控制，且精矿品位与这些变量之间具有强耦合和非线性特性。近年来矿山企业从国外购买粒度仪，品位仪等高精密监测仪表，能够实现浮选过程参数的检测，但是精矿品位在线测量仪表价格昂贵，维护复杂，且仪表的敏感元件易老化，仪表精度很难长期保持稳定。由于浮选泡沫和矿浆图像的状态都能反应浮选矿浆的精矿品位，随着图像识别技术的发展，基于图像识别原理的精矿品位分析方法也渗透到了铁矿浮选生产过程中。通过工业相机在线摄取浮选泡沫图像，利用图像预处理技术、分割技术经由支持向量机和神经网络预测精矿品位。
在查阅相关论文文献过程中发现，关于浮选精矿品位的建模方法大多仅针对浮选泡沫图像和矿物颗粒图像进行研究，但在实际情况中，影响最终精矿品位的不单单只是图像参数，还与给矿流量、给矿品位、矿浆浓度等参数有关。目前普遍应用的自动化精矿品位检测技术包括X射线荧光分析，但是射线式品位仪在使用过程中存在危险性，管理起来比较困难，对周围环境和员工身体健康有潜在的危害性。故本发明提出了一种利用超声波技术在线测量浮选矿浆浓度，同时融合图像识别技术，基于神经网络建立多参数特征融合的浮选精矿品位软测量模型的方法。
发明内容
本发明的目的是提出一种基于多参数特征融合的浮选精矿品位检测方法，通过在线测量浮选矿浆粒度、浓度、密度及泡沫特征，建立高精度、高准确率的浮选精矿品位预测模型，稳定精矿产品质量和产量，提高矿山企业的经济效益。
本发明的目的是通过下述技术方案来实现的：
本发明的一种基于多参数特征融合的浮选精矿品位检测方法，其特征在于包括以下步骤：
步骤(1)利用高精度工业相机(MV-VS030FC-L型号)采集浮选矿物颗粒及浮选泡沫图像；
步骤(2)基于图像处理技术检测采集到的矿物颗粒图像粒度分布情况；
步骤(3)提取浮选泡沫的图像特征，建立浮选泡沫表面纹理视觉特征与对应精矿品位的样本数据库；
步骤(4)利用超声波传感器和浮球配重探测器在线测量矿浆浓度及密度指标；
步骤(5)利用矿浆浓度、密度与精矿品位之间的数学关系建立多变量精矿品位预测模型；
步骤(6)基于五种不同的神经网络分别建立不同的精矿品位预测模型；
步骤(7)利用粒子群算法对步骤(6)中建立的五种模型与步骤(5)中建立的精矿品位预测模型参数进行多变量联合优化，将六种模型输出结果累加和的平均值作为最终浮选精矿品位预测模型的输出值Y，即精矿品位的检测值。
优选地，所述的步骤(1)是在浮选槽正上方固定一个高精度工业相机，利用动态机械手臂操纵矿浆采样装置，将提取到的矿浆样本置于图像采集平台上，采集浮选矿物颗粒图像和浮选泡沫图像。
优选地，所述的步骤(2)中基于图像处理技术检测采集到的矿物颗粒图像粒度分布情况；包括下列步骤：
2.1.对采集到的矿物颗粒图像进行预处理；首先将采集到的矿物颗粒图像转换成数字信号传输到计算机，通过灰度化、中值滤波、图像增强及二值化对采集的矿物颗粒图进行预处理；
2.2.对处理后的矿物颗粒图像进行形态学重构和种子提取，运用分水岭算法分割粘连的矿物颗粒边界；
2.3.然后利用基于区域生长的分水岭算法分割图像中的矿物颗粒，在传统Canny算子检测算法中引入8链码技术提取分割后的矿物颗粒边界信息，获取其面积s和周长l参数，并利用公式(1)计算矿物颗粒粒径Dd：
其中颗粒的长、短轴半径a*、b*由公式(2)定义：
最后基于双目视觉技术建立矿物颗粒的体积模型，统计分析粒度分布情况。
优选地，所述的步骤(3)中提取浮选泡沫的图像特征，建立浮选泡沫表面纹理视觉特征与对应精矿品位的样本数据库；包括下列步骤：
3.1物理特征提取方法
采取颜色均值法在RGB空间提取浮选泡沫图像中红、绿、蓝各色的平均值，然后从RGB空间向HSV空间转换，提取泡沫图像的色调(H)，饱和度(S)和亮度(V)数值，将获取到的H、S、V参数作为浮选泡沫图像的颜色特征；
利用泡沫图像的面积s1和周长l1参数表征浮选泡沫的形状尺寸特征，将预处理后的浮选泡沫图像，应用分水岭分割和canny算子边缘检测算法提取泡沫边缘轮廓信息，将泡沫边缘轮廓所具有的像素点总个数和分割区域中相邻边缘点间距离之和，相应标记为该泡沫图像的面积和周长大小，相邻边缘点间距离由公式(3)所得：
d(fi,j,fm,n)＝max{|i-m|,|j-n|}＝1 (3)
式中，fi,j、fm,n分别为坐标位置(i,j)、(m,n)的相邻边缘点，
3.2纹理特征提取方法
选用LBP算子作为浮选泡沫图像局部灰度关系的纹理度量。首先针对图像中心像素点与局部P邻域像素点的灰度差值进行阈值处理，即公式(4)所示：
式中，T为阈值，
在获取泡沫图像LBP局部纹理特征的基础上，利用公式(5)计算泡沫纹理粗细度W；
式中，C为粗系数，表示整个图像纹理中P个相邻区域0、1的个数相差大于P-2时发生的概率；细系数X则表示0、1个数相等时发生的概率；
将以上步骤获取到的图像特征与人工取样检测的精矿品位参数对应起来，作为一组数据样本集，最终建立一个包含3000组数据集的数据库。
优选地，所述的步骤(4)中的利用超声波传感器和浮球配重探测器在线测量浮选矿浆浓度及密度指标中的浮选矿浆浓度指标是利用机械手臂抓取超声波探测器，将其置于无浮选泡沫的底层矿浆中，沉浸5-6分钟，传感器以厚度震荡模式向含有矿物颗粒的矿浆发送超声波，通过实时测量超声波的衰减值实现矿浆浓度指标的在线检测。
优选地，若矿浆中有悬浮矿物颗粒时的衰减系数和接收到的电压分别是(a0+a1)和E1，矿浆中无矿物颗粒即清水时的衰减系数和接收到的电压分别为a0和E0，超声波探测器的发射端到接收端之间的距离为L，发射电压是Er，则：
根据公式(6)计算超声波在矿浆介质中的衰减系数a1为：
由公式(7)获得当前测量点的浓度值Ypoint为：
Ypoint＝y1*a1
其中y1表示无矿物颗粒的矿浆样品浓度值，每隔8小时将超声波探测器取出，移动至清洁区域，冲刷超声波探测器头，用于防止矿浆过于附着，影响浓度测量标准。
优选地，所述的步骤(4)中的利用超声波传感器和浮球配重探测器在线测量浮选矿浆浓度及密度指标中的浮选矿浆密度指标是利用机械手臂抓取浮球配重探测器，在执行器的带动下，浮球配重探测器缓慢匀速地在浮选槽内做往返运动，行程在0-700mm范围内可调，周期在4-10分钟内可调；在运动过程中，浮球配重探测器会受到矿浆的浮力F1，牵引绳作用的拉力F2和自身重力G，F2由拉力传感器检测，为可测变量，重力G由预先秤量得出，为已知量；浮球配重探测器排开水的体积v为已知量；
因浮球配重探测器在矿浆内部匀速运动，故浮球受力平衡：
F1+F2＝G
其中ρ为矿浆密度，g＝9.8N/Kg。可根据公式(8)计算矿浆密度ρ：
优选地，所述的步骤(5)中利用矿浆浓度、密度与精矿品位之间的数学关系建立多变量精矿品位预测模型，是利用矿浆浓度、密度和精矿品位之间存在的数学关系，推算浮选精矿品位参数，
根据质量等例方程：Pj*V0＝Pg*V1+(V0-V1)Ps
推出：
已知矿浆重量百分比浓度：
将式(12)带入式(11)得：
将式(10)带入式(13)得：
其中Pj为矿浆密度，Pg为干矿密度，Ps为水密度(通常取值1g/cm3)，V0为矿浆体积，V1为干矿体积，Q为溶质含量，Rj为溶剂含量。
由式(14)推算干矿密度Pg为：
根据矿物密度Pg与精矿品位β之间变换关系：结合式(15)求得精矿理论品位β为：
将精矿理论品位β作为该多变量精矿品位预测模型的输出，记作Y6，参与最终模型的建立。
优选地，所述的步骤(6)中基于五种不同的神经网络分别建立不同的精矿品位预测模型；包括下列步骤：
将给矿品位、给矿流量、浮选泡沫图像特征、矿物颗粒粒度分布结果及矿浆浓度参数作为输入，与人工取样化验精矿品位结果组成一组训练样本，最终建成包含有3000组数据样本的浮选数据库，将3000组样本数据按80％和20％的比例划分为2400组内部学习训练集和600组外部独立测试集，基于五种不同的神经网络，即RBF神经网络、Elman神经网络、BP神经网络、支持向量回归和递归神经网络，分别建立精矿品位预测模型，基于五种不同神经网络建立的模型的输出值分被设为Y1、Y2、Y3、Y4、Y5。
优选地，所述的步骤(7)中利用粒子群算法对步骤(6)中建立的五种模型与步骤(5)中建立的精矿品位预测模型参数进行多变量联合优化，将六种模型输出结果累加和的平均值作为最终浮选精矿品位预测模型的输出值Y，即精矿品位的检测值；包括下列步骤：
每种神经网络的优化参数选取如下：
(1)RBF神经网络：基函数中心向量与宽度、隐含层与输出层的权值；
(2)Elman神经网络：隐含层节点数，偏差值；
(3)BP神经网络：权值、阈值；
(4)支持向量回归：惩罚参数、核函数参数；
(5)递归神经网络：输入层与隐含层的权重U1、隐含层到输出层的参数V1、记忆单元与隐含层的权重W1；
将以上神经网络包含的12个优化参数作为一组矩阵集合，利用粒子群算法寻优，算法的种群规模大小SN为50，维度设置为100，适应度值最大评估次数为3000次，将十折交叉验证精度作为粒子群算法的适应度函数，选取十折交叉验证精度最大的组合参数作为神经网络的最佳参数，并依次分配给神经网络，作为各精矿品位预测模型的结构参数，将各模型预测值Y1、Y2、Y3、Y4、Y5、Y8代入公式(16)计算模型输出平均值Y，并将Y作为浮选精矿品位预测模型的最终输出值：
利用内部训练样本测试模型性能，随后用测试集进行验证，将均方根误差RMSE、拟合系数R2和外部独立测试精度作为模型的评价指标。若最终模型的偏差预测结果处于正负2％范围内，则认为建模成功，模型可以进入工业应用环节，且浮选精矿品位预测模型的最终输出值Y就是精矿品位的检测值。
本发明的优点是：
本发明提出的基于多参数特征融合的浮选精矿品位检测方法，能够实现矿物颗粒粒度、浮选泡沫图像特征、矿浆浓度及密度的实时在线测量。通过多种建模方法能够相互弥补测量精度问题，克服现存单一建模方式存在的误差。在粒子群算法优化模型参数过程中引入多变量联合优化，进一步提高了模型性能和稳定性，最终实现高精度、高准确率的浮选精矿品位检测。通过以上方法可以有效缓解矿山企业所面临的高精度仪表采购价格昂贵、维护困难的现状，也能较好弥补随使用时间增加导致的仪表精度降低的问题。
附图说明
图1为本发明基于多参数特征融合建立浮选精矿品位预测模型流程图。
图2为本发明矿物颗粒图像采集平台设计图。
具体实施方式
下面结合附图进一步说明本发明的具体实施方案。
如图1-2所示，本发明基于多参数特征融合的浮选精矿品位检测方法，其特征在于包括如下步骤：
步骤(1)利用高精度工业相机(MV-VS030FC-L型号)采集浮选矿物颗粒及浮选泡沫图像；
所述的步骤(1)是在浮选槽正上方固定一个高精度工业相机，利用动态机械手臂抓取矿浆采样装置的杆头部分，浸入浮选槽，提取矿浆底层沉淀物，将提取到的矿浆样本倾倒在如图2所示的矿物颗粒图像采集平台的矿浆溜槽d上，该矿浆溜槽材料为镀有铝膜的厚玻璃板。微倾斜矿浆溜槽，与地面成30°角，能够有效滤除多余液体，保证百分之九十的矿物颗粒沉淀在厚玻璃板上。此时玻璃板上的矿物颗粒分布不均匀，易聚集粘连。在厚玻璃板左侧设置一个配有雾状喷头的喷水装置c，待矿物颗粒沉淀40-60s后，启动喷水装置，在距离玻璃板10-15cm远处喷洒两次，静待20s后，利用装有高清显微镜头的工业相机b，在距离喷水点5cm处取样，完成矿浆颗粒图像采集工作，工业相机外的防护罩a能有效降低水雾对相机使用寿命造成的伤害。待图像采集完成后，利用高压喷头清洗厚玻璃板上的矿物颗粒样本，防止遗留矿浆样本对后期采样工作的影响。
步骤(2)基于图像处理技术检测采集到的矿物颗粒图像粒度分布情况；
所述的步骤(2)中基于图像处理技术检测采集到的矿物颗粒图像粒度分布情况；包括下列步骤：
2.1.对采集到的矿物颗粒图像进行预处理；首先将采集到的矿物颗粒图像转换成数字信号传输到计算机，通过灰度化、中值滤波、图像增强及二值化对采集的矿物颗粒图进行预处理；
2.2.对处理后的矿物颗粒图像进行形态学重构和种子提取，运用分水岭算法分割粘连的矿物颗粒边界；
2.3.然后利用基于区域生长的分水岭算法分割图像中的矿物颗粒，在传统Canny算子检测算法中引入8链码技术提取分割后的矿物颗粒边界信息，获取其面积s和周长l参数，并利用公式(1)计算矿物颗粒粒径Dd：
其中颗粒的长、短轴半径a*、b*由公式(2)定义：
最后基于双目视觉技术建立矿物颗粒的体积模型，统计分析粒度分布情况。
步骤(3)提取浮选泡沫的图像特征，建立浮选泡沫表面纹理视觉特征与对应精矿品位的样本数据库；
所述的步骤(3)中提取浮选泡沫的图像特征，建立浮选泡沫表面纹理视觉特征与对应精矿品位的样本数据库；包括下列步骤：
3.1物理特征提取方法
采取颜色均值法在RGB空间提取浮选泡沫图像中红、绿、蓝各色的平均值，然后从RGB空间向HSV空间转换，提取泡沫图像的色调(H)，饱和度(S)和亮度(V)数值，将获取到的H、S、V参数作为浮选泡沫图像的颜色特征；
利用泡沫图像的面积s1和周长l1参数表征浮选泡沫的形状尺寸特征，将预处理后的浮选泡沫图像，应用分水岭分割和canny算子边缘检测算法提取泡沫边缘轮廓信息，将泡沫边缘轮廓所具有的像素点总个数和分割区域中相邻边缘点间距离之和，相应标记为该泡沫图像的面积和周长大小，相邻边缘点间距离由公式(3)所得：
d(fi,j,fm,n)＝max{|i-m|,|j-n|}＝1 (3)
式中，fi,j、fm,n分别为坐标位置(i,j)、(m,n)的相邻边缘点，
3.2纹理特征提取方法
选用LBP算子作为浮选泡沫图像局部灰度关系的纹理度量。首先针对图像中心像素点与局部P邻域像素点的灰度差值进行阈值处理，即公式(4)所示：
式中，T为阈值，分析实验结果发现，当灰度值大于6.5时，中心点与周围像素的误差概率小于0.1，当灰度差值小于6.5时，概率密度较大，故将6.5设为最佳阈值T。最佳阈值T的选取能够在极大程度上降低因光照、粉尘等客观原因对LBP计算造成的影响。
在获取泡沫图像LBP局部纹理特征的基础上，利用公式(5)计算泡沫纹理粗细度W；
式中，C为粗系数，表示整个图像纹理中P个相邻区域0、1的个数相差大于P-2时发生的概率；细系数X则表示0、1个数相等时发生的概率；
将以上步骤获取到的图像特征与人工取样检测的精矿品位参数对应起来，作为一组数据样本集，最终建立一个包含3000组数据集的数据库。
步骤(4)利用超声波传感器和浮球配重探测器在线测量浮选矿浆浓度及密度指标；
所述的步骤(4)中的利用超声波传感器和浮球配重探测器在线测量浮选矿浆浓度及密度指标中的浮选矿浆浓度指标是利用机械手臂抓取超声波探测器，将其置于无浮选泡沫的底层矿浆中，沉浸5-6分钟，传感器以厚度震荡模式向含有矿物颗粒的矿浆发送超声波，通过实时测量超声波的衰减值实现矿浆浓度指标的在线检测；
若矿浆中有悬浮矿物颗粒时的衰减系数和接收到的电压分别是(a0+a1)和E1，矿浆中无矿物颗粒即清水时的衰减系数和接收到的电压分别为a0和E0，超声波探测器的发射端到接收端之间的距离为L，发射电压是Er，则：
根据公式(6)计算超声波在矿浆介质中的衰减系数a1为：
由公式(7)获得当前测量点的浓度值Ypoint为：
Ypoint＝y1*a1
其中y1表示无矿物颗粒的矿浆样品浓度值，每隔8小时将超声波探测器取出，移动至清洁区域，冲刷超声波探测器头，用于防止矿浆过于附着，影响浓度测量标准。
所述的步骤(4)中的利用超声波传感器和浮球配重探测器在线测量浮选矿浆浓度及密度指标中的浮选矿浆密度指标是利用机械手臂抓取浮球配重探测器，在执行器的带动下，浮球配重探测器缓慢匀速地在浮选槽内做往返运动，行程在0-700mm范围内可调，周期在4-10分钟内可调；在运动过程中，浮球配重探测器会受到矿浆的浮力F1，牵引绳作用的拉力F2和自身重力G，F2由拉力传感器检测，为可测变量，重力G由预先秤量得出，为已知量；浮球配重探测器排开水的体积v为已知量；
因浮球配重探测器在矿浆内部匀速运动，故浮球受力平衡：
F1+F2＝G
其中ρ为矿浆密度，g＝9.8N/Kg。可根据公式(8)计算矿浆密度ρ：
步骤(5)利用矿浆浓度、密度与精矿品位之间的数学基理建立基于多变量的理论精矿品位预测模型；
所述的步骤(5)中利用矿浆浓度、密度与精矿品位之间的数学关系建立多变量精矿品位预测模型，是利用矿浆浓度、密度和精矿品位之间存在的数学关系，推算浮选精矿品位参数，
根据质量等例方程：Pj*V0＝Pg*V1+(V0-V1)Ps
推出：
已知矿浆重量百分比浓度：
将式(12)带入式(11)得：
将式(10)带入式(13)得：
其中Pj为矿浆密度，Pg为干矿密度，Ps为水密度(通常取值1g/cm3)，V0为矿浆体积，V1为干矿体积，Q为溶质含量，Rj为溶剂含量。
由式(14)推算干矿密度Pg为：
根据矿物密度Pg与精矿品位β之间变换关系：结合式(15)求得精矿理论品位β为：
将精矿理论品位β作为该多变量精矿品位预测模型的输出，记作Y6，参与最终模型的建立。
步骤(6)基于五种不同的神经网络分别建立不同的精矿品位预测模型；
所述的步骤(6)中基于五种不同的神经网络分别建立不同的精矿品位预测模型；包括下列步骤：
将给矿品位、给矿流量、浮选泡沫图像特征、矿物颗粒粒度分布结果及矿浆浓度参数作为输入，与人工取样化验精矿品位结果组成一组训练样本，最终建成包含有3000组数据样本的浮选数据库，并将3000组样本数据按80％和20％的比例划分为2400组内部学习训练集和600组外部独立测试集，基于五种不同的神经网络，即RBF神经网络、Elman神经网络、BP神经网络、支持向量回归和递归神经网络，分别建立精矿品位预测模型，基于五种不同神经网络建立的模型的输出值分被设为Y1、Y2、Y3、Y4、Y5。
各神经网络的优点如下：
(1)RBF神经网络：泛化能力强，属于前馈型神经网络，有较好的全局逼近能力；
(2)Elman神经网络：具有短期记忆功能和适应时变特性的能力，全局稳定性强，能够实现快速寻优；
(3)BP神经网络：具有较强的非线性映射能力和容错性；
(4)支持向量回归：具有向高维空间的映射的能力，能够利用核函数实现非线性回归；
(5)递归神经网络：能够实现隐含层神经元的相互交流，以信息方式将输出结果存储在隐含层。
步骤(7)利用粒子群算法对步骤(6)中建立的五种模型与步骤(5)中建立的精矿品位预测模型参数进行多变量联合优化，将六种模型输出结果累加和的平均值作为最终浮选精矿品位预测模型的输出值Y，即精矿品位的检测值。
所述的步骤(7)利用粒子群算法对步骤(6)中建立的五种模型与步骤(5)中建立的精矿品位预测模型参数进行多变量联合优化，将六种模型输出结果累加和的平均值作为最终浮选精矿品位预测模型的输出值Y，即精矿品位的检测值；包括下列步骤：
每种神经网络的优化参数选取如下：
(1)RBF神经网络：基函数中心向量与宽度、隐含层与输出层的权值；
(2)Elman神经网络：隐含层节点数，偏差值；
(3)BP神经网络：权值、阈值；
(4)支持向量回归：惩罚参数、核函数参数；
(5)递归神经网络：输入层与隐含层的权重U1、隐含层到输出层的参数V1、记忆单元与隐含层的权重W1；
将以上神经网络包含的12个优化参数作为一组矩阵集合，利用粒子群算法寻优，算法的种群规模大小SN为50，维度设置为12，适应度值最大评估次数为3000次，将十折交叉验证精度作为粒子群算法的适应度函数，选取十折交叉验证精度最大的组合参数作为神经网络的最佳参数，并依次分配给神经网络，作为各精矿品位预测模型的结构参数，将各模型预测值Y1、Y2、Y3、Y4、Y5、Y6代入公式(16)计算模型输出平均值Y，并将Y作为浮选精矿品位预测模型的最终输出值，该操作能有效提高预测模型精度，减小测量误差。
利用内部训练样本测试模型性能，随后用外部独立测试集进行验证，将均方根误差RMSE、拟合系数R2和外部独立测试精度作为模型的评价指标，具体公式如下：
其中，n为训练集数量；ytnain(i)和ypnsdict(i)分别为第i个模型训练集实际值、预测值；和/>分别表示训练集实际值、预测值的均值；ytrain(i)′和ypnsdict(i)′分别表示测试集实际值、预测值；/>表示测试集预测值的均值。
若最终模型的偏差预测结果处于正负2％范围内，则认为建模成功，模型可以进入工业应用环节，且浮选精矿品位预测模型的最终输出值Y就是精矿品位的检测值。运用多变量联合优化方法建立的浮选精矿品位软测量模型实验结果与单一建模手段建立的预测数值对比结果如下表所示：
分析表中数据可知，本发明提出的多变量联合优化建模方法具备良好的预测能力和稳定性。其中，均方根误差RMSE为0.0138，低于基于单一建模手段建立的浮选精矿品位模型的评价指标，拟合系数R2和外部独立测试精度分别为0.9714和0.9864，均优于其他单一模型，从数值层面能够清晰反映出利用多变量联合优化手段所建立的浮选精矿品位预测模型，预测精度更高，拟合效果更好。
综上所述，提出的基于多参数特征融合的浮选精矿品位检测方法，能够实现矿物颗粒粒度、浮选泡沫图像特征、矿浆浓度及密度的实时在线测量。通过多种建模方法能够相互弥补测量精度问题，克服现存单一建模方式存在的误差。基于多模型联合优化神经网络初始参数的方法所建立的浮选精矿品位预测模型准确率、预测精度更高。通过以上方法可以有效缓解矿山企业所面临的高精度仪表采购价格昂贵、维护困难的现状，也能较好弥补随使用时间增加导致的仪表精度降低的问题。进一步稳定精矿产品质量和产量，提高矿山企业的经济效益。
Claims (8)
1.一种基于多参数特征融合的浮选精矿品位检测方法，其特征在于包括以下步骤：
步骤(1)利用高精度工业相机MV-VS030FC-L型号采集浮选矿物颗粒及浮选泡沫图像；
步骤(2)基于图像处理技术检测采集到的矿物颗粒图像粒度分布情况；
步骤(3)提取浮选泡沫的图像特征，建立浮选泡沫表面纹理视觉特征与对应精矿品位的样本数据库；
步骤(4)利用超声波传感器在线测量浮选矿浆浓度，利用浮球配重探测器在线测量浮选矿浆密度指标；
步骤(5)利用矿浆浓度、密度与精矿品位之间的数学关系建立多变量精矿品位预测模型；
所述的步骤(5)中利用矿浆浓度、密度与精矿品位之间的数学关系建立多变量精矿品位预测模型，是利用矿浆浓度、密度和精矿品位之间存在的数学关系，推算浮选精矿品位参数，
根据质量等例方程：Pj*V0＝Pg*V1+(V0-V1)Ps
推出：
已知矿浆重量百分比浓度：
将式(12)带入式(11)得：
将式(10)带入式(13)得：
其中Pj为矿浆密度，Pg为干矿密度，Ps为水密度通常取值1g/cm3，V0为矿浆体积，V1为干矿体积，Q为溶质含量，Rj为溶剂含量；
由式(14)推算干矿密度Pg为：
根据矿物密度Pg与精矿品位β之间变换关系：结合式(15)求得精矿品位β为：
将精矿品位β作为该多变量精矿品位预测模型的输出，记作Y6，参与最终模型的建立；
步骤(6)基于五种不同的神经网络分别建立不同的精矿品位预测模型；
所述的步骤(6)中基于五种不同的神经网络分别建立不同的精矿品位预测模型，
将给矿品位、给矿流量、浮选泡沫图像特征、矿物颗粒粒度分布结果及矿浆浓度参数作为输入，与人工取样化验精矿品位结果组成一组训练样本，最终建成包含有3000组数据样本的浮选数据库，并将3000组样本数据按80％和20％的比例划分为2400组内部学习训练集和600组外部独立测试集，基于五种不同的神经网络，即RBF神经网络、Elman神经网络、BP神经网络、支持向量回归和递归神经网络，分别建立精矿品位预测模型，基于五种不同神经网络建立的模型的输出值分被设为Y1、Y2、Y3、Y4、Y5；
步骤(7)利用粒子群算法对步骤(6)中建立的五种模型与步骤(5)中建立的精矿品位预测模型参数进行多变量联合优化，将六种模型输出结果累加和的平均值作为最终浮选精矿品位预测模型的输出值Y，即精矿品位的检测值。
2.根据权利要求1所述的一种基于多参数特征融合的浮选精矿品位检测方法，其特征在于，所述的步骤(1)是在浮选槽正上方固定一个高精度工业相机，利用动态机械手臂操纵矿浆采样装置，将提取到的矿浆样本置于图像采集平台上，采集浮选矿物颗粒图像和浮选泡沫图像。
3.根据权利要求1所述的一种基于多参数特征融合的浮选精矿品位检测方法，其特征在于，所述的步骤(2)中基于图像处理技术检测采集到的矿物颗粒图像粒度分布情况；包括下列步骤：
2.1.对采集到的矿物颗粒图像进行预处理；首先将采集到的矿物颗粒图像转换成数字信号传输到计算机，通过灰度化、中值滤波、图像增强及二值化对采集的矿物颗粒图进行预处理；
2.2.对处理后的矿物颗粒图像进行形态学重构和种子提取，运用分水岭算法分割粘连的矿物颗粒边界；
2.3.然后利用基于区域生长的分水岭算法分割图像中的矿物颗粒，在传统Canny算子检测算法中引入8链码技术提取分割后的矿物颗粒边界信息，获取其面积s和周长l参数，并利用公式(1)计算矿物颗粒粒径Dd：
其中颗粒的长、短轴半径a*、b*由公式(2)定义：
最后基于双目视觉技术建立矿物颗粒的体积模型，统计分析粒度分布情况。
4.根据权利要求1所述的一种基于多参数特征融合的浮选精矿品位检测方法，其特征在于，所述的步骤(3)中提取浮选泡沫的图像特征，建立浮选泡沫表面纹理视觉特征与对应精矿品位的样本数据库；包括下列步骤：
3.1物理特征提取方法
采取颜色均值法在RGB空间提取浮选泡沫图像中红、绿、蓝各色的平均值，然后从RGB空间向HSV空间转换，提取泡沫图像的色调H，饱和度S和亮度V数值，将获取到的H、S、V参数作为浮选泡沫图像的颜色特征；
利用泡沫图像的面积s1和周长l1参数表征浮选泡沫的形状尺寸特征，将预处理后的浮选泡沫图像，应用分水岭分割和canny算子边缘检测算法提取泡沫边缘轮廓信息，将泡沫边缘轮廓所具有的像素点总个数和分割区域中相邻边缘点间距离之和，相应标记为该泡沫图像的面积和周长大小，相邻边缘点间距离由公式(3)所得：
d(fi,j,fm,n)＝max{|i-m|,|j-n|}＝1 (3)
式中，fi,j、fm,n分别为坐标位置(i,j)、(m,n)的相邻边缘点，
3.2纹理特征提取方法
选用LBP算子作为浮选泡沫图像局部灰度关系的纹理度量；首先针对图像中心像素点与局部P邻域像素点的灰度差值进行阈值处理，即公式(4)所示：
式中，T为阈值，
在获取泡沫图像LBP局部纹理特征的基础上，利用公式(5)计算泡沫纹理粗细度W；
式中，C为粗系数，表示整个图像纹理中P个相邻区域0、1的个数相差大于P-2时发生的概率；细系数X则表示0、1个数相等时发生的概率；
将以上步骤获取到的图像特征与人工取样检测的精矿品位参数对应起来，作为一组数据样本集，最终建立一个包含3000组数据集的数据库。
5.根据权利要求1所述的一种基于多参数特征融合的浮选精矿品位检测方法，其特征在于，所述的步骤(4)中的利用超声波传感器在线测量浮选矿浆浓度是利用机械手臂抓取超声波探测器，将其置于无浮选泡沫的底层矿浆中，沉浸5-6分钟，传感器以厚度震荡模式向含有矿物颗粒的矿浆发送超声波，通过实时测量超声波的衰减值实现矿浆浓度指标的在线检测。
6.根据权利要求5所述的一种基于多参数特征融合的浮选精矿品位检测方法，其特征在于，若矿浆中有悬浮矿物颗粒时的衰减系数和接收到的电压分别是(a0+a1)和E1，矿浆中无矿物颗粒即清水时的衰减系数和接收到的电压分别为a0和E0，超声波探测器的发射端到接收端之间的距离为L，发射电压是Er，则：
根据公式(6)计算超声波在矿浆介质中的衰减系数a1为：
由公式(7)获得当前测量点的浓度值Ypoint为：
Ypoint＝y1*a1
其中y1表示无矿物颗粒的矿浆样品浓度值，每隔8小时将超声波探测器取出，移动至清洁区域，冲刷超声波探测器头，用于防止矿浆过于附着，影响浓度测量标准。
7.根据权利要求1所述的一种基于多参数特征融合的浮选精矿品位检测方法，其特征在于，所述的步骤(4)中的利用浮球配重探测器在线测量浮选矿浆密度指标是利用机械手臂抓取浮球配重探测器，在执行器的带动下，浮球配重探测器缓慢匀速地在浮选槽内做往返运动，行程在0-700mm范围内可调，周期在4-10分钟内可调；在运动过程中，浮球配重探测器会受到矿浆的浮力F1，牵引绳作用的拉力F2和自身重力G，F2由拉力传感器检测，为可测变量，重力G由预先秤量得出，为已知量；浮球配重探测器排开水的体积v为已知量；
因浮球配重探测器在矿浆内部匀速运动，故浮球受力平衡：
F1+F2＝G
其中ρ为矿浆密度，g＝9.8N/Kg；可根据公式(8)计算矿浆密度ρ：
8.根据权利要求1所述的一种基于多参数特征融合的浮选精矿品位检测方法，其特征在于，所述的步骤(7)利用粒子群算法对步骤(6)中建立的五种模型与步骤(5)中建立的精矿品位预测模型参数进行多变量联合优化，将六种模型输出结果累加和的平均值作为最终浮选精矿品位预测模型的输出值Y，即精矿品位的检测值；包括下列步骤：每种神经网络的优化参数选取如下：
(1)RBF神经网络：基函数中心向量与宽度、隐含层与输出层的权值；
(2)Elman神经网络：隐含层节点数，偏差值；
(3)BP神经网络：权值、阈值；
(4)支持向量回归：惩罚参数、核函数参数；
(5)递归神经网络：输入层与隐含层的权重U1、隐含层到输出层的参数V1、记忆单元与隐含层的权重W1；
将以上神经网络包含的12个优化参数作为一组矩阵集合，利用粒子群算法寻优，算法的种群规模大小SN为50，维度设置为100，适应度值最大评估次数为3000次，将十折交叉验证精度作为粒子群算法的适应度函数，选取十折交叉验证精度最大的组合参数作为神经网络的最佳参数，并依次分配给神经网络，作为各精矿品位预测模型的结构参数，将各模型预测值Y1、Y2、Y3、Y4、Y5、Y6代入公式(16)计算模型输出平均值Y，并将Y作为浮选精矿品位预测模型的最终输出值：
利用内部训练样本测试模型性能，随后用测试集进行验证，将均方根误差RMSE、拟合系数R2和外部独立测试精度作为模型的评价指标；若最终模型的偏差预测结果处于正负2％范围内，则认为建模成功，模型可以进入工业应用环节，且浮选精矿品位预测模型的最终输出值Y就是精矿品位的检测值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111599761.XA CN114383985B (zh) | 2021-12-24 | 2021-12-24 | 基于多参数特征融合的浮选精矿品位检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111599761.XA CN114383985B (zh) | 2021-12-24 | 2021-12-24 | 基于多参数特征融合的浮选精矿品位检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114383985A CN114383985A (zh) | 2022-04-22 |
| CN114383985B true CN114383985B (zh) | 2023-09-15 |
Family
ID=81196967
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111599761.XA Active CN114383985B (zh) | 2021-12-24 | 2021-12-24 | 基于多参数特征融合的浮选精矿品位检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114383985B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114861120B (zh) * | 2022-07-06 | 2022-09-09 | 矿冶科技集团有限公司 | 浮选泡沫品位计算方法、装置、电子设备及介质 |
| CN115049165B (zh) * | 2022-08-15 | 2022-11-22 | 北矿机电科技有限责任公司 | 基于深度学习的浮选精矿品位预测方法、装置及设备 |
| CN115683962A (zh) * | 2023-01-03 | 2023-02-03 | 天津德通电气有限公司 | 一种用于选煤厂矿浆跑粗监测的矿浆粒度分析方法 |
| CN116124664B (zh) * | 2023-04-17 | 2023-06-23 | 北矿机电科技有限责任公司 | 浮选泡沫测量设备及标定方法 |
| CN116593579B (zh) * | 2023-07-13 | 2023-11-03 | 湖北工业大学 | 一种车用尿素液浓度估测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101036904A (zh) * | 2007-04-30 | 2007-09-19 | 中南大学 | 一种基于机器视觉的浮选泡沫图像识别设备及精矿品位预测方法 |
| CN201203561Y (zh) * | 2008-05-26 | 2009-03-04 | 鞍钢集团矿业公司 | 浮选矿浆泡沫在线自动动态密度分析仪 |
| CN108490154A (zh) * | 2018-03-05 | 2018-09-04 | 沈阳工程学院 | 基于主成分分析与在线极限学习机的混合选别系统的精矿品位软测量方法及系统 |
| CN112946067A (zh) * | 2021-02-05 | 2021-06-11 | 内蒙古科技大学 | 超声波矿浆浓度在线检测仪和智能控制终端 |
| WO2021196416A1 (zh) * | 2020-04-02 | 2021-10-07 | 中南大学 | 用于钨浮选精矿品位在线检测的光纤拉曼系统及方法 |
-
2021
- 2021-12-24 CN CN202111599761.XA patent/CN114383985B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101036904A (zh) * | 2007-04-30 | 2007-09-19 | 中南大学 | 一种基于机器视觉的浮选泡沫图像识别设备及精矿品位预测方法 |
| CN201203561Y (zh) * | 2008-05-26 | 2009-03-04 | 鞍钢集团矿业公司 | 浮选矿浆泡沫在线自动动态密度分析仪 |
| CN108490154A (zh) * | 2018-03-05 | 2018-09-04 | 沈阳工程学院 | 基于主成分分析与在线极限学习机的混合选别系统的精矿品位软测量方法及系统 |
| WO2021196416A1 (zh) * | 2020-04-02 | 2021-10-07 | 中南大学 | 用于钨浮选精矿品位在线检测的光纤拉曼系统及方法 |
| CN112946067A (zh) * | 2021-02-05 | 2021-06-11 | 内蒙古科技大学 | 超声波矿浆浓度在线检测仪和智能控制终端 |
Non-Patent Citations (3)
| Title |
|---|
| Prediction of concentrate grade and recovery rate of tailings in the process of production based on chaotic ant colony algorithm;ZHU Jing等;《The 30th Chinese Control and Decision Conference (2018 CCDC)》;第5308-5313页 * |
| 基于LS-SVM的浮选过程工艺技术指标软测量;耿增显等;系统仿真学报(第23期);第6321-6324页 * |
| 基于认知建模预测技术的精矿品位预测;王欢;自动化应用(第03期);第24-26、46页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114383985A (zh) | 2022-04-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114383985B (zh) | 基于多参数特征融合的浮选精矿品位检测方法 | |
| CN110779937B (zh) | 一种铸件产品内部缺陷智能检测装置 | |
| Nhat-Duc et al. | Automatic recognition of asphalt pavement cracks using metaheuristic optimized edge detection algorithms and convolution neural network | |
| Mohan et al. | Crack detection using image processing: A critical review and analysis | |
| CN105699258B (zh) | 一种细骨料在线检测装置及方法 | |
| CN107621435A (zh) | 一种骨料在线监测装置 | |
| CN112083017A (zh) | 焊缝内部缺陷智能检测装置、方法及介质 | |
| CN110211101A (zh) | 一种铁轨表面缺陷快速检测系统及方法 | |
| CN110569730B (zh) | 一种基于U-net神经网络模型的路面裂缝自动识别方法 | |
| CN106093066A (zh) | 一种基于改进的机器视觉注意机制的磁瓦表面缺陷检测方法 | |
| WO2020207070A1 (zh) | 深圳海域水质评价方法及系统 | |
| CN104964886A (zh) | 一种焊接构件疲劳应力及应变实时非接触式监测方法 | |
| CN109919934A (zh) | 一种基于多源域深度迁移学习的液晶面板缺陷检测方法 | |
| CN109446236A (zh) | 基于随机分布的水泥粒径分布预测方法 | |
| CN102494977B (zh) | 大米碎米率在线检测方法和系统 | |
| CN115797354B (zh) | 用于检测激光焊接焊缝外观缺陷的方法 | |
| CN103308525B (zh) | 一种用于金属线材生产的在线检测方法和装置 | |
| CN207742057U (zh) | 一种骨料在线监测装置 | |
| CN110174404A (zh) | 一种药粒在线缺陷检测装置及系统 | |
| CN114049618A (zh) | 一种基于图-点-图变换的路面三维病害pci计算方法 | |
| CN117173461A (zh) | 一种多视觉任务的灌装容器缺陷检测方法、系统及介质 | |
| CN114841453A (zh) | 一种浮选过程的精煤灰分预测方法 | |
| CN109115775A (zh) | 一种基于机器视觉的槟榔等级检测方法 | |
| CN111830070A (zh) | 一种基于边缘计算的缺陷自动识别评判系统及方法 | |
| CN115205255A (zh) | 基于深度学习的石料自动分级方法与系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |