CN115389376A - 基于层析滤纸采样的静态煤泥浮选图像灰分检测方法 - Google Patents
基于层析滤纸采样的静态煤泥浮选图像灰分检测方法 Download PDFInfo
- Publication number
- CN115389376A CN115389376A CN202211330473.9A CN202211330473A CN115389376A CN 115389376 A CN115389376 A CN 115389376A CN 202211330473 A CN202211330473 A CN 202211330473A CN 115389376 A CN115389376 A CN 115389376A
- Authority
- CN
- China
- Prior art keywords
- coal slime
- image
- static coal
- slime flotation
- deep learning
- 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
Links
- 239000003245 coal Substances 0.000 title claims abstract description 122
- 238000005188 flotation Methods 0.000 title claims abstract description 105
- 230000003068 static effect Effects 0.000 title claims abstract description 100
- 238000001514 detection method Methods 0.000 title claims abstract description 53
- 238000005070 sampling Methods 0.000 title claims abstract description 26
- 238000004587 chromatography analysis Methods 0.000 title claims abstract description 18
- 238000013135 deep learning Methods 0.000 claims abstract description 50
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 31
- 238000000034 method Methods 0.000 claims abstract description 18
- 238000005457 optimization Methods 0.000 claims abstract description 6
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 38
- 239000003250 coal slurry Substances 0.000 claims description 19
- 238000011176 pooling Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- 230000003213 activating effect Effects 0.000 claims description 2
- 125000004432 carbon atom Chemical group C* 0.000 claims description 2
- 238000002372 labelling Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 claims description 2
- 239000002956 ash Substances 0.000 abstract description 30
- 239000006260 foam Substances 0.000 abstract description 7
- 239000012535 impurity Substances 0.000 abstract description 3
- 239000010883 coal ash Substances 0.000 abstract description 2
- 239000010410 layer Substances 0.000 description 43
- 238000012549 training Methods 0.000 description 13
- 239000002245 particle Substances 0.000 description 9
- 230000000694 effects Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 239000002002 slurry Substances 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 239000003814 drug Substances 0.000 description 3
- 238000003756 stirring Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 239000003795 chemical substances by application Substances 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 229910003480 inorganic solid Inorganic materials 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000005273 aeration Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 229920002678 cellulose Polymers 0.000 description 1
- 239000001913 cellulose Substances 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000004088 foaming agent Substances 0.000 description 1
- 230000002209 hydrophobic effect Effects 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 239000008213 purified water Substances 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Images
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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N1/00—Sampling; Preparing specimens for investigation
- G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
- G01N1/34—Purifying; Cleaning
-
- 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
- G01N21/84—Systems specially adapted for particular applications
-
- 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
-
- 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
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Dispersion Chemistry (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了基于层析滤纸采样的静态煤泥浮选图像灰分检测方法，该方法包括：通过层析滤纸对尾矿水进行采样处理，得到静态煤泥浮选图像；构建深度学习残差网络；将静态煤泥浮选图像输入至深度学习残差网络进行灰分检测，得到检测结果；基于检测结果对深度学习残差网络进行迭代优化更新，得到最优深度学习残差网络。通过使用本发明，能够通过消除静态煤泥浮选图像的泡沫与杂质进而提高对尾矿水样品的检测效率与检测准确率。本发明作为基于层析滤纸采样的静态煤泥浮选图像灰分检测方法，可广泛应用于浮选精煤灰分检测技术领域。
Description
技术领域
本发明涉及浮选精煤灰分检测技术领域，尤其涉及基于层析滤纸采样的静态煤泥浮选图像灰分检测方法。
背景技术
煤泥浮选是煤炭生产的重要手段，尾矿灰分信息不仅反应出精煤的灰分数据，还能体现出精煤的回收率信息，但由于煤的品质，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，目前工业现场常用的检测方法是通过燃烧尾矿测量残留物质重量来计算灰分，检测时间较长，一般需要三四十分钟才能得到结果，耗时久不利于工业现场的技术调整，使用明火的方法也存在风险，并且对环境会有较大的不利影响，或者依赖工人师傅根据经验用眼看，用手摸浮选尾矿，这种方法随机性大，而且对工人师傅的经验要求很高，而对于现阶段的尾矿图像采集到的尾矿图像特征不够清晰，而且液体表面可能会存在大量泡沫以及杂质，影响图像采集，由于浮选尾矿水槽内的煤泥水溶液是动态翻滚的，采集难度大。
发明内容
为了解决上述技术问题，本发明的目的是提供基于层析滤纸采样的静态煤泥浮选图像灰分检测方法，能够通过消除静态煤泥浮选图像的泡沫与杂质进而提高对尾矿水样品的检测效率与检测准确率。
本发明所采用的第一技术方案是：基于层析滤纸采样的静态煤泥浮选图像灰分检测方法，包括以下步骤：
通过层析滤纸对尾矿水进行采样处理，得到静态煤泥浮选图像；
构建深度学习残差网络；
将静态煤泥浮选图像输入至深度学习残差网络进行灰分检测，得到检测结果。
进一步，所述通过层析滤纸对尾矿水进行采样处理，得到静态煤泥浮选图像这一步骤，其具体包括：
获取煤泥尾矿水样品；
将煤泥尾矿水样品滴至层析滤纸进行采样处理，得到静态煤泥待处理图像；
通过相机对静态煤泥待处理图像进行拍摄处理，得到静态煤泥待采集图像；
通过图像采集软件对静态煤泥待采集图像进行采集处理，得到静态煤泥浮选图像。
进一步，所述构建的深度学习残差网络包括卷积层、最大池化层、残差块、平均池化层和全连接层，所述残差块由残差卷积层、批量规范化层和激活函数组成。
进一步，所述将静态煤泥浮选图像输入至深度学习残差网络进行灰分检测，得到检测结果这一步骤，其具体包括：
将静态煤泥浮选图像输入至深度学习残差网络；
基于深度学习残差网络的卷积层，对静态煤泥浮选图像进行特征提取处理，得到静态煤泥浮选特征图像；
基于深度学习残差网络的最大池化层，对静态煤泥浮选特征图像进行分辨率降低处理，得到降低后的静态煤泥浮选特征图像；
基于深度学习残差网络的残差块，对降低后的静态煤泥浮选特征图像进行恒等映射处理，得到激活的静态煤泥浮选特征图像；
基于深度学习残差网络的平均池化层，对激活的静态煤泥浮选特征图像进行下采样操作处理，得到静态煤泥浮选图像的特征向量；
基于深度学习残差网络的全连接层，对静态煤泥浮选图像的特征向量进行检测分析，得到检测结果。
进一步，所述基于深度学习残差网络的残差块，对降低后的静态煤泥浮选特征图像进行恒等映射处理，得到激活的静态煤泥浮选特征图像这一步骤，其具体包括：
将降低后的静态煤泥浮选特征图像输入至深度学习残差网络的残差块；
基于残差块的残差卷积层，对降低后的静态煤泥浮选特征图像进行特征提取处理，得到静态煤泥浮选深度特征图像；
基于残差块的批量规范化层，对静态煤泥浮选深度特征图像进行规范化处理，得到规范化后的静态煤泥浮选深度特征图像；
基于残差块的激活函数，对规范化后的静态煤泥浮选深度特征图像进行激活处理，得到激活的静态煤泥浮选特征图像。
进一步，所述卷积层的输出静态煤泥浮选特征图像的尺寸和通道数的计算公式如下所示：
上式中，
表示输出静态煤泥浮选特征图像的宽度，
表示输出静态煤泥浮选特征图像的高度，
表示输入静态煤泥浮选特征图像的宽度，
表示输入静态煤泥浮选特征图像的高度，
表示卷积核的尺寸，
表示填充数，
表示步长。
进一步，还包括基于检测结果对深度学习残差网络进行迭代优化更新，得到最优深度学习残差网络这一步骤，其具体包括：
根据监测结果的灰分值，对检测结果进行赋予标签处理，得到赋予标签后的检测结果；
通过损失函数对赋予标签后的检测结果进行损失计算，得到标签损失值；
根据标签损失值对深度学习残差网络的参数进行反向更新，并计算更新后的深度学习残差网络的准确率；
循环深度学习残差网络的优化更新步骤，直至满足预设迭代更新次数，得到最优深度学习残差网络。
本发明方法的有益效果是：本发明将获取到的煤泥水样品滴至层析滤纸直至其水分被滤纸吸收晕开后再进行采集图像，得到静态的煤泥浮选图像，能够降低图像的泡沫以及其他杂质对灰分检测结果的干扰，缩短检测的时长，且通过层析滤纸相比于传统的使用明火能够提高实验检测的环保性，通过残差网络对静态的煤泥浮选图像进行检测，可以避免繁琐的对数计算，提高模型的检测效率与检测结果的准确性。
附图说明
图1是本发明基于层析滤纸采样的静态煤泥浮选图像灰分检测方法的步骤流程图；
图2是本发明深度学习残差网络ResNet18模型的结构示意图；
图3是本发明深度学习残差网络ResNet18模型中的残差块的结构示意图；
图4是本发明具体实施例煤泥水样品滴至层析滤纸的示意图；
图5是本发明具体实施例静态煤泥浮选图像的示意图；
图6是本发明通过深度学习残差网络ResNet18模型对静态煤泥浮选图像进行检测的结果准确率曲线图；
图7是本发明检测结果灰分值为44%时的检测结果示意图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
煤泥是煤炭在洗煤厂工作过程中产生的一种附属产品，是由煤粉和水混合形成得半固物体。但煤炭的质量不同，煤泥的品质有很大差别的，可利用性也有较大差别，其种类众多，用途广泛，煤泥以矿浆形式进入搅拌桶，将其配成适当的浓度，加入药剂(起泡剂和捕收剂)后进行充分搅拌，搅拌后的煤浆进入浮选机，让叶轮旋转产生强烈搅拌，加之充气作用，在矿浆中产生大量大小不等的气泡，疏水的煤粒由于吸着药剂(捕收剂)而附着在气泡上，被气泡带到矿浆面聚集成所谓矿化泡沫层，由刮泡器刮取作为精煤，当亲水的矸石粒不与药剂作用，不粘附到气泡上，留在矿浆中，成为浮选尾矿，尾矿灰分值也叫是灰分产率，是指单位质量的煤炭与其经过充分燃烧后留下的无机物固体的质量比。
参照图1，本发明提供了基于层析滤纸采样的静态煤泥浮选图像灰分检测方法，该方法包括以下步骤：
S1、通过层析滤纸对尾矿水进行采样处理，得到静态煤泥浮选图像；
具体地，工业现场可以从煤泥浮选的尾矿水槽取得煤泥水样品，再使用胶头滴管从烧杯内提取0.5ml煤泥水样品滴到滤纸上，实验室使用磁力搅拌器模拟浮选水槽内煤泥水翻滚的状态，直接使用胶头滴管从烧杯内提取样品，滴0.5ml到层析滤纸上静置等待样品在滤纸上完全散开保持形态，本发明所使用的层析滤纸为Whatman3MM纤维素层析滤纸，然后采集图像放入已经训练好的网络模型进行灰分检测，煤泥水滴到滤纸上后会自动晕开，如图4所示，随着液体的扩散，煤泥颗粒也平铺在滤纸上，呈现出颗粒性和纹理特征，静置5分钟，待水分被滤纸吸收后，滤纸上的煤泥颗粒形态稳定，便于观测，然后将样品转移到摄像头下进行拍照采集，本发明实验中使用HY2307高清HDMI工业相机对样品进行拍照，在ICCapture软件下观察颗粒分布情况，调节焦距，使得所观察颗粒最清晰为止，拍照并保存图像，采集得到的图像如图5所示，其中，观测到黑色物质就是煤泥颗粒聚集形成的纹理。
S2、构建深度学习残差网络；
具体地，参照图2和图3，本发明的深度学习残差网络可以由多个残差块构成，其中，所用网络为残差网络ResNet18，在ResNet提出之前，所有的神经网络都是通过卷积层和池化层的叠加组成的，现有的实验所采用的基本是ResNet50的残差网络，因为一般错误地认为卷积层和池化层的层数越多，获取到的图片特征信息越全，学习效果也就越好，但是在实际的试验中发现，随着卷积层和池化层的叠加，不但没有出现学习效果越来越好的情况，反而出现随着层数的增加，预测效果反而越来越差，为了解决深层网络中的退化问题，可以人为地让神经网络某些层跳过下一层神经元的连接，隔层相连，弱化每层之间的强联系，这种神经网络被称为残差网络，残差网络中，通过捷径连接的方式直接将输入
传到输出作为初始结果，输出结果为
，当
时，
，也就是恒等映射，于是，ResNet相当于将学习目标改变了，不再是学习一个完整的输出，而是目标值
和
的差值，也就是所谓的残差
，因此，后面的训练目标就是要将残差结果逼近于0，使到随着网络加深，准确率不下降，如图3所示，这种结构叫残差块，每个残差块包含2层卷积，多个残差块构成了残差网络，即残差块中的卷积层为3*3卷积层，残差块外部的卷积层为7*7卷积层。
S3、将静态煤泥浮选图像输入至深度学习残差网络进行灰分检测，得到检测结果；
S31、基于7*7卷积层和最大池化层的处理；
具体地，输入3*224*224的图片，首先经过步幅为2的7×7、输出通道数为64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，其中，卷积层的输出静态煤泥浮选特征图像的尺寸和通道数的计算公式如下所示：
上式中，
表示输出静态煤泥浮选特征图像的宽度，
表示输出静态煤泥浮选特征图像的高度，
表示输入静态煤泥浮选特征图像的宽度，
表示输入静态煤泥浮选特征图像的高度，
表示卷积核的尺寸，
表示填充数，
表示步长；
本发明所输入的静态煤泥浮选图像的格式为3*224*224，所以
，
，卷积核
，
，
，
，因此经过模型外部的卷积层的静态煤泥浮选图像的格式为64*122*122，其计算过程如下；
然后进行最大池化，输入尺寸
，
，保持卷积核个数不变
，
，
，
，其计算过程如下；
池化后的静态煤泥浮选图像的格式为 64*56*56；
S32、基于残差块的处理；
具体地，本发明的深度学习残差网络中包含八个残差块，每个残差块包含两个3*3卷积层，最大池化后的两个残差块内的卷积层参数相同，输入尺寸
，
，卷积核
，
，
，
，经过两个残差块输出为：
输出尺寸为64*56*56；
第三个残差块内的第一层卷积，输入尺寸
，
，卷积核
，
，
，
，经过卷积后的大小：
输出尺寸为128*28*28；
相比上一个模块的通道数（卷积核个数）翻倍，高和宽减半；
第四个残差块的输入尺寸
，
，卷积核
，
，
，
，输出的的大小：
输出尺寸为128*28*28，相比上次的残差块保持一致；
与第三和第四个残差块的操作同理，第五个残差块的输出尺寸相比第四个残差块的输出尺寸通道数翻倍，高和宽减半，输出尺寸为256*14*14；
第六个残差块，相比上层的残差块保持一致，输出尺寸为256*14*14；
同样的，第七个残差块的输出尺寸相比第六个残差块的输出尺寸通道数翻倍，高和宽减半，输出尺寸为512*7*7；
第八个残差块，相比上层的残差块保持一致，输出尺寸为512*7*7；
经过一共8个残差块后，再进行一次平均池化，一共使用512个卷积核，对每个7*7矩阵取平均值，输出的尺寸为512*1*1。
S33、基于平均池化层与全连接层的处理。
具体地，最后经过全连接层，ResNet18经典模型的全连接层输出1000个通道，本模型根据训练样品的种类数量调整最终的分类数量，因为本发明所用训练样本一共有26%、32%、38%、44%和50%共5种灰分值，所以全连接层最后的输出就是对一个5分类任务的预测。
S4、基于检测结果对深度学习残差网络进行迭代优化更新，得到最优深度学习残差网络。
具体地，网络的损失函数选用交叉熵损失函数CrossEntropy Loss，本发明实验进行模型训练为有监督训练，样本标签已经确定，即煤泥样品的灰分值，训练时每轮计算出的结果和标签计算损失值，再将损失值进行反向传播，优化器选用Adam，当执行反向传播之后，把优化器的参数进行更新，进行下一轮学习，初始学习率设置为0.1，每20轮训练后学习率更新为当前学习率的三分之一，每轮学习完成后网络输出学习的准确率，根据准确率可以进一步调整参数，直至所述训练的次数达到预设的阈值次数，得到最优深度学习残差网络，最后在浮选现场生产中判断现场工况并指导生产。
进一步，是本发明进行模拟实验以验证本发明的检测结果准确率；
将0.5g已经标定好灰分的煤泥样品溶于50ml的纯净水，搅拌后置于磁力搅拌器上使煤泥水保持翻滚状态，用胶头滴管抽取0.5ml煤泥水样品滴到滤纸上进行观测，本次模拟实验配制了5种灰分的煤泥水样品，分别是26%、32%、38%、44%和50%，一共采集到2000张图像样本，进一步使用ResNet18网络对2000张图像样品进行训练，参照图6，经过100轮训练后准确率达到81%，所述准确率的计算过程为训练时预测正确的个数除以总数的值，每轮学习完成后网络可以自动计算得出，训练完毕后，重新进行煤泥水样品制作，拍照制成测试样本输入到网络模型中进行灰分检测，选用的测试样本图片中煤泥颗粒清晰，纹理明显，参照图7，计算出此样品灰分值为44%；
其中，所述灰分的计算公式如下所示：
上式中，
表示灰分值，
表示燃烧后煤样残余量的质量，
表示煤样的质量；
其中，灰分值即灰分产率，是指单位质量的煤炭与其经过充分燃烧后留下的无机物固体的质量比；
综上，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。
以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (7)
1.基于层析滤纸采样的静态煤泥浮选图像灰分检测方法，其特征在于，包括以下步骤：
通过层析滤纸对尾矿水进行采样处理，得到静态煤泥浮选图像；
构建深度学习残差网络；
将静态煤泥浮选图像输入至深度学习残差网络进行灰分检测，得到检测结果。
2.根据权利要求1所述基于层析滤纸采样的静态煤泥浮选图像灰分检测方法，其特征在于，所述通过层析滤纸对尾矿水进行采样处理，得到静态煤泥浮选图像这一步骤，其具体包括：
获取煤泥尾矿水样品；
将煤泥尾矿水样品滴至层析滤纸进行采样处理，得到静态煤泥待处理图像；
通过相机对静态煤泥待处理图像进行拍摄处理，得到静态煤泥待采集图像；
通过图像采集软件对静态煤泥待采集图像进行采集处理，得到静态煤泥浮选图像。
3.根据权利要求2所述基于层析滤纸采样的静态煤泥浮选图像灰分检测方法，其特征在于，所述构建的深度学习残差网络包括卷积层、最大池化层、残差块、平均池化层和全连接层，所述残差块由残差卷积层、批量规范化层和激活函数组成。
4.根据权利要求3所述基于层析滤纸采样的静态煤泥浮选图像灰分检测方法，其特征在于，所述将静态煤泥浮选图像输入至深度学习残差网络进行灰分检测，得到检测结果这一步骤，其具体包括：
将静态煤泥浮选图像输入至深度学习残差网络；
基于深度学习残差网络的卷积层，对静态煤泥浮选图像进行特征提取处理，得到静态煤泥浮选特征图像；
基于深度学习残差网络的最大池化层，对静态煤泥浮选特征图像进行分辨率降低处理，得到降低后的静态煤泥浮选特征图像；
基于深度学习残差网络的残差块，对降低后的静态煤泥浮选特征图像进行恒等映射处理，得到激活的静态煤泥浮选特征图像；
基于深度学习残差网络的平均池化层，对激活的静态煤泥浮选特征图像进行下采样操作处理，得到静态煤泥浮选图像的特征向量；
基于深度学习残差网络的全连接层，对静态煤泥浮选图像的特征向量进行检测分析，得到检测结果。
5.根据权利要求4所述基于层析滤纸采样的静态煤泥浮选图像灰分检测方法，其特征在于，所述基于深度学习残差网络的残差块，对降低后的静态煤泥浮选特征图像进行恒等映射处理，得到激活的静态煤泥浮选特征图像这一步骤，其具体包括：
将降低后的静态煤泥浮选特征图像输入至深度学习残差网络的残差块；
基于残差块的残差卷积层，对降低后的静态煤泥浮选特征图像进行特征提取处理，得到静态煤泥浮选深度特征图像；
基于残差块的批量规范化层，对静态煤泥浮选深度特征图像进行规范化处理，得到规范化后的静态煤泥浮选深度特征图像；
基于残差块的激活函数，对规范化后的静态煤泥浮选深度特征图像进行激活处理，得到激活的静态煤泥浮选特征图像。
6.根据权利要求5所述基于层析滤纸采样的静态煤泥浮选图像灰分检测方法，其特征在于，所述卷积层的输出静态煤泥浮选特征图像的尺寸和通道数的计算公式如下所示：
上式中，
表示输出静态煤泥浮选特征图像的宽度，
表示输出静态煤泥浮选特征图像的高度，
表示输入静态煤泥浮选特征图像的宽度，
表示输入静态煤泥浮选特征图像的高度，
表示卷积核的尺寸，
表示填充数，
表示步长。
7.根据权利要求5所述基于层析滤纸采样的静态煤泥浮选图像灰分检测方法，其特征在于，还包括基于检测结果对深度学习残差网络进行迭代优化更新，得到最优深度学习残差网络这一步骤，其具体包括：
根据监测结果的灰分值，对检测结果进行赋予标签处理，得到赋予标签后的检测结果；
通过损失函数对赋予标签后的检测结果进行损失计算，得到标签损失值；
根据标签损失值对深度学习残差网络的参数进行反向更新，并计算更新后的深度学习残差网络的准确率；
循环深度学习残差网络的优化更新步骤，直至满足预设迭代更新次数，得到最优深度学习残差网络。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211330473.9A CN115389376B (zh) | 2022-10-28 | 2022-10-28 | 基于层析滤纸采样的静态煤泥浮选图像灰分检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211330473.9A CN115389376B (zh) | 2022-10-28 | 2022-10-28 | 基于层析滤纸采样的静态煤泥浮选图像灰分检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115389376A true CN115389376A (zh) | 2022-11-25 |
| CN115389376B CN115389376B (zh) | 2023-04-07 |
Family
ID=84115093
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211330473.9A Active CN115389376B (zh) | 2022-10-28 | 2022-10-28 | 基于层析滤纸采样的静态煤泥浮选图像灰分检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115389376B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2948019A1 (en) * | 2016-11-08 | 2018-05-08 | Suncor Energy Inc. | Automated methylene blue index analysis of mature fine tailings |
| 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 |
| CN111753912A (zh) * | 2020-06-28 | 2020-10-09 | 中国矿业大学 | 一种基于深度学习的煤泥浮选精煤灰分预测方法 |
| CN111860003A (zh) * | 2020-07-21 | 2020-10-30 | 济南大学 | 基于密集连接深度残差网络的图像去雨方法及系统 |
| CN114841453A (zh) * | 2022-05-18 | 2022-08-02 | 中国矿业大学 | 一种浮选过程的精煤灰分预测方法 |
-
2022
- 2022-10-28 CN CN202211330473.9A patent/CN115389376B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2948019A1 (en) * | 2016-11-08 | 2018-05-08 | Suncor Energy Inc. | Automated methylene blue index analysis of mature fine tailings |
| 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 |
| CN111753912A (zh) * | 2020-06-28 | 2020-10-09 | 中国矿业大学 | 一种基于深度学习的煤泥浮选精煤灰分预测方法 |
| CN111860003A (zh) * | 2020-07-21 | 2020-10-30 | 济南大学 | 基于密集连接深度残差网络的图像去雨方法及系统 |
| CN114841453A (zh) * | 2022-05-18 | 2022-08-02 | 中国矿业大学 | 一种浮选过程的精煤灰分预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115389376B (zh) | 2023-04-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112991330B (zh) | 基于知识蒸馏的正样本工业缺陷检测方法 | |
| CN109635763B (zh) | 一种人群密度估计方法 | |
| CN113516201B (zh) | 一种基于深度神经网络的肉兔料盒中余料量的估算方法 | |
| CN111723738A (zh) | 一种基于迁移学习的煤岩壳质组显微图像分类方法及系统 | |
| CN113624645B (zh) | 一种用于检测颗粒流动分布的装置及其方法 | |
| CN111445474A (zh) | 基于双向复注意力深度网络的肾脏ct图像分割方法 | |
| CN114926407A (zh) | 一种基于深度学习的钢材表面缺陷检测系统 | |
| WO2023186833A1 (en) | Computer implemented method for the detection of anomalies in an imaging dataset of a wafer, and systems making use of such methods | |
| CN116843999A (zh) | 一种基于深度学习的动火作业中气瓶检测方法 | |
| CN115205209A (zh) | 一种基于弱监督学习的单色布匹瑕疵检测方法 | |
| CN113837193A (zh) | 一种基于改进U-Net网络的锌浮选泡沫图像分割算法 | |
| CN112504682A (zh) | 基于粒子群优化算法的底盘发动机故障诊断方法及系统 | |
| CN115497026A (zh) | 基于鱼群摄食活动量化的精准投喂方法、系统及装置 | |
| CN115389376B (zh) | 基于层析滤纸采样的静态煤泥浮选图像灰分检测方法 | |
| Kar et al. | Benchmarking of deep learning algorithms for 3D instance segmentation of confocal image datasets | |
| CN116690823A (zh) | 改性pbt材料的智能制备方法及其系统 | |
| CN116977633A (zh) | 地物要素分割模型训练方法、地物要素分割方法及装置 | |
| CN105740884B (zh) | 基于奇异值分解和邻域空间信息的高光谱影像分类方法 | |
| CN114724052A (zh) | 一种基于深度学习网络模型的电力图像天际线分割方法 | |
| CN110348533A (zh) | 一种基于svm的浮游生物粒径谱检测方法 | |
| CN113112482A (zh) | 一种基于注意力机制网络的pcb缺陷检测方法 | |
| CN112001919B (zh) | 一种基于粒子群算法及二维数字滤波的织物缺陷检测方法 | |
| CN110706004B (zh) | 一种基于层次聚类的农田重金属污染物溯源方法 | |
| CN113724223B (zh) | 基于光学显微镜的YOLOv3数据集制作方法及系统 | |
| CN110866552A (zh) | 基于全卷积空间传播网络的高光谱图像分类方法 |
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 |