CN116626080B - 一种大理岩的筛选方法 - Google Patents
一种大理岩的筛选方法 Download PDFInfo
- Publication number
- CN116626080B CN116626080B CN202310907205.7A CN202310907205A CN116626080B CN 116626080 B CN116626080 B CN 116626080B CN 202310907205 A CN202310907205 A CN 202310907205A CN 116626080 B CN116626080 B CN 116626080B
- Authority
- CN
- China
- Prior art keywords
- marble
- training
- neural network
- calcium oxide
- oxide 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.)
- Active
Links
- 239000004579 marble Substances 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012216 screening Methods 0.000 title claims abstract description 23
- BRPQOXSCLDDYGP-UHFFFAOYSA-N calcium oxide Chemical compound [O-2].[Ca+2] BRPQOXSCLDDYGP-UHFFFAOYSA-N 0.000 claims abstract description 43
- ODINCKMPIJJUCX-UHFFFAOYSA-N calcium oxide Inorganic materials [Ca]=O ODINCKMPIJJUCX-UHFFFAOYSA-N 0.000 claims abstract description 43
- 239000000292 calcium oxide Substances 0.000 claims abstract description 43
- 239000006185 dispersion Substances 0.000 claims abstract description 32
- 238000009499 grossing Methods 0.000 claims abstract description 14
- 230000001678 irradiating effect Effects 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 67
- 238000013528 artificial neural network Methods 0.000 claims description 59
- 238000002474 experimental method Methods 0.000 claims description 6
- 230000009191 jumping Effects 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 abstract description 7
- 238000012545 processing Methods 0.000 abstract description 7
- 238000001914 filtration Methods 0.000 abstract 1
- 230000009286 beneficial effect Effects 0.000 description 9
- 238000013459 approach Methods 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 239000004575 stone Substances 0.000 description 2
- KCXVZYZYPLLWCC-UHFFFAOYSA-N EDTA Chemical compound OC(=O)CN(CC(O)=O)CCN(CC(O)=O)CC(O)=O KCXVZYZYPLLWCC-UHFFFAOYSA-N 0.000 description 1
- 241000923606 Schistes Species 0.000 description 1
- 238000003321 atomic absorption spectrophotometry Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000010459 dolomite Substances 0.000 description 1
- 229910000514 dolomite Inorganic materials 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000010454 slate Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/20—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by using diffraction of the radiation by the materials, e.g. for investigating crystal structure; by using scattering of the radiation by the materials, e.g. for investigating non-crystalline materials; by using reflection of the radiation by the materials
- G01N23/207—Diffractometry using detectors, e.g. using a probe in a central position and one or more displaceable detectors in circumferential positions
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Crystallography & Structural Chemistry (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明公开了一种大理岩的筛选方法,属于数据识别领域,本发明通过采用X射线照射待测大理岩,经过待测大理岩衍射后,测得能量色散数据序列,能量色散数据序列表征各元素的含量,采用氧化钙含量预测模型对能量色散数据序列进行处理,得到大理岩中氧化钙含量,采集待测大理岩图像,对其平滑处理,滤除个别噪点和异常值的影响,得到平滑图像,计算平滑图像的白度,将氧化钙含量大于氧化钙含量阈值,白度大于白度阈值的大理岩筛选出来,从而实现一种自动筛选出合格大理岩的方法,解决现有筛选方法准确率不高,且效率不高的问题。
Description
技术领域
本发明涉及数据识别领域,具体涉及一种大理岩的筛选方法。
背景技术
矿山有用矿石为氧化钙含量大于52%,白度大于85的大理岩。矿山中的夹石包括板岩、绢云母片岩、白云石大理岩和白度达不到85的大理岩,开采过程中需要快速、准确的对夹石进行剔除以保证矿石质量。
现有采用X射线源发射X射线,照射在矿石上,再通过X射线的探测器测得能量色散数据,从而确定矿石中各元素的含量,但是这种检测方式无法直接得到氧化钙的含量,仅能获取矿石中各元素的含量,同时白度通常是通过肉眼进行评估,具备很强的主观性,因此,对于开采过程筛选出白度大于85和氧化钙含量大于52%的大理岩,存在筛选准确率不高,且效率不高的问题。
发明内容
针对现有技术中的上述不足,本发明提供的一种大理岩的筛选方法解决了现有筛选方法存在筛选准确率不高,且效率不高的问题。
为了达到上述发明目的,本发明采用的技术方案为:一种大理岩的筛选方法,包括以下步骤:
S1、采用X射线照射待测大理岩,经待测大理岩衍射后,由探测器探测得到能量色散数据序列;
S2、构建氧化钙含量预测模型;
S3、将能量色散数据序列输入氧化钙含量预测模型,得到大理岩中氧化钙含量;
S4、采集待测大理岩图像,对待测大理岩图像进行平滑处理,得到平滑图像;
S5、对平滑图像计算白度;
S6、将氧化钙含量大于氧化钙含量阈值,白度大于白度阈值的大理岩筛选出来。
进一步地,所述S2包括以下步骤:
S21、通过实验测得大理岩样品的氧化钙含量,得到标签数据;
S22、采用X射线照射大理岩样品,经大理岩样品衍射后,由探测器探测能量色散数据序列,得到样本数据;
S23、将样本数据和标签数据构建为训练集;
S24、采用训练集训练BP神经网络,得到训练完成的BP神经网络,即氧化钙含量预测模型。
上述进一步地方案的有益效果为:先通过实验实际测得大理岩样品的氧化钙含量,得到标签数据,再通过X射线照射,得到能量色散数据序列,构建训练集,通过BP神经网络建立标签数据与能量色散数据序列之间的映射关系,即建立元素的能量色散数据与氧化钙含量之间的关系,实现根据元素的能量色散数据进行氧化钙含量预测。
进一步地,所述S24包括以下分步骤:
S241、设置BP神经网络中的权重和阈值;
S242、将训练集中样本数据输入当前的BP神经网络中,得到BP神经网络的输出;
S243、根据BP神经网络的输出和对应标签数据,计算参数合适度;
S244、判断参数合适度是否大于适应度阈值,若是,得到训练完成的BP神经网络,若否,则更新BP神经网络中的权重和阈值,并跳转至步骤S242。
上述进一步地方案的有益效果为:本发明中根据BP神经网络的输出和对应标签数据,计算参数合适度,根据参数合适度判断出当前的权重和阈值参数是否合适,在不合适时进行更新,不断寻找合适的权重和阈值参数。
进一步地,所述S243中计算参数合适度的公式为:
,
其中,为第/>次训练时的参数合适度,/>为第/>次训练时BP神经网络的输出,/>为第次训练时的标签数据,/>为比例系数。
上述进一步地方案的有益效果为:本发明中以标签数据与实际BP神经网络的输出之间的距离作为衡量参数合适度的主要因素,在标签数据与实际BP神经网络的输出之间差距越大时,参数合适度越低,在标签数据与实际BP神经网络的输出之间差距越小时,参数合适度越高。
进一步地,所述比例系数的公式为:
,
其中,为第/>次训练时BP神经网络的输出,/>为第/>次训练时的标签数据,/>为当前训练次数编号,/>为临近训练次数的编号,/>为临近训练总次数。
上述进一步地方案的有益效果为:本发明中通过计算临近训练次数中实际BP神经网络的输出与标签数据的相似性,计算平均相似性,通过平均相似性衡量实际BP神经网络的输出与标签数据的差距,在比例系数越大于1时,临近训练情况越差,因此,通过比例系数去调整,增大输出与标签的差距,参数合适度随着比例系数的增大或/>的增大,均会导致参数合适度较小,因此,本发明需要寻找的是,使得训练后期达到无论是当前训练,以及临近训练的输出与标签均距离较近的目的,从而实现BP神经网络预测的稳定性,提高预测准确度。
进一步地,所述S244中更新BP神经网络中的权重的公式为:
,
其中,为第/>次训练时的权重,/>为第/>次训练时的权重,/>为第/>次训练时的参数合适度,/>为偏导运算;
所述S244中更新BP神经网络中的阈值的公式为:
,
其中,为第/>次训练时的阈值,/>为第/>次训练时的阈值,/>为第/>次训练时的参数合适度,/>为偏导运算。
上述进一步地方案的有益效果为:在本发明中参数合适度的取值范围在0~1之间,参数合适度越高,当前的权重和阈值参数越合适,更新公式中权重和阈值参数下降的幅度越小,越逼近目标值。
进一步地,所述BP神经网络中输入层的表达式为:
,
其中,为输入层的第/>个输入,/>为第/>种元素的能量色散数据,/>为待测大理岩中元素的种类数。
上述进一步地方案的有益效果为:由于本发明中能量色散数据序列表征各元素的含量,因此,本发明根据各种元素的能量色散数据的情况,对每种元素的能量色散数据进行归一化处理,从而使得归一化后的数据为各元素的占比,更好在BP神经网络中表达,提高BP神经网络的预测精度。
进一步地,所述S4中平滑处理的公式为:
,
,
其中,为平滑处理后第/>个像素值,/>为自然常数,/>为平滑因子,/>为待测大理岩图像上第/>个像素值,/>为待测大理岩图像上第/>个像素值的邻域范围内的第/>个像素值,为待测大理岩图像上第/>个像素值的邻域范围内像素值的数量,/>为/>个/>和/>的平均值,/>为平滑处理后第/>个像素值。
上述进一步地方案的有益效果为:本发明通过计算邻域范围内的像素值与平均值的差距,从而衡量数据波动情况,若数据波动较大,则说明是待测大理岩图像上的纹理特征变化明显之处,因此,侧重于取当前的,从而保留纹理特征,在存在个别异常值或噪声时,通过综合前一个平滑处理后像素值和当前像素值,从而实现对当前像素值的平滑处理,消除异常值或噪声的影响。
进一步地,所述S5包括以下分步骤:
S51、将平滑图像划分成多块;
S52、根据每块图像上像素平均值,计算白度。
进一步地,所述S52计算白度的公式为:
,
其中,为白度,/>为白度系数,/>为分块数量,/>为第/>个像素平均值。
上述进一步地方案的有益效果为:本发明将平滑图像进行分块处理,再计算每块图像上的像素平均值,再通过各部分的加权值,从而削减占比较少像素平均值的影响,采用加权方式,放大占比较多的像素平均值的影响,提高白度计算精度。
本发明的有益效果为:本发明通过采用X射线照射待测大理岩,经过待测大理岩衍射后,测得能量色散数据序列,能量色散数据序列表征各元素的含量,采用氧化钙含量预测模型对能量色散数据序列进行处理,得到大理岩中氧化钙含量,采集待测大理岩图像,对其平滑处理,滤除个别噪点和异常值的影响,得到平滑图像,计算平滑图像的白度,将氧化钙含量大于氧化钙含量阈值,白度大于白度阈值的大理岩筛选出来,从而实现一种自动筛选出合格大理岩的方法,解决现有筛选方法准确率不高,且效率不高的问题。
附图说明
图1为一种大理岩的筛选方法的流程图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
如图1所示,一种大理岩的筛选方法,包括以下步骤:
S1、采用X射线照射待测大理岩,经待测大理岩衍射后,由探测器探测得到能量色散数据序列;
S2、构建氧化钙含量预测模型;
所述S2包括以下步骤:
S21、通过实验测得大理岩样品的氧化钙含量,得到标签数据;
在本实施例中,实验方法包括:火焰原子吸收分光光度法和EDTA容量法;
S22、采用X射线照射大理岩样品,经大理岩样品衍射后,由探测器探测能量色散数据序列,得到样本数据;
S23、将样本数据和标签数据构建为训练集;
S24、采用训练集训练BP神经网络,得到训练完成的BP神经网络,即氧化钙含量预测模型。
本发明先通过实验实际测得大理岩样品的氧化钙含量,得到标签数据,再通过X射线照射,得到能量色散数据序列,构建训练集,通过BP神经网络建立标签数据与能量色散数据序列之间的映射关系,即建立元素的能量色散数据与氧化钙含量之间的关系,实现根据元素的能量色散数据进行氧化钙含量预测。
所述S24包括以下分步骤:
S241、设置BP神经网络中的权重和阈值;
S242、将训练集中样本数据输入当前的BP神经网络中,得到BP神经网络的输出;
S243、根据BP神经网络的输出和对应标签数据,计算参数合适度;
S244、判断参数合适度是否大于适应度阈值,若是,得到训练完成的BP神经网络,若否,则更新BP神经网络中的权重和阈值,并跳转至步骤S242。
本发明中根据BP神经网络的输出和对应标签数据,计算参数合适度,根据参数合适度判断出当前的权重和阈值参数是否合适,在不合适时进行更新,不断寻找合适的权重和阈值参数。
所述S243中计算参数合适度的公式为:
,
其中,为第/>次训练时的参数合适度,/>为第/>次训练时BP神经网络的输出,/>为第次训练时的标签数据,/>为比例系数。
本发明中以标签数据与实际BP神经网络的输出之间的距离作为衡量参数合适度的主要因素,在标签数据与实际BP神经网络的输出之间差距越大时,参数合适度越低,在标签数据与实际BP神经网络的输出之间差距越小时,参数合适度越高。
所述比例系数的公式为:
,
其中,为第/>次训练时BP神经网络的输出,/>为第/>次训练时的标签数据,/>为当前训练次数编号,/>为临近训练次数的编号,/>为临近训练总次数。
本发明中通过计算临近训练次数中实际BP神经网络的输出与标签数据的相似性,计算平均相似性,通过平均相似性衡量实际BP神经网络的输出与标签数据的差距,在比例系数越大于1时,临近训练情况越差,因此,通过比例系数去调整,增大输出与标签的差距,参数合适度随着比例系数的增大或/>的增大,均会导致参数合适度较小,因此,本发明需要寻找的是,使得训练后期达到无论是当前训练,以及临近训练的输出与标签均距离较近的目的,从而实现BP神经网络预测的稳定性,提高预测准确度。
所述S244中更新BP神经网络中的权重的公式为:
,
其中,为第/>次训练时的权重,/>为第/>次训练时的权重,/>为第/>次训练时的参数合适度,/>为偏导运算;
所述S244中更新BP神经网络中的阈值的公式为:
,
其中,为第/>次训练时的阈值,/>为第/>次训练时的阈值,/>为第/>次训练时的参数合适度,/>为偏导运算。
在本发明中参数合适度的取值范围在0~1之间,参数合适度越高,当前的权重和阈值参数越合适,更新公式中权重和阈值参数下降的幅度越小,越逼近目标值。
所述BP神经网络中输入层的表达式为:
,
其中,为输入层的第/>个输入,/>为第/>种元素的能量色散数据,/>为待测大理岩中元素的种类数。
由于本发明中能量色散数据序列表征各元素的含量,因此,本发明根据各种元素的能量色散数据的情况,对每种元素的能量色散数据进行归一化处理,从而使得归一化后的数据为各元素的占比,更好在BP神经网络中表达,提高BP神经网络的预测精度。
S3、将能量色散数据序列输入氧化钙含量预测模型,得到大理岩中氧化钙含量;
S4、采集待测大理岩图像,对待测大理岩图像进行平滑处理,得到平滑图像;
所述S4中平滑处理的公式为:
,
,
其中,为平滑处理后第/>个像素值,/>为自然常数,/>为平滑因子,/>为待测大理岩图像上第/>个像素值,/>为待测大理岩图像上第/>个像素值的邻域范围内的第/>个像素值,为待测大理岩图像上第/>个像素值的邻域范围内像素值的数量,/>为/>个/>和/>的平均值,/>为平滑处理后第/>个像素值。
本发明通过计算邻域范围内的像素值与平均值的差距,从而衡量数据波动情况,若数据波动较大,则说明是待测大理岩图像上的纹理特征变化明显之处,因此,侧重于取当前的,从而保留纹理特征,在存在个别异常值或噪声时,通过综合前一个平滑处理后像素值和当前像素值,从而实现对当前像素值的平滑处理,消除异常值或噪声的影响。
S5、对平滑图像计算白度;
所述S5包括以下分步骤:
S51、将平滑图像划分成多块;
S52、根据每块图像上像素平均值,计算白度。
所述S52计算白度的公式为:
,
其中,为白度,/>为白度系数,/>为分块数量,/>为第/>个像素平均值。
本发明将平滑图像进行分块处理,再计算每块图像上的像素平均值,再通过各部分的加权值,从而削减占比较少像素平均值的影响,采用加权方式,放大占比较多的像素平均值的影响,提高白度计算精度。
S6、将氧化钙含量大于氧化钙含量阈值,白度大于白度阈值的大理岩筛选出来。
在本发明中,氧化钙含量阈值包括:52%,白度阈值包括:85。
本发明通过采用X射线照射待测大理岩,经过待测大理岩衍射后,测得能量色散数据序列,能量色散数据序列表征各元素的含量,采用氧化钙含量预测模型对能量色散数据序列进行处理,得到大理岩中氧化钙含量,采集待测大理岩图像,对其平滑处理,滤除个别噪点和异常值的影响,得到平滑图像,计算平滑图像的白度,将氧化钙含量大于氧化钙含量阈值,白度大于白度阈值的大理岩筛选出来,从而实现一种自动筛选出合格大理岩的方法,解决现有筛选方法准确率不高,且效率不高的问题。
Claims (1)
1.一种大理岩的筛选方法,其特征在于,包括以下步骤:
S1、采用X射线照射待测大理岩,经待测大理岩衍射后,由探测器探测得到能量色散数据序列;
S2、构建氧化钙含量预测模型;
S3、将能量色散数据序列输入氧化钙含量预测模型,得到大理岩中氧化钙含量;
S4、采集待测大理岩图像,对待测大理岩图像进行平滑处理,得到平滑图像;
S5、对平滑图像计算白度;
S6、将氧化钙含量大于氧化钙含量阈值,白度大于白度阈值的大理岩筛选出来;
所述S2包括以下步骤:
S21、通过实验测得大理岩样品的氧化钙含量,得到标签数据;
S22、采用X射线照射大理岩样品,经大理岩样品衍射后,由探测器探测能量色散数据序列,得到样本数据;
S23、将样本数据和标签数据构建为训练集;
S24、采用训练集训练BP神经网络,得到训练完成的BP神经网络,即氧化钙含量预测模型;
所述S24包括以下分步骤:
S241、设置BP神经网络中的权重和阈值;
S242、将训练集中样本数据输入当前的BP神经网络中,得到BP神经网络的输出;
S243、根据BP神经网络的输出和对应标签数据,计算参数合适度;
S244、判断参数合适度是否大于适应度阈值,若是,得到训练完成的BP神经网络,若否,则更新BP神经网络中的权重和阈值,并跳转至步骤S242;
所述S243中计算参数合适度的公式为:
,
其中,为第/>次训练时的参数合适度,/>为第/>次训练时BP神经网络的输出,/>为第/>次训练时的标签数据,/>为比例系数;
所述比例系数的公式为:
,
其中,为第/>次训练时BP神经网络的输出,/>为第/>次训练时的标签数据,/>为当前训练次数编号,/>为临近训练次数的编号,/>为临近训练总次数;
所述S244中更新BP神经网络中的权重的公式为:
,
其中,为第/>次训练时的权重,/>为第/>次训练时的权重,/>为第/>次训练时的参数合适度,/>为偏导运算;
所述S244中更新BP神经网络中的阈值的公式为:
,
其中,为第/>次训练时的阈值,/>为第/>次训练时的阈值,/>为第/>次训练时的参数合适度,/>为偏导运算;
所述BP神经网络中输入层的表达式为:
,
其中,为输入层的第/>个输入,/>为第/>种元素的能量色散数据,/>为待测大理岩中元素的种类数;
所述S4中平滑处理的公式为:
,
,
其中,为平滑处理后第/>个像素值,/>为自然常数,/>为平滑因子,/>为待测大理岩图像上第/>个像素值,/>为待测大理岩图像上第/>个像素值的邻域范围内的第/>个像素值,/>为待测大理岩图像上第/>个像素值的邻域范围内像素值的数量,/>为/>个/>和/>的平均值,为平滑处理后第/>个像素值;
所述S5包括以下分步骤:
S51、将平滑图像划分成多块;
S52、根据每块图像上像素平均值,计算白度;
所述S52计算白度的公式为:
,
其中,为白度,/>为白度系数,/>为分块数量,/>为第/>个像素平均值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310907205.7A CN116626080B (zh) | 2023-07-24 | 2023-07-24 | 一种大理岩的筛选方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310907205.7A CN116626080B (zh) | 2023-07-24 | 2023-07-24 | 一种大理岩的筛选方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116626080A CN116626080A (zh) | 2023-08-22 |
CN116626080B true CN116626080B (zh) | 2023-09-26 |
Family
ID=87602959
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310907205.7A Active CN116626080B (zh) | 2023-07-24 | 2023-07-24 | 一种大理岩的筛选方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116626080B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH04177268A (ja) * | 1990-11-09 | 1992-06-24 | Sharp Corp | 自動原稿送り装置付フルカラー複写機 |
CN112070774A (zh) * | 2020-09-16 | 2020-12-11 | 西南石油大学 | 一种用于页岩数字岩心图像分割的神经网络优化方法 |
CN112986491A (zh) * | 2019-12-16 | 2021-06-18 | 上海梅山钢铁股份有限公司 | 一种基于反馈自适应预测模型的混合料水分检测值修正方法 |
CN113112446A (zh) * | 2020-03-05 | 2021-07-13 | 成都理工大学 | 基于残差卷积神经网络的隧道围岩级别智能判定方法 |
WO2021244727A1 (en) * | 2020-06-01 | 2021-12-09 | R-S Osa Service Oü | A two stages extraction method for synthesizing precipitated calcium carbonate |
CN115267928A (zh) * | 2022-09-28 | 2022-11-01 | 中石化经纬有限公司 | 一种用于随钻元素测井的能谱智能处理方法 |
WO2023070230A1 (en) * | 2021-11-01 | 2023-05-04 | Zymeworks Bc Inc. | Systems and methods for polymer sequence prediction |
CN116468724A (zh) * | 2023-06-08 | 2023-07-21 | 四川亿欣新材料有限公司 | 一种基于光学传感技术的碳酸钙含量测试方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4512456B2 (ja) * | 2004-09-08 | 2010-07-28 | 株式会社リコー | リユース可能な電子写真用被記録材およびその製造方法 |
US7906665B2 (en) * | 2007-10-30 | 2011-03-15 | Iowa State University Research Foundation, Inc. | Solid catalyst system for biodiesel production |
US20110091366A1 (en) * | 2008-12-24 | 2011-04-21 | Treavor Kendall | Neutralization of acid and production of carbonate-containing compositions |
JP6088468B2 (ja) * | 2014-07-31 | 2017-03-01 | 富士フイルム株式会社 | 画像処理装置、画像処理方法、動画公開システム、動画公開方法、プログラムおよび記録媒体 |
US20180018565A1 (en) * | 2016-07-14 | 2018-01-18 | Semiconductor Energy Laboratory Co., Ltd. | Semiconductor device, display system, and electronic device |
JP2023059181A (ja) * | 2021-10-14 | 2023-04-26 | トヨタ自動車株式会社 | 材料のスペクトルデータを用いた材料種類同定システム |
-
2023
- 2023-07-24 CN CN202310907205.7A patent/CN116626080B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH04177268A (ja) * | 1990-11-09 | 1992-06-24 | Sharp Corp | 自動原稿送り装置付フルカラー複写機 |
CN112986491A (zh) * | 2019-12-16 | 2021-06-18 | 上海梅山钢铁股份有限公司 | 一种基于反馈自适应预测模型的混合料水分检测值修正方法 |
CN113112446A (zh) * | 2020-03-05 | 2021-07-13 | 成都理工大学 | 基于残差卷积神经网络的隧道围岩级别智能判定方法 |
WO2021244727A1 (en) * | 2020-06-01 | 2021-12-09 | R-S Osa Service Oü | A two stages extraction method for synthesizing precipitated calcium carbonate |
CN112070774A (zh) * | 2020-09-16 | 2020-12-11 | 西南石油大学 | 一种用于页岩数字岩心图像分割的神经网络优化方法 |
WO2023070230A1 (en) * | 2021-11-01 | 2023-05-04 | Zymeworks Bc Inc. | Systems and methods for polymer sequence prediction |
CN115267928A (zh) * | 2022-09-28 | 2022-11-01 | 中石化经纬有限公司 | 一种用于随钻元素测井的能谱智能处理方法 |
CN116468724A (zh) * | 2023-06-08 | 2023-07-21 | 四川亿欣新材料有限公司 | 一种基于光学传感技术的碳酸钙含量测试方法 |
Non-Patent Citations (2)
Title |
---|
Optimizing the Removal of Rhodamine B in Aqueous Solutions by Reduced Graphene Oxide-Supported Nanoscale Zerovalent Iron (nZVI/rGO) Using an Artificial Neural Network-Genetic Algorithm (ANN-GA);Xuedan Shi et,;《nanomaterials》;第7卷;第1-19页 * |
高压粉末制样-X射线荧光光谱法测定 海洋沉积物中28种组分;李强 等,;《冶金分析》;第42卷(第6期);第9-17页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116626080A (zh) | 2023-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102066912B (zh) | 自动化x射线荧光分析 | |
CN106521066A (zh) | 高炉炉料粒度监控系统及分布数据在线分析方法 | |
CN108647722B (zh) | 一种基于过程尺寸特征的锌矿品位软测量方法 | |
CN113926737A (zh) | 一种利用双能双机x射线的煤矸装置及其识别方法 | |
CN104597516A (zh) | 一种矿井突水水源快速判别系统 | |
CN105424730A (zh) | 树脂片的挑选方法以及树脂片的挑选装置 | |
CN115019171B (zh) | 非接触式围岩快速分区分级方法 | |
CN116626080B (zh) | 一种大理岩的筛选方法 | |
EP1554060B1 (en) | A system and a method of automatically sorting objects | |
CN116066121A (zh) | 一种tbm掘进隧道围岩实时分级方法、盾构机 | |
CN116468282A (zh) | 一种隧道突涌水风险等级评估方法 | |
CN114971263A (zh) | 一种矿冶区“渣-土-水”体系重金属迁移风险预测方法 | |
CN111079783A (zh) | 一种基于多核集成学习识别地层岩性参数的方法 | |
Gläßer et al. | Monitoring of hydrochemical parameters of lignite mining lakes in Central Germany using airborne hyperspectral casi-scanner data | |
CN117609872A (zh) | 一种提高libs检测钻遇碳酸盐岩钙元素含量精度的方法 | |
Yin et al. | Integrating image processing and deep learning for effective analysis and classification of dust pollution in mining processes | |
Fu et al. | Quantitative ore texture analysis with convolutional neural networks | |
Wang et al. | Dual-energy X-ray transmission identification method of multi-thickness coal and gangue based on SVM distance transformation | |
CN113628270B (zh) | 摇床接矿位置的调整方法、装置、电子设备及存储介质 | |
CN116577478A (zh) | 一种煤炭识别分选的可选性评定方法、装置、电子设备 | |
CN112024451B (zh) | 一种基于受试者操作特征曲线分析的矿石拣选决策方法 | |
CN115598164A (zh) | 一种集成机器学习的土壤重金属浓度检测方法及系统 | |
CN106295667A (zh) | 一种基于遗传算法选择最优光谱谱段的方法及其应用 | |
Tiu | Classification of drill core textures for process simulation in geometallurgy: Aitik mine, Sweden | |
Tang et al. | Combining near-infrared spectroscopy and chemometrics for rapid recognition of an Hg-contaminated plant |
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 |