【技术实现步骤摘要】
一种基于卷积神经网络的矿石分选方法
本专利技术涉及一种分选方法，特别涉及一种基于卷积神经网络的矿石分选方法。
技术介绍
矿产资源是一种不可再生资源，随着人们对矿产资源的大量开发，矿产资源正在逐渐的减少。这使得矿产行业开始重视对矿石的分选，这样能保证在有限的矿产资源中尽可能多的提高优质矿产资源的利用率。而就目前而言，矿石的分选主要都是依靠人工进行分选，由于受人的主观因素，人眼易疲劳等原因的影响，矿石的分选率一直都比较低，这也直接影响了经济效益。随着科技的不断进步，近几年利用人工智能解决实际的工业问题已经开始广泛出现，而机器学习作为人工智能技术底下的一个分支，它是通过人的行为让机器学会人的行为的一门学科。而在机器学习中，卷积神经网络是一种身躯前馈人工神经网络，已经成功地应用于图像分类，图像分割，语言识别等。VGGNet是牛津大学计算机视觉组和DeepMind公司共同研发的一种深度卷积网络，并且于2014年在ILSVRC比赛上获得了分类项目的第二名和定位项目的第一名，SE块是SENet中的一部分，SENET是原作者之一胡杰在2017年的ImageNet竞赛中的图像分类取...
【技术保护点】
1.一种基于卷积神经网络的矿石分选方法，其特征在于：所述方法包括如下步骤：步骤S1、制作矿石图片的训练集和测试集；步骤S2、搭建VGG‑SE模型，将训练集中的矿石图片输入VGG‑SE模型，并利用VGG‑SE模型对矿石图片进行特征提取，得到一组特征向量；步骤S3、将得到的一组特征向量输入到softmax分类器中，通过softmax分类器来对矿石图片进行分类，得到训练好的VGG‑SE模型；步骤S4、将测试集中的矿石图片输入到训练好的VGG‑SE模型中进行预测，得到预测结果。
【技术特征摘要】
1.一种基于卷积神经网络的矿石分选方法，其特征在于：所述方法包括如下步骤：步骤S1、制作矿石图片的训练集和测试集；步骤S2、搭建VGG-SE模型，将训练集中的矿石图片输入VGG-SE模型，并利用VGG-SE模型对矿石图片进行特征提取，得到一组特征向量；步骤S3、将得到的一组特征向量输入到softmax分类器中，通过softmax分类器来对矿石图片进行分类，得到训练好的VGG-SE模型；步骤S4、将测试集中的矿石图片输入到训练好的VGG-SE模型中进行预测，得到预测结果。2.根据权利要求1所述的一种基于卷积神经网络的矿石分选方法，其特征在于：所述步骤S1具体包括：步骤S11、在同一环境下，使用同一拍摄仪器对收集的不同品质的矿石进行拍摄，得到各种矿石图片；步骤S12、将拍摄好的矿石图片上传，并对上传的矿石图片进行标记处理，且将标记后的矿石图片制作成数集；步骤S13、将数据集分为训练集和测试集。3.根据权利要求2所述的一种基于卷积神经网络的矿石分选方法，其特征在于：在所述步骤S12中，所述将标记后的矿石图片制作成数据集具体为：将标记后的矿石图片先转换为灰度图片，并计算出灰度图片的像素均值，然后将灰度图片上的每个像素点均减去像素均值，最后再进行归一化处理。4.根据权利要求2所述的一种基于卷积神经网络的矿石分选方法，其特征在于：所述步骤S13具体为：将数据集的70％作为训练集，将数据集的30％作为测试集；同时，所述训练集和测试集均至少包括两个集合，每个集合均表示矿石的一个种类。5.根据权利要求1所述的一种基于卷积神经网络的矿石分选方法，其特征在于：在所述步骤S2中，搭建的VGG-SE模型包括输入层、第一卷积块、第二卷积块、第三卷积块、第四卷积块、第五卷积块、第一SE块、第二SE块、第三SE块、第一全连接层、第二全连接层、第三全连接层以及输出层；其中，所述输入层之后连接所述第一卷积块，所述第一卷积块之后连接所述第二卷积块，所述第二卷积块之后连接所述第一SE块，所述第一SE块之后连接所述第三卷积块，所述第三卷积块之后连接所述第二SE块，所述第二SE块之后连接所述第四卷积块，所述第四卷积块之后连接所述第三SE块，所述第三SE块之后连接所述第五卷积块，所述第五卷积块之后连接所述第一全连接层，所述第一全连接层之后连接所述第二全连接层，所述第二全连接层之后连接所述第三全连接层，所述第三全连接层之后连接所述输出...
【专利技术属性】
技术研发人员：郑力新，谢炜芳，邱德府，
申请(专利权)人：华侨大学，
类型：发明
国别省市：福建,35
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。