一种基于长时程深度特征的锌浮选工况识别方法技术

本发明专利技术公开了一种基于长时程深度特征的锌浮选工况识别方法，包括以下步骤：首先采用3D卷积网络作为基础网络，通过知识蒸馏法使用RGB流网络的部分结构对光流网络进行模拟，使得RGB流网络在测试时不需要提取光流就能学习光流的运动信息；然后将单个视频分段，分别对每段使用训练好的RGB流网络进行帧级特征提取，将提取到的每段帧级特征输入LSTM网络中进一步提取得到视频级全局时空特征；为网络补充一个2D卷积网络提取补充的外观特征，将全局时空特征和增强的外观特征拼接到一起，输入多层感知机中进行最终的工况识别。本发明专利技术结合了卷积神经网络和循环神经网络的优点，能够快速、准确地对锌浮选工况进行识别从而有效指导加药。药。药。

【技术实现步骤摘要】
一种基于长时程深度特征的锌浮选工况识别方法


[0001]本专利技术涉及泡沫浮选
，特别是涉及一种基于长时程深度特征的锌浮选工况识别方法

技术介绍

[0002]泡沫浮选是有色金属、煤炭和石化行业广泛采用的一种选矿技术，该技术利用矿物的亲疏水性差异，有效地将目标矿物从无用的脉矿石中分离出来。具体过程为将原矿送入球磨机研磨为大小合适的颗粒，将矿物颗粒送入浮选槽中，在浮选槽中加入相应的浮选药剂，从底部通入空气并不断搅拌，使目标矿物颗粒附着在泡沫表面通过刮板刮出，无用矿物沉入矿浆待进一步处理。
[0003]最早采用人工巡检、人工操作的方式，然而人工观察存在很强的主观性和随意性，无法准确地辨别工况；随后将机器视觉引入到浮选现场，能对浮选工况进行客观描述，推进了浮选工艺向生产自动化发展。但目前采用机器视觉进行工况识别的方法，主要是针对单帧图像进行的，仅依靠一帧图像的外观信息进行识别和判断存在非常大的误判可能性。综合整个视频的特征进行判别可以克服单帧图片的缺点，有学者将双流法应用到锌浮选中，但原始的双流法在推理时需提取光流，在工业现场运用时将会有本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于长时程深度特征的锌浮选工况识别方法，其特征在于，包括以下步骤：步骤一：利用浮选现场图像采集系统收集锌浮选的泡沫视频，并将视频抽帧，每个视频抽取固定的帧数，将从视频中抽取的图像与其对应的工况类别标签一起构成RBG流数据集，使用全变分L1范数TVL1方法获取光流图像与其对应的工况类别标签一起构成光流数据集；步骤二：选用3D ResNeXt101作为RGB流网络和光流网络的基础网络结构：首先将光流数据集作为输入训练光流网络，在训练完成时冻结光流网络的全部权重；之后将光流网络作为教师网络，RGB流网络作为学生网络采用知识蒸馏的方法来训练RGB流网络；设光流网络和RGB流网络都有n层，使用光流网络第n
‑
1层特征和RGB流网络第n
‑
1层特征间的均方误差作为损失函数训练RBG流网络来学习运动特征；同时将RBG流数据集作为输入，使用预测值与真实值间的交叉熵损失函数训练RBG流网络来学习外观特征，运动特征和外观特征的学习任务同时进行，使用如下损失函数训练RGB流网络：其中y
RGB
表示RGB流网络的预测标签，表示RGB流网络的真实标签，α是调节两个任务的权重参数，fc
RGB
代表RGB流网络的特征，fc
Flow
代表光流网络的特征；步骤三：在每个视频的内部进行分段，提取各段视频间的长时程时序特征；首先分别对各段视频使用训练好的RGB流网络进行帧级深度特征提取，同一视频内的不同视频段间存在时序关系，将提取到的每段帧级深度特征输入LSTM网络中进一步提取得到视频级的全局时空特征向量F
g
，选取...

【专利技术属性】
技术研发人员：唐朝晖，袁鹤，张虎，戴智恩，田灿，郑锶，刘嘉鹏，
申请(专利权)人：中南大学，
类型：发明
国别省市：