一种浮选工况跨域识别方法技术

本公开实施例中提供了一种浮选工况跨域识别方法，属于数据处理技术领域，具体包括：将视频数据分为源域数据集和目标域数据集，并将源域数据集和目标域数据集根据精矿品位定义不同工况类别；构建基于Transformer模型的浮选工况识别网络，其中，浮选工况识别网络包括特征提取网络、工况分类网络和域辨识网络，域辨识网络通过计算源域数据集和目标域数据集的特征分布之间的Wasserstein距离来区分不同域；将带工况类别的源域数据集和不带工况类别的目标域数据集迭代训练浮选工况识别网络，得到识别模型；将不带工况类别的待检测数据集输入识别模型，得到识别结果。通过本公开的方案，提高了工况识别效率、准确率和适应性。准确率和适应性。准确率和适应性。

【技术实现步骤摘要】
一种浮选工况跨域识别方法


[0001]本公开实施例涉及数据处理
，尤其涉及一种浮选工况跨域识别方法。

技术介绍

[0002]目前，我国是一个有色金属生产和消费大国，然而有色金属的矿石资源中原矿品位低的占比较大，为充分利用这一部分品位较低的原矿，可通过泡沫浮选提高矿物的品位。精确的品位值可通过在线分析仪(OSA)检测得到，在线分析仪虽然检测的品位值准确，但却存在10
‑
20分钟的时间延迟。因此快速且准确地获取浮选泡沫的品位是对实现浮选过程的整体优化运行、提高精矿品位和矿物资源利用率具有重要意义。随着计算机技术和图像处理器(GPU)的发展，深度学习已经被应用到各个领域，基于深度学习的泡沫浮选品位预测也成为研究热点。目前大部分的深度学习网络主要是利用卷积神经网络实现，卷积神经网络可通过卷积核学习到图像中的特征，然而为减少卷积神经网络的参数数量，一般卷积神经网络的大小都远小于图片的大小，这便使得每一个卷积层只存在一个局部感受野。尽管卷积神经网络通过卷积层的叠加使得神经网络能够提取得到全局特征，但是其单一的卷积层获取的特征仍然是局本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种浮选工况跨域识别方法，其特征在于，包括：获取浮选工况的视频数据，根据所述视频数据中每一帧图像的噪声大小将所述视频数据分为源域数据集和目标域数据集，并将所述源域数据集和所述目标域数据集根据精矿品位定义不同工况类别；构建基于Transformer模型的浮选工况识别网络，其中，所述浮选工况识别网络包括特征提取网络、工况分类网络和域辨识网络，所述域辨识网络通过计算所述源域数据集和所述目标域数据集的特征分布之间的Wasserstein距离来区分不同域；将带工况类别的源域数据集和不带工况类别的目标域数据集迭代训练所述浮选工况识别网络，得到识别模型；将不带工况类别的待检测数据集输入所述识别模型，得到识别结果。2.根据权利要求1所述的方法，其特征在于,所述获取浮选工况的视频数据，根据所述视频数据中每一帧图像的噪声大小将所述视频数据分为源域数据集和目标域数据集，并将所述源域数据集和所述目标域数据集根据精矿品位定义不同工况类别的步骤，包括：根据所述视频数据中每一帧图像的噪声大小将所述视频数据分为源域数据集和目标域数据集；分别检测所述源域数据集和所述目标域数据集中每一帧图像对应的泡沫中矿物含量定义浮选工况，并据此对每一帧图像标注不同工况类别。3.根据权利要求1所述的方法，其特征在于,所述特征提取...

【专利技术属性】
技术研发人员：岑丽辉，李选普，陈晓方，唐朝晖，谢永芳，
申请(专利权)人：中南大学，
类型：发明
国别省市：