一种基于深度学习的石墨矿碳品位预测方法技术

本发明专利技术提供一种基于深度学习的石墨矿碳品位预测方法，包括以下步骤：S1、对石墨矿山中进行矿石样本随机采样，得到图像数据，制作石墨矿碳品位数据集；S2、对采集到的图像数据进行数据预处理；S3、构建Pairwise

【技术实现步骤摘要】
一种基于深度学习的石墨矿碳品位预测方法


[0001]本专利技术涉及人工智能
，尤其涉及一种基于深度学习的石墨矿碳品位预测方法。

技术介绍

[0002]矿石资源被广泛应用于电力、建筑业、通讯工业等多个基础产业，是我国信息技术、材料和能源行业能够稳步发展的支柱。特别而言，石墨矿作为战略资源，具有耐高温、导电、导热、润滑、化学性质稳定、可塑等优异的物理特性，被广泛应用在机械、冶金、电子、军工、国防、航天等国民经济的多个领域。
[0003]然而石墨矿在开采后，需要对其固定碳品位进行测定，才能对不同碳品位矿石分拣操作，但由于石墨矿内部组分复杂，大部分矿物稳定的碳含量较低，且多种影响元素长期共存，这使得石墨矿品位的检测十分困难，而且现有对石墨矿碳品位检测方法都是基于化工类试验，十分耗时，影响了矿石资源利用的效率。

技术实现思路

[0004]本专利技术为了克服现有对石墨矿碳品位检测方法普遍基于化工类试验，十分耗时，影响矿石资源利用效率的缺点，提供一种基于深度学习的石墨矿碳品位预测方法。
[0005]一种基于深度学习的石墨矿碳品位预测方法，包括以下步骤：S1、在石墨矿山中进行矿石样本随机采样，对采样的石墨矿石同时进行图像数据采集和非水滴定量法的品位检测，以制作石墨矿碳品位数据集；S2、对采集到的图像数据进行数据预处理，包括划分原生矿数据集和氧化矿数据集，确定品位类别，以及对训练集和测试集按照采样的样本量的7：3比例进行划分；S3、构建Pairwise
‑
EfficientNet深度学习模型；S4、将深度学习模型分别对原生矿训练集和氧化矿训练集进行训练，分别生成原生矿模型权重和氧化矿模型权重；S5、对训练好的原生矿模型和氧化矿模型分别使用对应数据集的测试集进行测试，获得模型评估指标结果的平均误差，并实现单张石墨矿图像输入模型进行品位的预测。
[0006]进一步地，所述步骤S1采用照相机对采集的石墨矿进行图像采集，同时对同一样本矿石的不同面不同的角度进行图像数据采集，以扩充数据量，并将采集到图像数据放置其对应的品位真值的文件夹中。
[0007]进一步地，所述步骤S2具体包括：S2.1、将采集到的石墨矿图像数据分为原生矿品位数据集和氧化矿品位数据集；S2.2、根据数据集中石墨矿品位分布情况将两个数据集进行类别划分，使数据集中划分的每个类别都有相应的品位真值与之对应；S2.3、对所述原生矿品位数据集和氧化矿品位数据集进行图片尺度缩放、中心剪裁、随机角度旋转和镜像操作；
S2.4、将数据集中的样本数量按照7：3进行划分训练集和测试集。
[0008]进一步地，所述Pairwise
‑
EfficientNet深度学习模型由作为特征提取的骨干网络的EfficientNetV2_S模型、Conv3x3卷积和Conv1x1卷积的辅助卷积层以及用于提升网络对易混淆图像的区分能力的Pairwise
‑
model成对特征交互模块依次连接组成。进一步地，所述EfficientNetV2_S模型包括7个Stage，依次为1个卷积核大小为3x3、步长为2的卷积层，3个用于加快模型的训练速度的Fused
‑
MBConv模块以及3个MBConv模块。
[0010]进一步地，所述MBConv模块由1个将模块输入特征升维的1x1普通卷积，1个用于降低模块参数量和计算量的3x3深度可分离卷积，1个对图像特征进行通道加权的SE模块以及1个对图像特征降维得到输出特征的1x1的普通卷积组成，同时将模块输入特征连接至输出特征以实现逐像素相加融合；所述Fused
‑
MBConv模块在MBConv模块的基础上，用1个普通的3x3卷积层替换1x1普通卷积层和3x3深度可分离卷积的组合，并取消SE模块。
[0011]进一步地，所述SE模块由两条分支组成，第一条分支保持输入特征，第二条分支由一个最大池化层和两个FC层组成，用于获取输入特征中每个通道像素的权重；将第二条分支生成的通道权重与输入特征相应通道进行相乘。
[0012]进一步地，所述Pairwise
‑
model成对特征交互模块的构建步骤如下：S3.1、进行图片对选择计算同一批次输入图像提取的图像特征间的欧几里德距离作为图像间的相似性，每一类图像特征根据相似性挑选类间最相似图像img1和img2；S3.2、进行特征对表示获取同一训练批次两个类间最相似图像img1和img2对应的图像特征F1∈R
H
×
W
×
C
和F2∈R
H
×
W
×
C
，H、W、C表示图像特征维度，分别为特征的高、宽、通道数；将F1和F2经过一个由全局平均池化层和FC层组成的通道注意力后，再通过一个全局平均池化层获得自我特征表示的F1_self向量和F2_self向量；同时F1和F2特征进行Concat拼接融合为FusionFeature∈R
H
×
W
×
2C
，融合特征经过一个全局平均池化层和FC层降维后使用Sigmoid激活函数激活得到区间[0，1]的交互特征向量a∈R
C
，将交互特征向量a分别与F1_self向量、F2_self向量进行相乘得到交互特征向量F1_other和F2_other，公式如下：F1_other＝F1
self
⊙
a，F2_other＝F2_self
⊙
a；式中，所述F1_self和F1_other对应img1的类别，F2_self和F2_other对应img2的类别，且F1_self、F1_other都进行预测并计算多类别交叉熵损失L
ce
，F2_self和F2_other与之一致。
[0013]进一步地，所述多类别交叉熵损失L
ce
，用以最小化预测值与真值之间的距离，计算公式如下：公式如下：式中，是图像i∈{1，2}的one
‑
hot真值向量的转置，是特征向量经过softmax函数归一化的预测值，式中，i∈{1，2}，j∈{self，other}，表示图像i的自我特
征或交互特征。
[0004]进一步地，所述模型评估指标结果的平均误差为石墨矿碳品位预测值与真值的差值的绝对值，再取平均值，计算公式如下：式中，sum_num表示所有测试样本的数量，n∈{1，
…
，sum_num}，y
n
表示测试图像n的真值，p
n
表示模型对图像n输出的品位预测值，其计算公式如下：式中，Z表示类别序号的上限，对于任意测试图像n，模型都会预测该输入图像每个类别的概率g
k
，k∈{0，1，
…
，Z}，该图像的品位预测值等于其每个类别概率g
k
和其类别k的加权和。
[0015]本专利技术的有益效果是：1本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的石墨矿碳品位预测方法，其特征在于，包括以下步骤：S1、在石墨矿山中进行矿石样本随机采样，对采样的石墨矿石同时进行图像数据采集和非水滴定量法的品位检测，以制作石墨矿碳品位数据集；S2、对采集到的图像数据进行数据预处理，包括划分原生矿数据集和氧化矿数据集，确定品位类别，以及对训练集和测试集按照采样的样本量的7：3比例进行划分；S3、构建Pairwise
‑
EfficientNet深度学习模型；S4、将深度学习模型分别对原生矿训练集和氧化矿训练集进行训练，分别生成原生矿模型权重和氧化矿模型权重；S5、对训练好的原生矿模型和氧化矿模型分别使用对应数据集的测试集进行测试，获得模型评估指标结果的平均误差，并实现单张石墨矿图像输入模型进行品位的预测。2.根据权利要求1所述的一种基于深度学习的石墨矿碳品位预测方法，其特征在于，所述步骤S1采用照相机对采集的石墨矿进行图像采集，同时对同一样本矿石的不同面不同的角度进行图像数据采集，以扩充数据量，并将采集到图像数据放置其对应的品位真值的文件夹中。3.根据权利要求1所述的一种基于深度学习的石墨矿碳品位预测方法，其特征在于，所述步骤S2具体包括：S2.1、将采集到的石墨矿图像数据分为原生矿品位数据集和氧化矿品位数据集；S2.2、根据数据集中石墨矿品位分布情况将两个数据集进行类别划分，使数据集中划分的每个类别都有相应的品位真值与之对应；S2.3、对所述原生矿品位数据集和氧化矿品位数据集进行图片尺度缩放、中心剪裁、随机角度旋转和镜像操作；S2.4、将数据集中的样本数量按照7：3进行划分训练集和测试集。4.根据权利要求1所述的一种基于深度学习的石墨矿碳品位预测方法，其特征在于，所述Pairwise
‑
EfficientNet深度学习模型由作为特征提取的骨干网络的EfficientNetV2_S模型、Conv3x3卷积和Conv1x1卷积的辅助卷积层以及用于提升网络对易混淆图像的区分能力的Pairwise
‑
model成对特征交互模块依次连接组成。5.根据权利要求4所述的一种基于深度学习的石墨矿碳品位预测方法，其特征在于，所述EfficientNetV2_S模型包括7个Stage，依次为1个卷积核大小为3x3、步长为2的卷积层，3个用于加快模型的训练速度的Fused
‑
MBConv模块以及3个MBConv模块。6.根据权利要求5所述的一种基于深度学习的石墨矿碳品位预测方法，其特征在于，所述MBConv模块由1个将模块输入特征升维的1x1普通卷积，1个用于降低模块参数量和计算量的3x3深度可分离卷积，1个对图像特征进行通道加权的SE模块以及1个对图像特征降维得到输出特征的1x1的普通卷积组成，同时将模块输入特征连接至输出特征以实现逐像素相加融合；所述Fused
‑
MBConv模块在MBConv模块的基础上，用1个普通的3x3卷积层替换1x1普通卷积层和3x3深度可分离卷积的组合，并取消SE模块。7.根据权利要求6所述的一种基于深度学习的石墨矿碳品位预测方法，其特征在于，所述SE模块由两条分支组成，第一条分支保持输入特征，第二条分支由一个最大池化层和两个FC层组成，用于获取输入特征中每个通道像素的权重；将第二条分支...

【专利技术属性】
技术研发人员：陈道贵，余宇星，李增达，
申请(专利权)人：萝北县云山龙兴石墨开发有限公司，
类型：发明
国别省市：