浮选泡沫分级评价方法技术

本发明专利技术公开了一种浮选泡沫分级评价方法

【技术实现步骤摘要】
浮选泡沫分级评价方法、系统、设备及存储介质


[0001]本专利技术涉及软钾镁矾泡沫分级评价
，尤其涉及一种浮选泡沫分级评价方法
、
系统
、
设备及存储介质
。

技术介绍

[0002]钾盐浮选中目的矿物氯化钾或软钾镁矾粘附在气泡上，通过收集含矿泡沫实现目的矿物的回收
。
目前对于浮选的监测主要通过人工观察和化验室化验两种方式，需要操作工人在浮选平台来回巡视和定时定点取样送去化验，存在主观性强
、
检测周期长和难以客观且实时反映复杂多变的浮选状况的问题
。
而近年来机器视觉和人工智能技术在选矿领域取得了广泛的应用，但是对于钾盐浮选泡沫而言，反光强烈
、
泡沫形态不均一和矿物颗粒与反光点区别不大的问题造成了传统图像处理方法在钾盐浮选泡沫上没有很好的效果，高亮区域和矿物颗粒很容易在处理过程中混淆在一起，无法有效地反映对应的浮选状况
。
[0003]上述内容仅用于辅助理解本专利技术的技术方案，并不代表承认上述内容是现有技术
。

技术实现思路

[0004]本专利技术的主要目的在于提供了一种浮选泡沫分级评价方法
、
系统
、
设备及存储介质，旨在解决如何监测浮选泡沫图像高效反馈浮选运行状况的技术问题
。
[0005]为实现上述目的，本专利技术提供了一种浮选泡沫分级评价方法，所述浮选泡沫分级评价方法包括：
[0006]在钾盐浮选槽上方采集待处理浮选泡沫图像；
[0007]对所述待处理浮选泡沫图像进行数据处理，获得待分类浮选泡沫图像
。
[0008]根据所述待分类浮选泡沫图像通过基于
ResNet
的分级评价模型获得所述待处理浮选泡沫图像对应的浮选泡沫分级评价结果
。
[0009]可选地，所述对所述待处理浮选泡沫图像进行数据处理，获得待分类浮选泡沫图像的步骤，包括：
[0010]对所述待处理浮选泡沫图像进行裁剪，得到预处理浮选泡沫图像；
[0011]根据所述预处理浮选泡沫图像通过基于
ResNet
的分级评价模型进行归一化处理，获得待分类浮选泡沫图像
。
[0012]可选地，所述在钾盐浮选槽上方采集待处理浮选泡沫图像的步骤之前，还包括：
[0013]采集多张浮选泡沫图像样本；
[0014]分别对多张浮选泡沫图像样本进行预处理，获得多张预处理泡沫图像样本；
[0015]分别对多张预处理泡沫图像样本进行数据增强，获得多张浮选泡沫图像训练样本；
[0016]确定多张浮选泡沫图像训练样本对应的钾离子的品位标签信息和硫酸根离子的品位标签信息；
[0017]基于多张浮选泡沫图像训练样本
、
所述钾离子的品位标签信息和所述硫酸根离子的品位标签信息通过微调策略对初始神经网络分类模型进行训练，得到基于
ResNet
的分级评价模型
。
[0018]可选地，所述分别对多张浮选泡沫图像样本进行预处理，获得多张预处理泡沫图像样本的步骤，包括：
[0019]分别对多张浮选泡沫图像样本进行属性处理，获得多张属性浮选泡沫图像样本；
[0020]分别确定多张属性浮选泡沫图像样本对应的属性信息；
[0021]根据所述属性信息确定插补方式，所述插补方式包括均值插补方式
、
同类均值插补方式
、
极大似然估计方式及多重插补方式；
[0022]根据所述插补方式分别对多张属性浮选泡沫图像样本进行缺失值处理，获得多张待处理浮选泡沫图像训练样本；
[0023]分别将多张待处理浮选泡沫图像训练样本进行数据标准化正则化
、
特征选择及主成分分析，获得多张预处理泡沫图像样本
。
[0024]可选地，所述基于多张浮选泡沫图像训练样本
、
所述钾离子的品位标签信息和所述硫酸根离子的品位标签信息通过微调策略对初始神经网络分类模型进行训练，得到基于
ResNet
的分级评价模型的步骤，包括：
[0025]根据多张浮选泡沫图像训练样本对应的图像数据特征信息对初始神经网络分类模型进行参数设置；
[0026]根据多张浮选泡沫图像训练样本
、
所述钾离子的品位标签信息和所述硫酸根离子的品位标签信息通过微调策略对参数设置后的初始神经网络分类模型进行训练，得到基于
ResNet
的分级评价模型
。
[0027]此外，为实现上述目的，本专利技术还提出一种浮选泡沫分级评价系统，所述浮选泡沫分级评价系统包括：
[0028]采集模块，用于在钾盐浮选槽上方采集待处理浮选泡沫图像；
[0029]处理模块，用于对所述待处理浮选泡沫图像进行数据处理，获得待分类浮选泡沫图像；
[0030]评价模块，用于根据所述待分类浮选泡沫图像通过基于
ResNet
的分级评价模型获得所述待处理浮选泡沫图像对应的浮选泡沫分级评价结果
。
[0031]可选地，所述浮选泡沫分级评价系统还包括构建模块；
[0032]所述构建模块，用于采集多张浮选泡沫图像样本；
[0033]所述构建模块，还用于分别对多张浮选泡沫图像样本进行预处理，获得多张预处理泡沫图像样本；
[0034]所述构建模块，还用于分别对多张预处理泡沫图像样本进行数据增强，获得多张浮选泡沫图像训练样本；
[0035]所述构建模块，还用于确定多张浮选泡沫图像训练样本对应的钾离子的品位标签信息和硫酸根离子的品位标签信息；
[0036]所述构建模块，还用于基于多张浮选泡沫图像训练样本
、
所述钾离子的品位标签信息和所述硫酸根离子的品位标签信息通过微调策略对初始神经网络分类模型进行训练，得到基于
ResNet
的分级评价模型
。
[0037]可选地，所述构建模块，还用于分别对多张浮选泡沫图像样本进行属性处理，获得多张属性浮选泡沫图像样本；
[0038]所述构建模块，还用于分别确定多张属性浮选泡沫图像样本对应的属性信息；
[0039]所述构建模块，还用于根据所述属性信息确定插补方式，所述插补方式包括均值插补方式
、
同类均值插补方式
、
极大似然估计方式及多重插补方式；
[0040]所述构建模块，还用于根据所述插补方式分别对多张属性浮选泡沫图像样本进行缺失值处理，获得多张待处理浮选泡沫图像训练样本；
[0041]所述构建模块，还用于分别将多张待处理浮选泡沫图像训练样本进行数据标准化正则化
、
特征选择及主成分分析，获得多张预处理泡沫图像样本
。
[0042]此外，为实现上述目的，本专利技术还提出一种浮选泡沫分级评价设备，所述设本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种浮选泡沫分级评价方法，其特征在于，所述浮选泡沫分级评价方法包括以下步骤：在钾盐浮选槽上方采集待处理浮选泡沫图像；对所述待处理浮选泡沫图像进行数据处理，获得待分类浮选泡沫图像；根据所述待分类浮选泡沫图像通过基于
ResNet
的分级评价模型获得所述待处理浮选泡沫图像对应的浮选泡沫分级评价结果
。2.
如权利要求1所述的方法，其特征在于，所述对所述待处理浮选泡沫图像进行数据处理，获得待分类浮选泡沫图像的步骤，包括：对所述待处理浮选泡沫图像进行裁剪，得到预处理浮选泡沫图像；根据所述预处理浮选泡沫图像通过基于
ResNet
的分级评价模型进行归一化处理，获得待分类浮选泡沫图像
。3.
如权利要求1或2所述的方法，其特征在于，所述在钾盐浮选槽上方采集待处理浮选泡沫图像的步骤之前，还包括：采集多张浮选泡沫图像样本；分别对多张浮选泡沫图像样本进行预处理，获得多张预处理泡沫图像样本；分别对多张预处理泡沫图像样本进行数据增强，获得多张浮选泡沫图像训练样本；确定多张浮选泡沫图像训练样本对应的钾离子的品位标签信息和硫酸根离子的品位标签信息；基于多张浮选泡沫图像训练样本
、
所述钾离子的品位标签信息和所述硫酸根离子的品位标签信息通过微调策略对初始神经网络分类模型进行训练，得到基于
ResNet
的分级评价模型
。4.
如权利要求3所述的方法，其特征在于，所述分别对多张浮选泡沫图像样本进行预处理，获得多张预处理泡沫图像样本的步骤，包括：分别对多张浮选泡沫图像样本进行属性处理，获得多张属性浮选泡沫图像样本；分别确定多张属性浮选泡沫图像样本对应的属性信息；根据所述属性信息确定插补方式，所述插补方式包括均值插补方式
、
同类均值插补方式
、
极大似然估计方式及多重插补方式；根据所述插补方式分别对多张属性浮选泡沫图像样本进行缺失值处理，获得多张待处理浮选泡沫图像训练样本；分别将多张待处理浮选泡沫图像训练样本进行数据标准化正则化
、
特征选择及主成分分析，获得多张预处理泡沫图像样本
。5.
如权利要求4所述的方法，其特征在于，所述基于多张浮选泡沫图像训练样本
、
所述钾离子的品位标签信息和所述硫酸根离子的品位标签信息通过微调策略对初始神经网络分类模型进行训练，得到基于
ResNet
的分级评价模型的步骤，包括：根据多张浮选泡沫图像训练样本对应的图像数据特征信息对初始神经网络分类模型进行参数设置；根据多张浮选泡沫图像训练样本
、
所述钾离子的品位标签信息和所...

【专利技术属性】
技术研发人员：贾菲菲，李东星，林昌盛，何新芳，王亮亮，董广峰，陈鹏，杨玉明，曾龙颜，尹自泽，易浩，黄理学，苏依巴音，宋少先，任延鹏，
申请(专利权)人：武汉理工大学，
类型：发明
国别省市：