[发明专利]一种基于密度聚类和胶囊神经网络的浮选工况识别方法

说明书

本发明涉及泡沫浮选技术领域，具体涉及一种基于密度聚类和胶囊神经网络的浮选工况识别方法。具体包括：获取浮选工况的视频数据，将所述视频数据进行预处理获得图像样本集；将图像样本集采用预设的密度聚类方法进行去噪优化获得多个工况类别的训练样本和测试样本；构建胶囊神经网络，输入所述训练样本并采用动态路由算法和梯度下降算法进行训练优化获得浮选工况识别模型；将待测工况图像样本输入浮选工况识别模型进行工况识别获得待测工况图像样本的工况类别。该方法可以实现批量、准确快速标签，且训练数据量少，响应时间快，工况识别准确率高。

技术领域

本发明涉及泡沫浮选技术领域，具体涉及一种基于密度聚类和胶囊神经网络的浮选工况识别方法。

背景技术

泡沫浮选是金属冶炼中最主要的选矿方法之一,主要是依据不同矿物颗粒表面润湿性的不同来分离不同矿物。矿石在经过磨矿分离后，得到入选粒度和浓度较为适合的矿浆，再送入搅拌槽并添加药剂，不断地搅拌和充气形成大量气泡,使有用矿物颗粒黏附在气泡表面,其他矿物颗粒停留在矿浆底部中,从而实现矿物分离。浮选工况好坏反映最终的浮选性能指标，而在浮选过程中，浮选泡沫层中泡沫的颜色、尺寸、形状、稳定度、纹理，流速等表面视觉特征可密切反映浮选工况。由于泡沫浮选存在自身工艺流程长、内部机理不明确、影响因素多、涉及变量多且非线性强等问题,导致工艺指标不能在线检测；另外现场操作工人的轮换性和实际操作的主观性和随意性较大,对泡沫结构好与坏的判断没有统一的标准,这也导致了浮选工况识别的复杂性。虽然选矿厂通过离线化验分析能够得到精矿品位和尾矿品位，但是化验结果滞后生产数个小时,造成调节滞后的现象,影响了化验分析的及时性。因此,在线识别浮选槽的工况水平,对生产操作和过程的优化运行具有重要的意义。

随着机器视觉和深度学习技术的迅速发展,基于机器视觉和深度学习技术的浮选监控系统逐渐被应用到浮选过程中，以辅助现场工人判断工况信息。机器视觉技术利用各种数字图像处理技术，首先提取浮选泡沫尺寸、泡沫颜色信息、纹理特征以及表面泡沫层运动速度特征等,然后采用支持向量机、决策树、谱聚类等方法进行工况识别。在深度学习技术应用方面，卷积神经网络以其出色的深度特征提取能力和图像分类能力获得众多研究者关注，其深度特征的提取往往是高维，包括了不局限于泡沫尺寸、形状、颜色、纹理等人眼所能觉察的特征，目前许多研究者逐渐将卷积神经网络应用到浮选工况识别中。这些方法都取得了一定效果，但是，当前工况识别方法中有以下局限性：

传统机器视觉技术方面。1、泡沫特征的提取实际上是针对泡沫灰度图像的降维计算过程,在提取过程中难免存在信息丢失,难以获取本质的图像信息；2、人为自主选定的特征不一定是最好的工况表征，降低了工况识别模型的分类鲁棒性。

深度学习技术方面。1、数据集容量的问题。像卷积神经网络这类的深度学习模型，往往需要数十上百万的训练样本才能保证训练后的模型具有良好的泛化能力。但是在浮选现场，浮选工况一般比较良好且稳定，获得的中等、较差工况的数据一般较少，因此难以制作出大容量、类别分布均匀的训练样本；2、训练样本的标签准确性问题。训练样本一般是预处理后的视频帧，通常是将一段已判断为某一工况状态的视频，其每一帧都标签为对应工况等级。但是由于摄像机抖动、泡沫表面与摄像头的相对运动往往会产生有运动模糊的帧，而且因为泡沫层的不断运动，一段已判断为某一工况状态的视频经常会包含有品位落差、翻矿浆等帧图像。若以上情况下的帧图像得不到有效处理，将会使标签标记错误，难以有效提高深度模型预测准确率；3、信息丢失和可解释性问题。尽管深度卷积网络在泡沫分类方面表现出色，但训练数据需求大，可解释性不强，而且每个卷积核仅对一定区域进行逐步特征提取，丢失了位置和方向等空间特征分布信息。

发明内容

基于此，本发明针对现有工况识别方法的不足之处，通过充分利用现场采集到的泡沫视频，并对视频帧数据进行去噪优化，得到标签和真实工况准确对应的数据集，并设计了胶囊神经网络模型，胶囊神经网络具有参数少，数据集需求小，保留了卷积神经网络优点的情况下，还保留了位置和方向等空间特征分布信息，使得在较小样本规模的情况下，训练得到泡沫工况在线识别模型，训练得到泡沫工况在线识别模型，具有相应时间快，识别准确率高等优点。