【技術實現步驟摘要】
本專利技術屬于礦石分選領域，具體涉及一種基于多能譜圖像的銅礦石/廢礦石分類方法及系統。
技術介紹
1、銅礦石作為全球工業和電氣基礎設施的關鍵材料，對現代經濟和技術發展至關重要。我國的銅礦產量較低，而銅礦礦山開采過程中產生的巨量廢礦石中，均還有大量剩余的銅未進行進一步利用。因此，對于銅礦石和廢礦石的進一步區分，能夠節約更多的銅資源。
2、目前，在礦石分類領域，鉛鋅礦、鎢礦等有色金屬的研究已經取得了顯著成果，且已經有較為成熟的分選工藝。但是，銅礦在礦山光電分選領域尚無先例。在現有的光電分選技術中，一般的可見光、短波紅外?、近紅外等方法，只能獲取銅礦石表層的信息；但是，在銅礦石和廢礦石分類這一任務上，僅根據礦石的外表根本無法進行區分。x射線成像雖然能夠穿透礦石表面，獲取其內部結構信息，但是由于銅礦石具有品位低、嵌布粒度細、礦物組成復雜、共生伴生關系復雜等特點，單一能譜圖像所獲取到的信息也不足以有效的對銅礦石和廢礦石進行分類。
技術實現思路
1、本專利技術的目的之一在于提供一種可靠性高且精確性好的基于多能譜圖像的銅礦石/廢礦石分類方法。
2、本專利技術的目的之二在于提供一種實現所述基于多能譜圖像的銅礦石/廢礦石分類方法的系統。
3、本專利技術提供的這種基于多能譜圖像的銅礦石/廢礦石分類方法，包括如下步驟：
4、s1.?獲取現有的銅礦石和廢礦石的多能譜圖像數據信息；
5、s2.?對步驟s1獲取的多能譜圖像數據信息進行數據預處理，以構
6、s3.?基于卷積方案、殘差方案和注意力方案，構建基于多能譜圖像的銅礦石/廢礦石分類初級模型；
7、構建的基于多能譜圖像的銅礦石/廢礦石分類初級模型包括依次串接的圖像處理層、殘差連接層、注意力層和分類層；圖像處理層用于提取輸入的礦石圖像的初步特征；殘差連接層用于提取輸入的礦石圖像的深層次特征，同時緩解梯度消失的問題；注意力層以特征加權的方式提升輸入的礦石圖像中的關鍵信息的影響力；分類層用于對注意力層輸出的特征數據進行分類識別，以實現銅礦石/廢礦石的最終分類；
8、s4.?采用步驟s2構建的訓練數據集，對步驟s3構建的基于多能譜圖像的銅礦石/廢礦石分類初級模型進行訓練，得到基于多能譜圖像的銅礦石/廢礦石分類模型；
9、s5.?采用步驟s4得到的基于多能譜圖像的銅礦石/廢礦石分類模型，進行實際的銅礦石/廢礦石的分類識別。
10、所述的步驟s2，具體包括如下步驟：
11、對步驟s1獲取的多能譜圖像數據信息進行數據預處理；
12、所述的預處理包括圖像去噪、圖像增強、圖像分割和數據增強；其中，所述的圖像去噪，包括采用高斯濾波方法進行圖像去噪；所述的圖像增強，包括采用對比度增強技術進行圖像增強；所述的圖像分割，包括分割并獲取圖像中的所有礦石區域，并將獲取的圖像統一調整至設定大?。凰龅臄祿鰪?，用于提高模型的泛化性能。
13、所述的步驟s3，包括如下步驟：
14、基于卷積方案構建圖像處理層，用于對輸入的多能譜圖像數據進行初步卷積和下采樣處理；
15、基于殘差方案構建殘差連接層，用于對圖像處理層輸出的特征數據進行殘差處理；
16、基于通道注意力方案和空間注意力方案構建注意力層，用于對殘差連接層輸出的特征數據進行通道注意力和空間注意力處理；
17、基于全連接方案構建分類層，用于對注意力層輸出的特征數據進行分類識別。
18、所述的圖像處理層，具體包括如下內容：
19、圖像處理層包括依次串接的卷積核、批量歸一化層和激活函數層；其中，卷積核為的、輸出通道數為32的卷積核；激活函數層為relu激活函數層。
20、所述的殘差連接層，具體包括如下內容：
21、殘差連接層包括依次串聯的第一殘差層和第二殘差層；第一殘差層的輸出通道數為64，第二殘差層的輸出通道數為128；
22、在第一殘差層中，第一殘差層的輸入通過卷積核提取特征后，再通過批量歸一化層和relu激活函數層進行處理，得到第一層第一殘差子特征；第一層第一殘差子特征通過卷積核提取特征后，再通過批量歸一化層和relu激活函數層進行處理，得到第一層第二殘差子特征；將第一殘差層的輸入通過全連接層處理得到第一層輸入子特征，全連接層用于保證第一輸入子特征的形狀和第一層第二殘差子特征相同；將第一層第二殘差子特征和第一層輸入子特征疊加后，作為第一殘差層的輸出；
23、在第二殘差層中，第二殘差層的輸入通過卷積核提取特征后，再通過批量歸一化層和relu激活函數層進行處理，得到第二層第一殘差子特征；第二層第一殘差子特征通過卷積核提取特征后，再通過批量歸一化層和relu激活函數層進行處理，得到第二層第二殘差子特征；將第二殘差層的輸入通過全連接層處理得到第二層輸入子特征，全連接層用于保證第二輸入子特征的形狀和第二層第二殘差子特征相同；將第二層第二殘差子特征和第二層輸入子特征疊加后，作為第二殘差層的輸出。
24、所述的注意力層，具體包括如下內容：
25、注意力層包括依次串聯的通道注意力層、空間注意力層和初步分類層；通道注意力層的輸入通過通道注意力層處理得到通道注意力特征，通道注意力特征與通道注意力層的輸入相乘后，作為空間注意力層輸入；空間注意力層的輸入通過空間注意力層處理得到空間注意力特征，空間注意力特征與空間注意力層的輸入相乘后，作為初步分類的輸入；初步分類層用于對注意力層輸入的特征數據進行初步分類；
26、所述的通道注意力層包括全局層和最大層；通道注意力層的輸入分為兩路，一路通過全局層處理得到全局特征，另一路通過最大層處理得到最大特征，最后將全局特征和最大特征相加得到通道注意力特征；其中，全局層包括全局平均池化層、全局第一全連接層、全局relu激活函數層、全局第二全連接層和全局sigmiod激活函數層；全局層的輸入通過全局平均池化層處理后，經過全局第一全連接層處理以減少通道數，再經過全局relu激活函數層進行通道特征加權，再通過全局第二全連接層處理以恢復通道數，最后通過全局sigmiod激活函數層進行通道特征加權，以得到全局特征；最大層包括最大池化層、最大第一全連接層、最大relu激活函數層、最大第二全連接層和最大sigmiod激活函數層；最大層的輸入通過最大池化層處理后，經過最大第一全連接層處理以減少通道數，再經過最大relu激活函數層進行通道特征加權，再通過最大第二全連接層處理以恢復通道數，最后通過最大sigmiod激活函數層進行通道特征加權，以得到最大特征；
27、在空間注意力層中，空間注意力層的輸入沿通道維度計算均值和最大值，然后將均值和最大值拼接后，通過卷積生成空間權重圖，再通過sigmoid激活函數處理進行空間特征加權，以得到空間注意力特征；
28、初步分類層包括依次串接的平均池化層和全連接層；初步分類層的輸入通過平均池化層和全連接層處理，以本文檔來自技高網...
【技術保護點】
1.一種基于多能譜圖像的銅礦石/廢礦石分類方法，其特征在于包括如下步驟：
2.根據權利要求1所述的基于多能譜圖像的銅礦石/廢礦石分類方法，其特征在于所述的步驟S2，具體包括如下步驟：
3.根據權利要求1所述的基于多能譜圖像的銅礦石/廢礦石分類方法，其特征在于所述的步驟S3，包括如下步驟：
4.根據權利要求3所述的基于多能譜圖像的銅礦石/廢礦石分類方法，其特征在于所述的圖像處理層，具體包括如下內容：
5.根據權利要求4所述的基于多能譜圖像的銅礦石/廢礦石分類方法，其特征在于所述的殘差連接層，具體包括如下內容：
6.根據權利要求5所述的基于多能譜圖像的銅礦石/廢礦石分類方法，其特征在于所述的注意力層，具體包括如下內容：
7.根據權利要求6所述的基于多能譜圖像的銅礦石/廢礦石分類方法，其特征在于所述的分類層，具體包括如下內容：
8.一種實現權利要求1~7之一所述的基于多能譜圖像的銅礦石/廢礦石分類方法的系統，其特征在于包括數據獲取模塊、數據處理模塊、模型構建模塊、模型訓練模塊和礦石分類模塊；數據獲取模塊
...【技術特征摘要】
1.一種基于多能譜圖像的銅礦石/廢礦石分類方法，其特征在于包括如下步驟：
2.根據權利要求1所述的基于多能譜圖像的銅礦石/廢礦石分類方法，其特征在于所述的步驟s2，具體包括如下步驟：
3.根據權利要求1所述的基于多能譜圖像的銅礦石/廢礦石分類方法，其特征在于所述的步驟s3，包括如下步驟：
4.根據權利要求3所述的基于多能譜圖像的銅礦石/廢礦石分類方法，其特征在于所述的圖像處理層，具體包括如下內容：
5.根據權利要求4所述的基于多能譜圖像的銅礦石/廢礦石分類方法，其特征在于所述的殘差連接層，具體包括如下內容：
6.根據權利要求5所述的基于多能譜圖像的銅礦石/廢礦石分類方法，其特征在于所述的注意力層，具體包括如下內容：
7.根據權利要求6所述的基于多能譜圖像的銅礦石/廢礦石分類方法，其特征在于所述的分類層，具體包括如下內容：
8.一種實現權利要求1~7之一所述的基于多能譜圖像的銅礦石/廢礦石分類方法的系統，其特征在于包括數據獲取模塊、數據處理模塊、模型構建模塊、模型訓練模塊和礦石分類模塊；數據獲取模塊、數據處理模塊、模型構建模塊、模型訓練模塊和礦石分類模塊依次串聯；...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。