![点击分享此内容可以赚币 分享](/master/images/share_but.png)
深度学习在选矿领域的应用进展.pdf
《深度学习在选矿领域的应用进展.pdf》由会员分享,可在线阅读,更多相关《深度学习在选矿领域的应用进展.pdf(7页珍藏版)》请在咨信网上搜索。
1、前 沿 评 述化 工 矿 物 与 加 工INDUSTRIAL MINERALS&PROCESSING2023 年第 8 期 文章编号:()D O I:/j c n k i h g k w y j g 深度学习在选矿领域的应用进展田 妞,黄宋魏,和丽芳,杨社平,字佳林,黄 斌,(昆明理工大学 国土资源工程学院,云南 昆明 ;自然资源部三江成矿作用及资源勘查利用重点实验室,云南 昆明 ;云南省地质矿产勘查开发局中心实验室,云南 昆明 ;云南磷化集团有限公司,国家磷资源开发利用工程技术研究中心,云南 昆明 )摘要:深度学习作为一门新兴技术,可以很好地处理非线性问题以及排除由主观经验导致的稳定性低等问
2、题,已成为选矿领域的研究热点.阐述了基于计算机图像处理技术的深度学习原理,综述了深度学习在矿物识别、碎矿和磨矿、浮选、重选、磁选等方面的研究进展,总结了其优势和不足,并对未来的研究方向提出了若干建议.关键词:选矿;深度学习;图像处理;智能化;矿物识别;磨矿参数优化中图分类号:T D 文献标志码:AA p p l i c a t i o no fd e e p l e a r n i n g i nm i n e r a lp r o c e s s i n gf i e l dT i a nN i u,H u a n gS o n g w e i,H eL i f a n g,Y a n gS
3、 h e p i n g,Z i J i a l i n,H u a n gB i n,(F a c u l t yo fL a n da n dR e s o u r c e sE n g i n e e r i n g,K u n m i n gU n i v e r s i t yo fS c i e n c ea n dT e c h n o l o g y,K u n m i n gY u n n a n ,C h i n a;K e yL a b o r a t o r yo fS a n j i a n gM e t a l l o g e n e s i sa n dR e s
4、 o u r c eE x p l o r a t i o na n dU t i l i z a t i o n,MN R,K u n m i n gY u n n a n ,C h i n a;Y u n n a nP r o v i n c i a lB u r e a uo fG e o l o g ya n dM i n e r a lE x p l o r a t i o na n dD e v e l o p m e n tC e n t e rL a b o r a t o r y,K u n m i n gY u n n a n ,C h i n a;Y u n n a nP
5、 h o s p h a t eC h e m i c a lG r o u pC o,L t d,N a t i o n a lE n g i n e e r i n gR e s e a r c hC e n t e ro fP h o s p h a t eR e s o u r c e sD e v e l o p m e n ta n dU t i l i z a t i o n,K u n m i n gY u n n a n ,C h i n a)A b s t r a c t:A sa ne m e r g i n g t e c h n o l o g y,d e e p l
6、 e a r n i n g i s l i k e l y t oe f f e c t i v e l yh a n d l en o n l i n e a r i s s u e s a n de l i m i n a t e l o ws t a b i l i t yc a u s e db ys u b j e c t i v ee x p e r i e n c ea n dh a sb e c o m ea f o c u so f r e s e a r c h i nm i n e r a l p r o c e s s i n g f i e l d I nt h i
7、 sa r t i c l et h ep r i n c i p l e so fd e e p l e a r n i n gb a s e do nc o m p u t e r i m a g ep r o c e s s i n gt e c h n o l o g yw a sp r e s e n t e d T h er e s e a r c hp r o g r e s sa n da p p l i c a t i o no fd e e pl e a r n i n gi n m i n e r a l i d e n t i f i c a t i o n,o r e
8、c r u s h i n ga n dg r i n d i n g,f l o t a t i o n,g r a v i t ys e p a r a t i o n,m a g n e t i cs e p a r a t i o na n do t h e r p r o c e s s e sw e r e r e v i e w e d,i nw h i c hb o t ha d v a n t a g e s a n dd i s a d v a n t a g e s o f i tw e r e s u mm a r i z e da n ds o m er e c o
9、mm e n d a t i o n so nf u r t h e r s t u d yw e r em a d e K e y w o r d s:m i n e r a l p r o c e s s i n g;d e e p l e a r n i n g;i m a g ep r o c e s s i n g;i n t e l l i g e n t;m i n e r a l i d e n t i f i c a t i o n;o p t i m i z a t i o no fg r i n d i n gp a r a m e t e r s引言机器学习是一种用于数
10、据分析、分类和建模的智能算法.机器学习技术的主要应用之一是计算机视觉,通过该技术可以提高计算机视觉在模式识别、分类和回归等方面的性能.深度学习是机器学习领域中一个新的研究方向,可以使用可编程神经网络从图像数据中提取高级特征.近年来,基于深度学习的卷积神经网 络(C o n v o l u t i o nN e u r a lN e t w o r k,C NN)在图像处理中取得了重大突破,其利用卷积计算代替矩阵收稿日期:基金项目:云南省科技厅基金项目(A T );云南省万人计划人才项目(C G F A);国家磷资源开发利用工程技术研究中心开放基金项目(N E C P ).作者简介:田妞(),女
11、,云南富源人,硕士研究生,主要研究方向为选矿设备及其过程自动化,E m a i l:q q c o m.通信作者:和丽芳(),女,云南丽江人,博士,副教授,主要研究方向为图像处理技术与自动化,E m a i l:q q c o m.引用格式:田妞,黄宋魏,和丽芳,等深度学习在选矿领域的应用进展J化工矿物与加工,():T I ANN,HUAN GSW,HELF,e t a l A p p l i c a t i o no f d e e p l e a r n i n g i nm i n e r a l p r o c e s s i n g f i e l dJ I n d u s t r
12、i a lM i n e r a l s&P r o c e s s i n g,():田 妞等:深度学习在选矿领域的应用进展 年月乘 法,可 从 输 入 图 像 中 有 效 提 取 特 征 信 息.C NN主要用于与计算机视觉相关的任务,如图像分类、目标检测、语义分割和实例分割等.与具有相同层数的人工神经网络(ANN)相比,C NN具有优越的灵活性和分类能力.与类似规模的全连接网络相比,C NN需要学习的参数更少,训练过程更简单.基于以上优点,深度学习在工业、农业、制造业、金融等领域得到了广泛应用.同时,由于深度学习的学科交叉性很强,研究者大都存在跨学科的知识障碍问题,所以该技术的应用还有待
13、进一步完善.矿业为我国的经济发展和国防安全作出了巨大贡献.我国矿产资源分布不均衡,且难选矿多,贫、细、杂是我国矿产资源的主要特点.随着社会经济的快速发展,矿产资源需求量持续增长.选矿技术受多方面因素制约,尚不能完全满足矿产资源开发和利用需求.深度学习是一种新兴的计算机技术,已被逐渐应用于选矿领域.深度学习与选矿技术的交叉融合为智慧矿山建设提供了一条新的思路.本文介绍了深度学习的基本理论,总结了深度学习在选矿中的应用进展,探讨了选矿智能化发展趋势,以期为深度学习在选矿领域的深入应用提供借鉴.深度学习概述 深深度度学学习习原原理理深度学习是指利用深度神经网络实现机器学习的一种方法模型,相比其他的机
14、器学习方法,深度学习是一种可以自动从数据中发现特征和模式,且能够捕捉高度复杂行为的建模结构.研究深度学习的动机在于建立神经网络,其可以通过模 仿 人 脑 来 解 释 数 据,如 图 像、声 音 和 文本等.深度学习架构包括 深度信念网络(D B N)、深度自编码器(D A E)、受限玻尔兹曼机(R BM)、深度神经网络(D NN)、卷积神经网络(C NN).最常用的深度学习方法是基于卷积运算的神经网络系统,即卷积神经网络.C NN是一类旨在将特征学习模块与可训练分类器相结合的神经网络.网络的标准拓扑结构包含一组交错的卷积层和池化层,还有一个平坦层,其降低了数据的维数,以便将数据输入由完全连接层
15、和辍学层组成的可训练分类器.C NN主要由输入层、卷积层、池化层、全连接层和S o f t M a x层种结 构组成,(见 图).C NN将一张图经前向传输通过网络,然后输出一个最终的分类结果.网络可以由几十层或几百层构成,每一层都学习检测不同的特征.网络保留了过去的信息并将其与新输入的数据结合起来,图是一个典型的深度学习A l e x N e t模型在图像分类中的应用(A l e x N e t是最常用的图像分类模型,利用 多万张图像训练好的C NN可将图像划分为 个不同的类别,包括键盘、足球、铅笔、苹果和汽车,以及各个品种的狗、猫、马和其他动物等).图深度学习卷积神经网络构架F i g T
16、 h e f o l d i n gn e u r a ln e t w o r kf r a m eo fd e e p l e a r n i n g图深度学习A l e x N e t模型在图像分类中的应用F i g A p p l i c a t i o no fA l e x N e tm o d e l f o rd e e pl e a r n i n g i n i m a g ec l a s s i f i c a t i o n 深深度度学学习习发发展展进进程程深度学习起源于MC C U L L O CH 提出的MP模型.MP模型是一种基于神经网络的数学模型,用于模拟神经
17、元的结构和工作原理,实质上是一种“模拟人类大脑”的神经元模型.年,D AV I D 提出了一种反向传播算法,是适用于多层感知器的B P算法,很好地解决了非线性分类问题.但是,由于 世纪计算机的硬件水平有限,计算能力无法匹配,当神经网络的规模扩大时,B P算法就出现了“梯度消失”问题,严重制约了人工神经网络的发展.年,H I NTON等 正式提出了深度学习的概念,并给出了解决“梯度消失”问题的方法,即先用无监督的学习方法逐层训练算法进行计 年第期II MM&PP化化工工矿矿物物与与加加工工第 52 卷算,然后用有监督的反向传播算法进行调整.年,在著名的I m a g e N e t图像识别大赛中
18、,K R I Z HE V S KY团队 利 用深度训练 模型A l e x N e t赢得了冠军,深度学习算法由此引起了学术界和工业界的高度关注.随着深度学习技术的发展和数据处理能力的提高,F a c e b o o k在 年实现了 以上 的面部识别精确度,几乎与人类识别精确度相当.年,谷歌A l p h a G o 在深度学习的基础上采用了一种搜索算法以的比分击败了世界顶尖围棋高手李世石,深度学习的热度随之高涨.年,基 于 强 化 学 习 算 法 的A l p h a G oZ e r o 作为A l p h a G o的升级版,可以轻松击败A l p h a G o.近年来,深度学习模型
19、逐渐被应用于选矿领域,并取得了显著效果.深度学习在选矿过程中的应用 矿矿石石和和岩岩石石的的表表征征识识别别在选矿生产中,要设计出科学、合理的选矿工艺,就必须先识别出矿石的矿物成分,岩石岩性及矿物成分的识别与分类是选矿的前提和基础.鉴别矿物的传统方法主要是由技术人员观察矿石中矿物的形态、颜色、解理、光泽等特征,并结合化学分析,根据经验对矿物种类进行判别.这种方法对人员专业知识要求较高,耗时长,工作强度大,并且严重依赖人员经验,因此很难快速准确判别矿石中所有矿物的种类.传统的机器学习方法也是通过人工提取岩石的颜色、形状等特征,然后将其放入分类器进行训练以自动识别岩性.随着计算机技术的快速发展,人
20、工智能算法逐渐被用于岩性识别.S I NGH等 从不同的玄武岩岩石薄片图像中提取了 个数值参数,通过 个岩样薄片的数字化图像自动识别玄武质岩石的结构,准确率高达 .张野等 针对花岗岩、千枚岩、角砾岩建立了一种基于I n c e p t i o n v 的岩石图像深度学习迁移模型,对这种岩石进行图像训练后,其识别率可超过,一部分甚至能超过.该方法操作简单,降低了主观因素的影响,提高了识别效率和准确率.NAT S UO等 在利用深度学习的卷积神经网络模型提取矿物的高光谱图像特征时,依据每种矿物独有的光谱模式对矿物种类进行识别;对方铅矿、黄铜矿、大颗粒赤铁矿(c m)、小颗粒赤铁矿(m)和极小颗粒赤
21、铁矿(m)等种矿物进行了识别和分类,结果表明,在使用深度学习的矿物类型和粒度的 高 光 谱 数 据 分 类 任 务 中,准 确 率 高 达 .许振浩等 提出了一种基于岩石图像迁移学习来实现对岩石的目标检测及智能识别的方法,该方法可以减少非岩石特征对特征提取的干扰,提高卷积神经网络提取岩石特征的能力,岩石图像的识别精度超过了,有些甚至超过,实验证明该模型具有良好的识别性及鲁棒性.近年来,基于深度学习卷积神经网络的图像识别技术是人工智能的热门研究方向之一,随着深度学习应用于岩性自动智能识别研究的深入,未来可以尝试扩大岩石的识别种类.磨磨矿矿参参数数优优化化碎矿和磨矿是选矿工艺过程中的关键步骤,其目
22、的是使紧密连生的有用矿物和脉石充分解离.如有用矿物与脉石未能充分解离,将会影响后续的分选效果,严重影响技术经济指标.由于不同类型磨矿设备的特性有别,磨矿过程基础回路层的取样和控制周期很难保持一致.此外,由于磨矿过程的复杂性,很多参数具有耦合效应,导致很难精确建模,这使得原有方法很难基于模型来解决磨矿过程的多速率控制问题.为此,一些学者提出了磨矿过程智能控制方法.王云峰等 提出了一种基于R B F神经网络和模糊理论的方法,可以实现对磨矿过程的智能化控制,有效克服了磨矿效率和旋流器入口压力等的波动,并在技术上优化了磨矿分级过程.张美义等 根据广西某选矿厂的生产过程和要求,分析了磨矿分级原理和影响因
23、素,设计了一套基于神经网络的磨矿分级自动控制系统,优化了给定值的算法;将该系统应用于选厂生产,获得了显著的经济效益.DU I J V E N B O D E等 提出了利用多元时间序列深度学习来创建新的半自磨机粉碎电路的过程控制方法,该方法将先进传感器数据(X R F、L I B S、F T I R等)与传统的传感器数据(吞吐量、密度等)进行组合,以控制粉碎电路中的机器性能,有利于提高回收率和能源利用率.对不同类型的磨矿设备在不同操作环境下的田 妞等:深度学习在选矿领域的应用进展 年月控制优化是未来面临的一项重要挑战,可将不同的基于深度学习的控制模型应用于磨矿参数优化,以更好地提高磨矿性能.浮浮
24、选选智智能能化化浮选是矿物加工中应用最广泛和最重要的分离技术,其主要是利用被分离矿物表面活性的差异进行分离.浮选生产过程 具有较长的工艺流程、高度非线性、复杂的系统识别等特点.在选矿厂实际生产中主要依赖于操作工人的经验,人工操作必然会导致浮选参数调整有一定的延迟,很难做到实时控制和精确管理.基于此,如能找到新的控制方法对其进行改善和优化,不仅可将工人从高强度工作中解放出来,还能提高浮选质量.近年来,基于深度学习的图像处理技术已被广泛应用于浮选.MOO LMAN等 利用机器视觉系统从某贵金属工业浮选厂的泡沫图像中提取特征,该系统为研究各种浮选参数对浮选结果的影响提供了有力工具.阳春华 利用k均值
25、聚类法对泡沫图像进行了滤波处理;通过形态重构,提取了泡沫图像准确的特征标志;结合分水岭图像分割算法,解决了泡沫背景图像难以提取的问题,完成了泡沫浮选分割.F U等 利用深度学习中的A l e x N e t网络对某工业铂浮选厂硫化砷矿石的间歇浮选泡沫状态特征进行了提取,共提取 个特征,然后据此预测雄黄雌黄石英混合间歇浮选中砷的浓度,实验结果表明,与以往最先进的泡沫图像分析方法相比,使用卷积神经网络进行特征提取能够解释约 的泡沫中砷浓度的变化,性能 更 加 可 靠.F U等 使 用 深 度 学 习 中 的A l e x N e t、VG G 和R e s N e t 等个模型对南非某选矿厂的浮选
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 深度 学习 选矿 领域 应用 进展
![提示](https://www.zixin.com.cn/images/bang_tan.gif)
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。