CN115861193B 一种基于多源异构信息的浮选过程运行状态评价方法 （东北大学）

一种基于多源异构信息的浮选过程运行状本发明涉及一种基于多源异构信息的浮选将预处理后的泡沫图像和泡沫数据输入训练的ResNet_SSPAE_AM评价模型中，训练的ResNet_SSPAE_AM评价模型输出浮选过程运行状态的状态等级标签；所述训练的ResNet_SSPAE_AM评价模型包括残差网络ResNet、SSPAE网络模型以及2S1、分别对在线采集的泡沫图像和泡沫数据进行预训练的ResNet_SSPAE_AM评价模型输出浮选过程所述训练的ResNet_SSPAE_AM评价模型包括残差网络ResNet、SSP其中，采用训练数据集训练建立的ResNet_SSPAE_AM评价模型得到训练的ResNet_练数据集包括涵盖C个状态等级的N个图像训练样本；所述数据训练数据集包括涵盖C个状S0、采用训练数据集，训练建立的ResNet_SSPAE_AM评价模型得到训练的ResNet_到预训练的残差网络ResNet以及所述图像到预训练的SSPAE网络模型以及所述数据S03、基于所述图像特征集和所述数据特征集，训练ResNet_S04、将所述图像训练数据集和所述数据训练数据集，输入到预络ResNet分别获取每一图像训练样本状态等级标3yn为采用独热编码形式预先标记的图像训练数据集中第n个图像训练样本的实际状态表示图像训练数据集中第n个图像训练样本实际属于第c个状态等级标签；:e":JI为表示图像训练数据集中第n个图像训练样本属于第c个状态等级的后验其中，残差网络ResNet对图像训练数据集中的每一图像训练练的残差网络ResNet以及所述图像训练数据集所对应所述SSPAE网络模型中的第一个SPAE对每一数据训练样本进行编码和解码处理，得到S022、将与所述第一个SPAE对应的泡沫数据特征作为SP入下一个SPAE中，并重复步骤S023，直沫数据特征和PAE编码器参数，并将该泡沫数据特征作为新的PAE输入数据，并重复步骤4其中其中t,"eR'",JD为泡沫数据特征的维度；r,"为数据训练数据集中第n个数据训练样本中提取的泡沫数据特征。是数据训练数据集中第n个数据训练样本中提取的泡沫数据特征r"的转nS033、根据第一集合T任一元素tn的注意力值αn计算第一集合T任一元素tn的注意力权任一元素tn所对应的融合特征in:i,=q,ot,;应的状态等级标签j,并得到第三SoftMax分类器的参数，以及预训练的AM网络结构；表示每一压缩特征属于第c个状态等级的后验5直至预训练的ResNet_SSPAE_AM评价模型所对应的损失值小于预先设定的阈值，得到训练根据训练的ResNet_SSPAE_AM评价模型输出浮选过程运行状态的状态等级标签中最大为训练的ResNet_SSPAE_AM评价模型输出浮选过程运行状态的状态等级标签。所述泡沫图像为利用工业照相机实时采集的浮选筒所述泡沫数据包括：矿浆液位、浮选桶内的充气量以及利用泡沫图像分析6选过程运行状态评价具有重要的理论意义与应[0010]S2、分别将预处理后的泡沫图像和泡沫数据输入训练的ResNet_SSPAE_AM评价模练数据集包括涵盖C个状态等级的N个图像训练样本；所述数据训练数据集包括涵盖C个状7并得到预训练的残差网络ResNet以及所述图像训练数据集所对应的并得到预训练的SSPAE网络模型以及所述数据训练数据集所对应的[0023]S04、将所述图像训练数据集和所述数据训练数据集，输入到预训练的ResNet_差网络ResNet分别获取每一图像训练样本状态等级[0029]yn为采用独热编码形式预先标记的图像训练数据集中第n个图像训练样本的实际:e":JI为泡沫图像特征维度；预训练的残差网络ResNet以及所述图像训练数据集所对应的图像8[0040]所述SSPAE网络模型中的第一个SPAE对每一数据训练样本进行编码和解码处理，得到与所述第一个SPAE对应的泡沫数据特征和SP泡沫数据特征和SPAE编码器参数，并将该SPAE对应的泡沫数据特征作为新的SPAE输入数PAE分别所对应的PAE编码器参数和第三Soft[0048]其中其中t,"eR'"9[0061]S033、根据第一集合T任一元素tn的注意力值αn计算第一集合T任一元素tn的注意集合T任一元素tn所对应的融合特征i,:[0063]i,=q,ot,;j,并得到第三SoftMax分类器的参数，以及预训练的AM网络结构；[0080]根据训练的ResNet_SSPAE_AM评价模型输出浮选过程运行状态的状态等级标签中方法，由于采用分别将预处理后的泡沫图像和泡沫数据输入训练的ResNet_SSPAE_AM评价述残差网络ResNet，用于基于预处理后的泡沫图像获取泡沫图像特征；所述SSPAE网络模[0091]图2为本发明的一种基于多源异构信息的浮选过程运行状态评价方法中的[0094]图5为本发明实施例二的一种基于多源异构信息的浮选过程运行状态评价方法的[0108]S2、分别将预处理后的泡沫图像和泡沫数据输入训练的ResNet_SSPAE_AM评价模练数据集包括涵盖C个状态等级的N个图像训练样本；所述数据训练数据集包括涵盖C个状并得到预训练的残差网络ResNet以及所述图像训练数据集所对应的差网络ResNet分别获取每一图像训练样本状态等级[0121]yn为采用独热编码形式预先标记的图像训练数据集中第n个图像训练样本的实际:e":JI为泡沫图像特征维度。预训练的残差网络ResNet以及所述图像训练数据集所对应的图像并得到预训练的SSPAE网络模型以及所述数据训练数据集所对应的[0133]所述SSPAE网络模型中的第一个SPAE对每一数据训练样本进行编码和解码处理，得到与所述第一个SPAE对应的泡沫数据特征和SP泡沫数据特征和SPAE编码器参数，并将该SPAE对应的泡沫数据特征作为新的SPAE输入数PAE分别所对应的PAE编码器参数和第三Soft[0141]其中其中t"eR'",JD为泡沫数据特征的维度。[0156]S033、根据第一集合T任一元素tn的注意力值αn计算第一集合T任一元素tn的注意集合T任一元素tn所对应的融合特征in:[0158]i,=q,ot,;j,[0168]S04、将所述图像训练数据集和所述数据训练数据集，输入到预训练的ResNet_[0177]根据训练的ResNet_SSPAE_AM评价模型输出浮选过程运行状态的状态等级标签中别将预处理后的泡沫图像和泡沫数据输入训练的ResNet_SSPAE_AM评价模型中，训练的ResNet_SSPAE_AM评价模型输出浮选过程运行状态的状态等级标签；所述训练的ResNet_SSPAE_AM评价模型包括残差网络ResNet、SSPAE网络模型以及AM网络结构；所述残差网络着后续精选和扫选子过程的运行状态，进而影响浮选过程最终的铜回收率及综合经济效[0190]S2、分别将预处理后的泡沫图像和泡沫数据输入训练的ResNet_SSPAE_AM评价模练数据集包括涵盖C个状态等级的N个图像训练样本；所述数据训练数据集包括涵盖C个状等级下的共27218张泡沫图像作为模型训练和在线测试的原始图像信息，每个等级样本数[0197]不同状态等级的泡沫图像如图4所示。另外，同步收集关于泡沫状态的泡沫数据[0202]由于泡沫图像和泡沫数据的采用频率不一致，为了在时以泡沫图像采样周期为标准，对两张泡沫图像采样间隔内的多个泡沫数据样本取平均值，并得到预训练的残差网络ResNet以及所述图像训练数据集所对应的差网络ResNet分别获取每一图像训练样本状态等级[0211]yn为采用独热编码形式预先标记的图像训练数据集中第n个图像训练样本的实际:e":JI为泡沫图像特征维度。预训练的残差网络ResNet以及所述图像训练数据集所对应的图像并得到预训练的SSPAE网络模型以及所述数据训练数据集所对应的[0223]所述SSPAE网络模型中的第一个SPAE对每一数据训练样本进行编码和解码处理，得到与所述第一个SPAE对应的泡沫数据特征和SP泡沫数据特征和SPAE编码器参数，并将该SPAE对应的泡沫数据特征作为新的SPAE输入数PAE分别所对应的PAE编码器参数和第三Soft[0233]建立SSPAE网络模型时，需要考虑SPAE和PAE隐含层数量对整个SSPAE网络模型性[0247]S033、根据第一集合T任一元素tn的注意力值αn计算第一集合T任一元素tn的注意[0259]S04、将所述图像训练数据集和所述数据训练数据集，输入到预训练的ResNet_[0268]所述S3具体包括：根据训练的ResNet_SSPAE_AM评价模型输出浮选过程运行状态[0271]实现本实施例提供一种基于多源异构信息的浮选过程运行状态评价方法的系统[0272]在线评价中，测试集共包含5447个样评价方法在线评价结果。可以看出本实施例中的一种基于多源异构信息的浮选过程运行状态评价方法的评价结果与实际等级一致，本实施例中的一种基于多源异构信息的浮选过程别将预处理后的泡沫图像和泡沫数据输入训练的ResNet_SSPAE_AM评价模型中，训练的ResNet_SSPAE_AM评价模型输出浮选过程运行状态的状态等级标签；所述训练的