CN119456465A X光智能选矿机中矿石内部缺陷的x射线三维成像与缺陷定量表征方法 （杭州洛可可创新设计有限公司）

X光智能选矿机中矿石内部缺陷的X射线三本发明公开了X光智能选矿机中矿石内部缺陷的X射线三维成像与缺陷定量表征方法，涉及内部缺陷表征模型，得到矿石内部缺陷表征数和所述当前X光智能选矿机设置参数构建专家经X光智能选矿机，分选得到不同矿石内部缺陷等部缺陷等级矿石，解决了X光智能选矿机设置参21.X光智能选矿机中矿石内部缺陷的X射线三维成像与缺陷定量表征方法，其特征在S3、获取当前X光智能选矿机设置参数，利用所S4、将专家经验序列存储至专家经验池，训练2.根据权利要求1所述的X光智能选矿机中矿石内部缺陷的X射线三维成像与缺陷定量3.根据权利要求2所述的X光智能选矿机中矿石内部缺陷的X射线三维成像与缺陷定量所述矿石是原矿经破碎、振筛后得到的粒级矿石；所述原矿是预选抛废4.根据权利要求3所述的X光智能选矿机中矿石内部缺陷的X射线三维成像与缺陷定量步骤S22：将矿石三维图像输入到矿石内部缺陷表征模型，得到矿石内部缺陷表征数所述矿石内部缺陷表征数据包含缺陷分类结果和内部缺陷体积比，所述35.根据权利要求4所述的X光智能选矿机中矿石内部缺陷的X射线三维成像与缺陷定量所述专家经验序列包含矿石内部缺陷状态集合、智能选矿机参数动作集合所述矿石内部缺陷状态集合包含缺陷分类结果数据和内部缺陷体积所述智能选矿机参数动作集合包含给料皮带速度数据、机身皮带速度数6.根据权利要求5所述的X光智能选矿机中矿石内部缺陷的X射线三维成像与缺陷定量步骤S31：利用所述矿石内部缺陷表征数据和所述当前X光7.根据权利要求6所述的X光智能选矿机中矿石内部缺陷的X射线三维成像与缺陷定量中t为变量,n<M；预测网络输入矿石内部缺陷状态集合和智能选矿机参数动作集合at，输出预测值函4a'；;式中，为在矿石内部缺陷状态集合时智能选矿机参数动作集合的操作效果奖状态集合st1时选择了下一时刻智能选矿机参数动作集合得到的最大预测值函数；;;所述预测网络和目标网络的网络结构相同，均采用BP神经网络为所述输入层的神经元数量等于矿石内部缺陷状态所述输出层的神经元数量等于智能选矿机参数动作集合中的8.一种X光智能选矿机中矿石内部缺陷的X射线三维权利要求1_7中任一项所述的X光智能选矿机中矿石内部缺陷的X射线三维成像与缺陷定量矿石缺陷表征模块：用于将矿石三维图像输入到矿石内部缺陷表征模征数据和所述当前X光智能选矿机设置参数构建专家经验序列；矿机参数优化模块：用于将专家经验序列存储至专家经验池，训练5光智能选矿机中矿石内部缺陷的X射线三维成像与缺陷定量表征方内部缺陷的X射线三维成像与缺陷定量表征方法中6X光智能选矿机中矿石内部缺陷的X射线三维成[0004]申请公开号为CN110046653B的中国专利公开了一种基于XRT射线的白钨分选方络对所述原矿X射线图像进行处理以分选出白钨矿石并计算所述白钨矿石的空间坐标；基于所述白钨矿石的空间坐标计算所述白钨矿石落到喷射区中喷阀位置处的跌落时间并控选矿机中矿石内部缺陷的X射线三维成像与缺陷定量表征方法，能够解决矿石多等级划分7步骤S12：利用边缘检测算法对矿石内部缺陷进行边缘定位，获取缺陷的边缘数步骤S14：将处理后的矿石三维图像内部缺陷进行标注，得到矿石内部缺陷数据8所述矿石内部缺陷状态集合包含缺陷分类结果数据和内部缺陷体积建专家经验序列；步骤S42：基于预测网络、目标网络和经验池构建N个智能体，其中为变量且;步骤S44：使用随机预测网络权重初始化预测网络，使用随机目标网络权重步骤S45：随机批量n从经验池中获取专家经验序列进行训预测网络输入矿石内部缺陷状态集合和智能选矿机参数动作集合at，输出预测;缺陷状态集合st1时选择了下一时刻智能选矿机参数动作集合得到的最大预测值函9;;;所述预测网络和目标网络的网络结构相同，均采用BP神经网络为基础网络结构；所述输入层的神经元数量等于矿石内部缺陷状态所述输出层的神经元数量等于智能选矿机参数动作集合中的[0014]本申请的又一个方面提供一种X光智能选矿机中矿石内部缺陷的X射线三维成像陷表征数据和所述当前X光智能选矿机设置矿机中矿石内部缺陷的X射线三维成像与缺陷定量表征方法本发明利用双目成像结合X射线技术获取矿石的三维图像，相较于二维图像能够内部缺陷表征模型通过矿石内部缺陷数据集训练得到，实现了从数据到模型的闭环设计；[0018]图1是本发明实施例1的一种X光智能选矿机中矿石内部缺陷的X射线三维成像与[0021]图4是本发明实施例2提供的一种X光智能选矿机中矿石内部缺陷的X射线三维成如图1所示，该X光智能选矿机中矿石内部缺陷的X射线三维成像与缺陷定量表征[0030]X光二维成像只能获取矿石的平面投影信息，难以全面反映矿石内部的结构和缺[0033]利用X光双目成像装置获取矿石三维图像是整个流程的起点，决定了后续矿石内矿石内部缺陷的定量表征准确度和矿石不同内部缺陷等级智能分选准确率步骤S12：利用边缘检测算法对矿石内部缺陷进行边缘定位，获取缺陷的边缘数步骤S14：将处理后的矿石三维图像内部缺陷进行标注，得到矿石内部缺陷数据所述矿石内部缺陷状态集合包含缺陷分类结果数据和内部缺陷体积建专家经验序列；步骤S42：基于预测网络、目标网络和经验池构建N个智能体，其中为变量且;步骤S44：使用随机预测网络权重初始化预测网络，使用随机目标网络权重步骤S45：随机批量n从经验池中获取专家经验序列A(s,,值函数和下一时刻智能选矿机参数动作集合a,x'；;式中，T's,,a,为在矿石内部缺陷状态集合st时智能选矿机参数动作集合at的操作内部缺陷状态集合st+1时选择了下一时刻智能选矿机参数动作集合arx'得到的最大预;;所述输入层的神经元数量等于矿石内部缺陷状态所述输出层的神经元数量等于智能选矿机参数动作集合中的图4是本申请一个实施例提供的一种X光智能选矿机中矿石内部缺陷的X射线三维陷表征数据和所述当前X光智能选矿机设置[0047]根据本申请实施方式的方法或装置也可以借助于图5所示的电子设备的架构来实设备100中的存储设备，例如ROM103或硬盘107可存储本申请提供的X光智能选矿机中矿石内部缺陷的X射线三维成像与缺陷定量表征方法。X光智能选矿机中矿石内部缺陷的X射线三维成像与缺陷定量表征方法可例如包括以下步骤：利用X光双目成像装置获取矿石三维述矿石内部缺陷表征数据和所述当前X光智能选矿机设置参数构建专家经验序列；将专家