本發(fā)明涉及礦石分選領(lǐng)域，具體涉及一種礦石品位快速檢測(cè)方法、系統(tǒng)、介質(zhì)及產(chǎn)品。

背景技術(shù)：

1、礦石分選機(jī)的核心部分是精準(zhǔn)識(shí)別要分選的礦石。常見(jiàn)的數(shù)據(jù)驅(qū)動(dòng)型的礦石識(shí)別算法，如經(jīng)典的統(tǒng)計(jì)模型和機(jī)器學(xué)習(xí)模型都基于二分類的思想，直接輸出礦石的二分類結(jié)果（廢礦或精礦石）。但是，二分類模型只對(duì)礦石進(jìn)行了粗略的分類，沒(méi)有充分學(xué)習(xí)連續(xù)的不同品位的礦石之間的數(shù)據(jù)差異，容易引入誤差，導(dǎo)致分類性能較差，進(jìn)而降低分選性能，具體表現(xiàn)為：（1）二分類模型需要對(duì)礦石提前進(jìn)行分類，一般通過(guò)人為設(shè)置一個(gè)品位閾值的方式來(lái)進(jìn)行，例如，將銅品位在1%以上的礦石視為精礦石，反之為廢礦石。然而這種品位閾值的設(shè)置充滿經(jīng)驗(yàn)性和不確定性。（2）礦石的品位真值一般為化驗(yàn)結(jié)果，是精細(xì)的連續(xù)值，然而在二分類模型中，連續(xù)品位真值被轉(zhuǎn)換為離散的二分類真值。這種轉(zhuǎn)換是不可逆的，造成了信息損失，從而使化驗(yàn)品位值沒(méi)有被充分的利用。（3）二分類模型的可調(diào)節(jié)性和適應(yīng)性較差。當(dāng)我們需要調(diào)節(jié)分選結(jié)果，比如比之前拋出更多廢石、保留品位更低的礦石等，此時(shí)二分類模型往往需要重新訓(xùn)練及部署才能滿足這類需求變化。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明要解決的技術(shù)問(wèn)題：針對(duì)現(xiàn)有技術(shù)的上述問(wèn)題，提供一種礦石品位快速檢測(cè)方法、系統(tǒng)、介質(zhì)及產(chǎn)品，本發(fā)明旨在直接學(xué)習(xí)預(yù)測(cè)礦石品位連續(xù)值的回歸模型以有效規(guī)避二分類分選模型的問(wèn)題，以及針對(duì)性優(yōu)化解決礦石品位回歸預(yù)測(cè)中的“偏態(tài)分布”和“非穩(wěn)態(tài)”問(wèn)題，提升礦石分選模型的分選性能，同時(shí)增強(qiáng)了其可調(diào)節(jié)性和適應(yīng)性。

2、為了解決上述技術(shù)問(wèn)題，本發(fā)明采用的技術(shù)方案為：

3、一種礦石品位快速檢測(cè)方法，包括下述步驟：

4、s1，將輸入的礦石的xrt圖像利用神經(jīng)網(wǎng)絡(luò)模型提取礦石特征；

5、s2，將礦石特征通過(guò)預(yù)先訓(xùn)練好的排序一致性的有序回歸神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)生成有序二進(jìn)制形式的礦石品位預(yù)測(cè)值；

6、s3，將有序二進(jìn)制形式的礦石品位預(yù)測(cè)值實(shí)數(shù)化，將實(shí)數(shù)化后的有序二進(jìn)制形式的礦石品位預(yù)測(cè)值根據(jù)下式逆均勻分布映射得到礦石品位預(yù)測(cè)值：

7、，

8、，

9、上式中，為第i塊礦石的礦石品位預(yù)測(cè)值，為第i塊礦石的實(shí)數(shù)化后的有序二進(jìn)制形式的礦石品位預(yù)測(cè)值，為分位數(shù)轉(zhuǎn)換函數(shù)的逆函數(shù)，為分位數(shù)轉(zhuǎn)換函數(shù)對(duì)第i塊礦石的礦石品位真值的輸出，為礦石樣品總數(shù)；為指示函數(shù)，當(dāng)條件成立時(shí)取值1，否則為0；為第j塊礦石的礦石品位真值。

10、可選地，步驟s1包括：將礦石的xrt圖像經(jīng)過(guò)填充和歸一化操作后被標(biāo)準(zhǔn)化為一個(gè)指定大小的單通道實(shí)數(shù)張量，并通過(guò)重復(fù)擴(kuò)充的方式將單通道實(shí)數(shù)張量轉(zhuǎn)換為一個(gè)指定大小的三通道實(shí)數(shù)張量并輸入訓(xùn)練好的特征提取網(wǎng)絡(luò)得到為一個(gè)多維的實(shí)數(shù)特征向量作為提取的礦石特征。

11、可選地，步驟s2中的排序一致性的有序回歸神經(jīng)網(wǎng)絡(luò)包括多感知機(jī)模型mlp和排序一致性模塊，步驟s2包括：

12、s2.1，將表示礦石特征的實(shí)數(shù)特征向量輸入多感知機(jī)模型mlp以將礦石特征轉(zhuǎn)換為對(duì)應(yīng)的隱式品位值，所述多感知機(jī)模型mlp的函數(shù)表達(dá)式為：

13、，

14、上式中，為第i塊礦石樣本的隱式品位值，為線性整流函數(shù)，和為權(quán)重參數(shù)，和為偏置參數(shù)，為第i塊礦石樣本的礦石特征；

15、s2.2，利用排序一致性模塊將隱式品位值轉(zhuǎn)換為有序二進(jìn)制形式的礦石品位預(yù)測(cè)值：

16、，

17、上式中，為有序二進(jìn)制形式的礦石品位預(yù)測(cè)值，為乙狀激活函數(shù)，為排序一致性模塊的偏置參數(shù)。

18、可選地，步驟s2之前還包括訓(xùn)練排序一致性的有序回歸神經(jīng)網(wǎng)絡(luò)，所述排序一致性的有序回歸神經(jīng)網(wǎng)絡(luò)在訓(xùn)練時(shí)包括采用由礦石樣本的礦石品位真值經(jīng)過(guò)分位數(shù)轉(zhuǎn)換函數(shù)的均勻分布映射、有序二值化得到的有序二進(jìn)制真值向量以及礦石樣本的有序二進(jìn)制形式的礦石品位預(yù)測(cè)值計(jì)算的二分類損失作為損失函數(shù)以優(yōu)化排序一致性的有序回歸神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)參數(shù)，其中礦石樣本的礦石品位真值經(jīng)過(guò)分位數(shù)轉(zhuǎn)換函數(shù)的均勻分布映射的函數(shù)表達(dá)式為：

19、，

20、上式中，為第i塊礦石樣本的礦石品位真值經(jīng)過(guò)均勻分布映射后的映射值；

21、其中有序二值化的函數(shù)表達(dá)式為：

22、，

23、上式中，為第i塊礦石樣本的有序二進(jìn)制真值向量的第個(gè)值，為第 k個(gè)閾值，為有序二進(jìn)制形式的礦石品位預(yù)測(cè)值的維度。

24、可選地，所述二分類損失的計(jì)算函數(shù)表達(dá)式為：

25、，

26、上式中，表示二分類損失函數(shù)，為礦石樣品總數(shù)，為有序二進(jìn)制形式的礦石品位預(yù)測(cè)值的維度，為第i塊礦石樣本的有序二進(jìn)制真值向量的第個(gè)值，為第i塊礦石樣本的有序二進(jìn)制形式的礦石品位預(yù)測(cè)值的第k個(gè)值。

27、可選地，步驟s3中將有序二進(jìn)制形式的礦石品位預(yù)測(cè)值實(shí)數(shù)化的函數(shù)表達(dá)式為：

28、，

29、上式中，為第i塊礦石的實(shí)數(shù)化后的有序二進(jìn)制形式的礦石品位預(yù)測(cè)值，為有序二進(jìn)制形式的礦石品位預(yù)測(cè)值的維度，為第i塊礦石的有序二進(jìn)制形式的礦石品位預(yù)測(cè)值的第k個(gè)值，表示若成立則返回1，否則返回0。

30、可選地，步驟s3之后還包括根據(jù)下式進(jìn)行礦石分類：

31、，

32、上式中，為第i塊礦石的分類結(jié)果，為第i塊礦石的礦石品位預(yù)測(cè)值，為品位分選閾值。

33、此外，本發(fā)明還提供一種礦石品位快速檢測(cè)系統(tǒng)，包括相互連接的微處理器和存儲(chǔ)器，所述微處理器被編程或配置以執(zhí)行所述礦石品位快速檢測(cè)方法。

34、此外，本發(fā)明還提供一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，該計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)中存儲(chǔ)有計(jì)算機(jī)程序或指令，該計(jì)算機(jī)程序或指令被編程或配置以通過(guò)處理器執(zhí)行所述礦石品位快速檢測(cè)方法。

35、此外，本發(fā)明還提供一種計(jì)算機(jī)程序產(chǎn)品，包括計(jì)算機(jī)程序或指令，該計(jì)算機(jī)程序或指令被編程或配置以通過(guò)處理器執(zhí)行所述礦石品位快速檢測(cè)方法。

36、和現(xiàn)有技術(shù)相比，本發(fā)明主要具有下述優(yōu)點(diǎn)：本發(fā)明方法包括將輸入的礦石的xrt圖像利用神經(jīng)網(wǎng)絡(luò)模型提取礦石特征并預(yù)測(cè)隱式品位值；通過(guò)預(yù)先訓(xùn)練好的排序一致性的有序回歸神經(jīng)網(wǎng)絡(luò)轉(zhuǎn)換為有序二進(jìn)制形式的礦石品位預(yù)測(cè)值，在經(jīng)過(guò)實(shí)數(shù)化后進(jìn)行逆均勻分布映射得到礦石品位預(yù)測(cè)值，本發(fā)明通過(guò)直接學(xué)習(xí)預(yù)測(cè)礦石品位連續(xù)值的回歸模型以有效規(guī)避二分類分選模型的問(wèn)題，以及針對(duì)性優(yōu)化解決礦石品位回歸預(yù)測(cè)中的“偏態(tài)分布”和“非穩(wěn)態(tài)”問(wèn)題，提升礦石分選模型的分選性能，同時(shí)增強(qiáng)了其可調(diào)節(jié)性和適應(yīng)性。

技術(shù)特征：

1.一種礦石品位快速檢測(cè)方法，其特征在于，包括下述步驟：

2.根據(jù)權(quán)利要求1所述的礦石品位快速檢測(cè)方法，其特征在于，步驟s1包括：將礦石的xrt圖像經(jīng)過(guò)填充和歸一化操作后被標(biāo)準(zhǔn)化為一個(gè)指定大小的單通道實(shí)數(shù)張量，并通過(guò)重復(fù)擴(kuò)充的方式將單通道實(shí)數(shù)張量轉(zhuǎn)換為一個(gè)指定大小的三通道實(shí)數(shù)張量并輸入訓(xùn)練好的特征提取網(wǎng)絡(luò)得到為一個(gè)多維的實(shí)數(shù)特征向量作為提取的礦石特征。

3.根據(jù)權(quán)利要求2所述的礦石品位快速檢測(cè)方法，其特征在于，步驟s2中的排序一致性的有序回歸神經(jīng)網(wǎng)絡(luò)包括多感知機(jī)模型mlp和排序一致性模塊，步驟s2包括：

4.根據(jù)權(quán)利要求1所述的礦石品位快速檢測(cè)方法，其特征在于，步驟s2之前還包括訓(xùn)練排序一致性的有序回歸神經(jīng)網(wǎng)絡(luò)，所述排序一致性的有序回歸神經(jīng)網(wǎng)絡(luò)在訓(xùn)練時(shí)包括采用由礦石樣本的礦石品位真值經(jīng)過(guò)分位數(shù)轉(zhuǎn)換函數(shù)的均勻分布映射、有序二值化得到的有序二進(jìn)制真值向量以及礦石樣本的有序二進(jìn)制形式的礦石品位預(yù)測(cè)值計(jì)算的二分類損失作為損失函數(shù)以優(yōu)化排序一致性的有序回歸神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)參數(shù)，其中礦石樣本的礦石品位真值經(jīng)過(guò)分位數(shù)轉(zhuǎn)換函數(shù)的均勻分布映射的函數(shù)表達(dá)式為：

5.根據(jù)權(quán)利要求4所述的礦石品位快速檢測(cè)方法，其特征在于，所述二分類損失的計(jì)算函數(shù)表達(dá)式為：

6.根據(jù)權(quán)利要求1所述的礦石品位快速檢測(cè)方法，其特征在于，步驟s3中將有序二進(jìn)制形式的礦石品位預(yù)測(cè)值實(shí)數(shù)化的函數(shù)表達(dá)式為：

7.根據(jù)權(quán)利要求1所述的礦石品位快速檢測(cè)方法，其特征在于，步驟s3之后還包括根據(jù)下式進(jìn)行礦石分類：

8.一種礦石品位快速檢測(cè)系統(tǒng)，包括相互連接的微處理器和存儲(chǔ)器，其特征在于，所述微處理器被編程或配置以執(zhí)行權(quán)利要求1～7中任意一項(xiàng)所述礦石品位快速檢測(cè)方法。

9.一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，該計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)中存儲(chǔ)有計(jì)算機(jī)程序或指令，其特征在于，該計(jì)算機(jī)程序或指令被編程或配置以通過(guò)處理器執(zhí)行權(quán)利要求1～7中任意一項(xiàng)所述礦石品位快速檢測(cè)方法。

10.一種計(jì)算機(jī)程序產(chǎn)品，包括計(jì)算機(jī)程序或指令，其特征在于，該計(jì)算機(jī)程序或指令被編程或配置以通過(guò)處理器執(zhí)行權(quán)利要求1～7中任意一項(xiàng)所述礦石品位快速檢測(cè)方法。

技術(shù)總結(jié)
本發(fā)明公開(kāi)了一種礦石品位快速檢測(cè)方法、系統(tǒng)、介質(zhì)及產(chǎn)品，本發(fā)明的礦石品位快速檢測(cè)方法包括將輸入的礦石的XRT圖像利用神經(jīng)網(wǎng)絡(luò)模型提取礦石特征并預(yù)測(cè)隱式品位值；通過(guò)預(yù)先訓(xùn)練好的排序一致性的有序回歸神經(jīng)網(wǎng)絡(luò)轉(zhuǎn)換為有序二進(jìn)制形式的礦石品位預(yù)測(cè)值，在經(jīng)過(guò)實(shí)數(shù)化后進(jìn)行逆均勻分布映射得到礦石品位預(yù)測(cè)值。本發(fā)明旨在直接學(xué)習(xí)預(yù)測(cè)礦石品位連續(xù)值的回歸模型以有效規(guī)避二分類分選模型的問(wèn)題，以及針對(duì)性優(yōu)化解決礦石品位回歸預(yù)測(cè)中的“偏態(tài)分布”和“非穩(wěn)態(tài)”問(wèn)題，提升礦石分選模型的分選性能，同時(shí)增強(qiáng)了其可調(diào)節(jié)性和適應(yīng)性。

技術(shù)研發(fā)人員：魯重凱,肖罡
受保護(hù)的技術(shù)使用者：江西銅業(yè)技術(shù)研究院有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/19