###
DOI:
矿冶:2022,31(4):-
←前一篇   |   后一篇→
本文二维码信息
码上扫一扫!
基于深度学习的浮选精矿品位预测方法
(北矿机电科技有限责任公司)
Prediction method of flotation concentrate grade based on deep learning
ZHAO Yuhua1, Yang Wenwang2, WuTao1
(1.北矿机电科技有限责任公司;2.BGRIMM Machinery and Automation Technology Co.Ltd.)
摘要
图/表
参考文献
相似文献
本文已被:浏览 91次   下载 78
投稿时间:2022-03-25    修订日期:2022-04-08
中文摘要: 矿浆品位是浮选工艺中关键参数之一,其对于指导生产,节约药剂,控制产品质量和提高回收率等方面都起着非常关键的作用。为了在线预测浮选精矿品位,解决荧光分析仪检测滞后的问题,研究出了一种不需要主观提取特征的基于深度学习的精矿品位在线预测模型,模型的输入为浮选泡沫图像序列、原矿品位值和尾矿品位值,输出为精矿品位值,属于回归问题。对比了主干网络分别为VGG-16,ResNet-50和MobileNet-V2时预测结果的差异,实验结果显示VGG-16的预测精度和鲁棒性最好,平均预测精度达到12.48%。
中文关键词: 图像序列  深度学习  精矿品位  浮选泡沫  
Abstract:The pulp grade is one of the key parameters in the flotation process, which plays a key role in guiding production, saving chemicals, controlling product quality and improving recovery. In order to predict the flotation concentrate grade online and solve the problem of the detection lag of the fluorescence analyzer, a deep learning-based online prediction model of concentrate grade is developed that does not require subjective extraction of features. The value and tailings grade value are input, and the output concentrate grade value is a regression problem. Comparing the differences in the prediction results when the backbone network is VGG-16, ResNet-50 and MobileNet-V2, the experimental results show that VGG-16 has the best prediction accuracy and robustness.The average prediction accuracy is 12.48%.
文章编号:     中图分类号:    文献标志码:
基金项目:
引用文本:
赵玉华,杨文旺,武涛.基于深度学习的浮选精矿品位预测方法[J].矿冶,2022,31(4):.

为了给您提供更优质的网页浏览体验,请使用 Firefox 、Chrome、IE10、IE11、360极速模式、搜狗极速模式、QQ极速模式等浏览器,其他浏览器不建议使用

我们一直在努力打
造,精品期刊,传
播学术成果

全国咨询服务热线
010-63299751

杂志信息

期刊简介

相关下载

联系我们

电话:010-63299751

传真:010-63299754

QQ:XXXXXXX

Email:kuangye@bgrimm.com

邮编:100160

地址:北京市南四环西路188号总部基地十八区23号楼905 北京矿冶研究总院《矿冶》编辑部

关注微信公众号