小样本下基于改进ACGAN数据增强的X射线矿石图像分类方法

针对工业领域利用深度学习模型对矿石进行在线分类时,矿石样本稀少导致的模型过拟合、分类准确率低的问题,提出一种结合X射线透射成像技术的矿石数据增强分类方法。该方法基于改进辅助生成对抗网络(Enhance-based Classification ACGAN-gp, EC-ACGAN-gp),采用卷积和连续残差块构建判别器和生成器,引入注意力机制捕捉矿石细节特征,生成高质量样本扩充原始数据集,同时使用带梯度惩罚的Wasserstein距离重构判别器的损失函数提高对抗训练的稳定性,避免模式崩溃。通过增加辅助分类器重建样本标签信息,最终实现矿石样本的类别预测。结果表明,该方法能实现矿石品位分类的精准预测,准确率可达89.62%,比现有传统方法提高3.98%。该模型生成的矿石样本泛化性良好,能够显著提高小样本数据集的泛化性,在SVM、LeNet5、VGGNet、ResNet上测试,精度分别提升了2.83%、2.36%、1.89%和3.74%,可进一步用于提升其他分类模型在矿石品位预测方面的性能。     

谈矿石的生产分类

近北庄铁矿生产初期用的矿石分类依据是:TFe/FeO>3.5是氧化矿;TFe/FeO<2.7是原生矿;介于两者之间的是混合矿。但是,近     

小样本下结合X射线透射技术的数据增强型矿石分类方法

摘 要：目的 针对工业领域利用深度学习模型对矿石进行在线分选时,矿石样本稀少导致的模型过拟合、分类准确率低等问题,提出一种结合X射线透射成像技术的矿石数据增强分类方法。该方法基于改进辅助生成对抗网络（Enhance-based Classification ACGAN-gp, EC-ACGAN-gp）,可实现对矿石品位的精准预测。方法 首先,在模型架构上,判别器和生成器采用卷积和连续残差块构建,引入注意力机制捕捉矿石细节特征,并使用Wasserstein距离和梯度惩罚重构判别器的损失函数,以提高对抗训练的稳定性,避免模式崩溃。其次,在算法上,增加辅助分类器与生成器协同训练,生成高质量样本并扩充原始数据集。最后利用判别器对矿石样本进行类别预测。结果 实验结果表明,模型分类准确率可达89.62%。结论 所提方法可有效提高小样本条件下矿石品位的分类精度,模型生成的矿石样本泛化性良好,对提高其他识别网络在矿石品位预测方面的性能均适用。     

基于AlexNet-SN网络的煤与煤矸石分类方法

现有煤矸石分选方法依据人工设计的特征对煤矸石进行识别,特征提取过程稍显复杂,准确率仍有很大的提升空间。人工智能技术快速发展,智能选矸成为解决煤矸石分拣问题的重要研究方向,为提高煤与煤矸石分类准确率,本文提出了一种基于AlexNet网络和风格迁移技术的改进的煤矸石分拣方法。选用 的卷积核代替原AlexNet网络前几层中较大的卷积核,利用BN层代替LRN和Dropout,并采用风格迁移数据增强的方法提高煤与煤矸石数据集的多样性。结果表明,与原始的AlexNet网络相比,该方法的准确率提高了1.8%,损失率下降了2%。本文选用的方法不仅能够满足实时检测的要求,而且具有更高的识别精度,能有效应用于煤矸石识别。     

中国叶蜡石矿矿石类型研究

本文在前人资料基础上，根据采自全国13个主要大中型叶蜡石矿床的200多件样品的测试分析成果，论述了中国叶蜡石矿的主要特征、定义、分类原则及依据等，将中国叶蜡石矿石划分为三个大类、九个亚类，并阐述了其主要特征。     

硫化矿石自燃灾害预警的RBF神经网络方法

硫化矿石自燃灾害预警可以快速确定灾害预警等级,进而为灾害防控提供决策以减少矿山损失。通过深入分析硫化矿石自燃典型案例,按照预警指标选取原则,从矿山生产人员、硫化矿石自燃倾向性、环境条件、管理水平等4个方面构建硫化矿石自燃灾害预警系统指标体系。运用RBF预警模型对硫化矿石自燃灾害预警等级进行预测,采用所选的21组样本数据完成了RBF神经网络的学习与训练。应用学习好的预警模型对江西某高硫矿山的硫化矿石自燃灾害预警等级进行预测。结果表明：该矿山硫化矿石自燃灾害预警等级为III级,即自燃危险性一般,与该采场的实际状况相一致。该模型具有很强的实用性,能应用于硫化矿石自燃灾害预警等级的预测。     

矿石体重预测的神经网络模型

探讨了应用神经网络确定不同品级矿石体重的新方法，建立了该方法的神经网络模型（包括网络类型、网络结构和及其学习算法）。实例研究结果表明：所建立的三层反向传播神经网络模型可以用于矿石体重的预测并与传统方法相比有许多突出的优点。     

基于人工神经网络的电网负荷数据分类方法

当前的电网负荷数据分类方法忽略了对负荷数据训练集的设计,导致分类结果存在较高的信噪比,冗余数据也较多.为此,基于人工神经网络设计电网负荷数据分类方法.提取离群点数据,利用人工神经网络算法设计训练集,逼近优化电网负荷数据,生成冗余数据周期性筛查模型,完成电网负荷数据分类.实验结果表明,该方法信噪比高于常规方法,对冗余数据...     

改进Mask RCNN算法对矿石分割定位的研究

针对复杂工况环境下矿石分割精度低的问题，提出改进Mask RCNN实例分割算法。Mask RCNN采用简单的反卷积操作来恢复矿石的掩膜，导致矿石边缘信息丢失，因此提出混合注意力模块，该模块将通道注意力机制和空间注意力机制进行加权融合，可以在通道层面和空间层面对矿石的特征信息加强。结合混合注意力模块改进Mask RCNN的分割网络结构，减少在卷积运算中造成的矿石细节信息丢失，提高网络对矿石的分割精度。用制作的矿石数据集进行网络训练和网络评价，将改进之后的算法与原算法以及其他两种常用算法进行对比试验研究，试验结果表明，改进算法中MIoU约为87.1%,相较原算法提升约19.15%,MPA值约为94.61%,较原算法提升了约22.93%,对于矿石识别分割具有更高的检测精度。改进算法在复杂工况环境下对矿石的精确识别和分割有很大的应用前景。     

矿石品位控制的原理与方法

根据线性规划理论和控制理论,本文建立了矿石品位控制的LP模型和GRADE模型,并通过实例对此进行了说明。这些模型已经在开发露天矿铁路运输计算机实时调度系统中得到了应用,从而合理地解决了矿石混配问题。     

基于BP神经网络的矿石非计划贫化预测

为了消除等效线性超挖（Equivalent Linear Overbreak Slough,ELOS）经验图表法估算矿石非计划贫化的局限性,采用BP神经网络算法,以采场稳定指数、水力半径、钻孔平均偏斜量和炸药单耗为输入变量,以量化矿石非计划贫化的等效线性超挖深度为输出变量,建立了隐含层神经元节点数为6的3层BP神经网络预测模型。经过120组样本数据模型训练和样本测试,BP神经网络预测模型的拟合度为0.987 42、均方误差为9×10-5,预测的相对误差约6%,形成了矿石非计划贫化预测方法。应用BP神经网络非计划贫化模型对三道桥铅锌矿试验采场进行了矿石非计划贫化计算。结果表明：基于BP神经网络的矿石非计划贫化计算值为0.717 m,与现场实测值（0.7 m）相比,其相对误差为2.4%,优于经验图表法和数值模拟分析法的计算结果（0.80 m和0.55 m）,可用于实际矿山的矿石非计划贫化预测。     

有色金属矿石可选性分类的灰色聚类模型

应用灰色系统理论，对有色金属矿石进行可选性分类。构造了矿石可选性因素的白化函数，给出了矿石可选性分类的一般模型和应用实例。     

分类处理胶状黄铁矿矿石的选矿工业试验

苏联哈萨克斯坦矿床赋存一种铜—锌黄铁矿矿石,其特点是含有大量的二硫化铁(黄铁矿、白铁矿),矿石中矿物共生致密(在闪锌矿中胶状黄铜矿占30％或更多),含有大量的硫酸铜和硫酸锌以及次生铜的化合物和氧化铜的化合物。根据矿物的结构—构造特征、物质组成以及矿物的嵌布特征,该矿床的矿石可划分为3种基本工艺类型:胶状黄铁矿、结晶型黄铁矿和过渡型黄铁矿。     

基于改进YOLOv7的地下矿炮孔图像识别方法研究

针对地下矿爆破装药中炮孔图像快速精准识别的难题,通过引入无参注意力模块（simple attention module,SimAm）和更换损失函数（enhanced intersection over union loss,EIoU）的方式改进YOLOv7目标检测模型,优化了炮孔识别特征网络;同时采用数据增强方式解决了炮孔样本小且分布不均匀的难题,提升了模型的泛化性能。研究结果表明,改进模型的检测精度、检测速度比YOLOv7基线模型分别提升了2.96个百分点和13.524帧/s,提升了炮孔识别效率,有利于促进矿产资源爆破开采向少人无人化方向发展。     

概率神经网络在ETM+影像分类中的应用

为了提高Landsat7卫星搭载的ETM+影像分类的精度,文中分析了ETM+传感器拍摄的江西局部区域的遥感影像。通过分析概率神经网络的结构和算法,运用MATLAB对图像进行了处理,得到分类后的图像像素属性数据,并对处理结果均匀取样本点进行了精度分析。结果表明:概率神经网络可以满足ETM+影像分类的要求,具有很好的应用前景。