基于深度学习的矿石图像处理研究综述

聚焦于矿石勘探和将矿石破碎筛分后的皮带运输两个环节,系统总结了深度学习技术在矿石图像处理中的主要应用,包括矿石分类、粒度分析和异物识别等任务,并分门别类地梳理了完成以上三大任务的常用算法及其优缺点.其中,矿石分类在地质勘探中起着重要作用;粒度分析能为破碎机和传送皮带的控制提供参考依据,还能识别出给矿皮带上过大尺寸的矿石,防止处于给矿皮带和受矿皮带之间的转运缓冲仓内发生堵料事故;异物识别能将皮带上混在矿石中的有害物品检测出来.     

基于卷积神经网络的钢铁材料微观组织自动辨识

基于深度学习在计算机视觉上优异的表现,采用深度学习模型对扫描电子显微镜(SEM)所获得的钢铁材料微观组织图片进行自动辨识。提出了适用于钢铁材料微观组织辨识的AlexNet、VggNet、GoogleNet、ResNet改进模型,比较了不同卷积神经网络模型在不同预处理方式下的图片辨识精度,针对从某国家重点实验室收集到的铁素体、珠光体、上贝氏体、下贝氏体、板条马氏体、片状马氏体等6类微观组织图像的数据集进行预测实验,结果表明:与现有技术或人工辨识相比,提出的卷积神经网络能成功辨识不同类型的钢材微观组织,具有较高的适应性和准确度,在测试集上的识别率精度最高可达到100%。     

基于卷积神经网络的矿工安全帽佩戴识别研究

为了解决矿山安全监控监测主要靠人工对视频数据进行识别而存在的诸多人为因素限制的问题,通过构建卷积神经网络实现计算机智能识别矿工安全帽的佩戴,在不增加任何辅助装置的条件下实现矿工安全着装智能识别。从视频数据中提取图像,通过对图像进行旋转、偏移、剪切等预处理,将图像分为矿山背景、戴安全帽的矿工和不戴安全帽的矿工3类。通过构建3种不同深度层次的卷积神经网络进行实验对比,"4个卷积层+3个池化层+3个全连接层"组成的深层网络识别准确率较高,达到91.2%。实验表明利用卷积神经网络可以较好地实现对矿工是否正确佩戴安全帽的智能识别。研究方法为人工智能应用于矿山的安全监控、安全行为及安全状态的智能识别研究提供借鉴。     

基于深度神经网络的点击率预测模型

针对现有深度神经网络点击率预测模型在对用户偏好建模时,难以有效且高效地处理用户行为序列的问题,提出长短期兴趣网络（Long and short term interests network, LSTIN）模型,充分利用用户历史记录上下文信息和顺序信息,提升点击率预测精准性和训练效率。使用基于注意力机制的Transformer和激活单元结构完成用户长、短期兴趣建模,对用户短期兴趣进一步使用循环神经网络（Recurrent neural network, RNN）、卷积神经网络（Convolutional neural networks, CNN）进行处理,最后使用全连接神经网络进行预测。在亚马逊公开数据集上开展实验,将提出的模型与基于分解机的神经网络（DeepFM）、深度兴趣网络（Deep interest network, DIN）等点击率预测模型对比,结果表明提出的模型实现了考虑上下文信息和顺序信息的用户历史记录建模,接受者操作特征曲线下面积（Area under curve, AUC）指标为85.831%,相比于基础模型（BaseModel）提升1.154%,相比于DIN提升0.476%。且因区分用户长、短期兴趣,模型能够在提升预测精准性的同时保障训练效率。      

EDTA络量法测定矿石中铜的研究

EDTA络量法是根据铜离子与EDTA在一定pH值范围内能生成稳定的络合物原理,对矿石中铜进行测定,并成功地取代了传统的碘量法。该方法简单、快速、成本低,适用于含铜在0.05%以上矿石铜的测定。     

深度神经网络模型压缩综述

深度神经网络近年在计算机视觉以及自然语言处理等任务上不断刷新已有最好性能,已经成为最受关注的研究方向.深度网络模型虽然性能显著,但由于参数量巨大、存储成本与计算成本过高,仍然难以部署到硬件受限的嵌入式或移动设备上.相关研究发现,基于卷积神经网络的深度模型本身存在参数冗余,模型中存在对最终结果无用的参数,这为深度网络模型压缩提供了理论支持.因此,如何在保证模型精度条件下降低模型大小已经成为热点问题.本文对国内外学者近几年在模型压缩方面所取得的成果与进展进行了分类归纳并对其优缺点进行评价,并探讨了模型压缩目前存在的问题以及未来的发展方向.      

深度神经网络模型压缩综述

深度神经网络近年在计算机视觉以及自然语言处理等任务上不断刷新已有最好性能,已经成为最受关注的研究方向.深度网络模型虽然性能显著,但由于参数量巨大、存储成本与计算成本过高,仍然难以部署到硬件受限的嵌入式或移动设备上.相关研究发现,基于卷积神经网络的深度模型本身存在参数冗余,模型中存在对最终结果无用的参数,这为深度网络模型压缩提供了理论支持.因此,如何在保证模型精度条件下降低模型大小已经成为热点问题.本文对国内外学者近几年在模型压缩方面所取得的成果与进展进行了分类归纳并对其优缺点进行评价,并探讨了模型压缩目前存在的问题以及未来的发展方向.     

一种基于卷积神经网络的CSI指纹室内定位方法

针对提高Wi-Fi指纹室内定位技术性能,提出了一种基于卷积神经网络（Convolutional neural networks,CNN）的信道状态信息（Channel state information,CSI）指纹室内定位方法。在离线阶段联合定位环境参考点的幅度差和相位差信息,利用CNN进行训练,保存训练后的CNN网络模型作为指纹;在线阶段,针对不同实验场景,对测试数据的幅度差信息和相位差信息进行加权处理,引入改进的基于概率的指纹匹配算法,利用待定位点的CSI信息并通过CNN网络模型预测待定位点的坐标。此外,为增强算法普适性,针对复杂室内场景,提出了双节点定位方案来提高定位精度。在廊厅和实验室室内两种不同定位场景进行了实验,信息联合定位算法分别获得了24.7 cm和48.1 cm的平均定位误差,验证了基于CNN的CSI幅度差和相位差联合定位算法的有效性。      

基于深度卷积神经网络的地磁导航方向适配性分析

针对地磁导航方向适配性分析时人工提取的特征主观性较强且难以表达深层的结构性特征的问题,提出一种基于深度卷积神经网络(convolutional neural network,CNN)的地磁导航方向适配性分析方法.首先,利用Gabor滤波器的方向选择特性建立了6个典型方向的适配特征图;然后,设计了卷积神经网络对深层次的方向适配特征进行提取,并通过混和粒子群算法(hybrid particle swarm optimization,HPSO)对卷积神经网络的训练参数进行优选;最后,通过仿真实验对所提方法进行了验证.结果表明,该方法可有效避免复杂的计算以及人工特征提取的盲目性,实现了地磁导航方向适配性分析的自动化,且所提方法的准确率高于传统的BP网络和支持向量机,对地磁导航和航迹规划具有指导意义.

     

基于改进Mask R-CNN的矿石类型检测算法

针对不同的矿石类型进行选矿工艺参数设置和操作有利于保障精矿质量,提高回收率和降低物资消耗。由于缺乏矿石类型实时检测有效手段,选矿过程的精准操作目前较难实现。为此,本文提出一种全面改进的Mask R-CNN矿石类型检测算法。算法步骤：(1)使用ResNetV1d-50提取矿石图像各阶段的特征图,并在主干网络中加入可变形卷积以便增强异形矿石的特征;(2)改进FPN,通过在主干网络的C5特征层加入特征残差模块,并融合到P5特征层,得到具有更强语义信息的多尺度特征图;(3)改进RPN,设计自适应的正样本IOU选取方案来匹配宽高比异常的矿石,进一步提高异形矿石的识别精度;(4)在RoIAlign网络基础上加入Global-Context,以提高小矿石的检测能力;(5)在数据增强和训练技巧方面对模型进行改进。结果表明,本文算法的平均精度为67.92%,平均交并比为63.54%,分别比基准模型提高了13.67%和9.71%。本文研究方法在矿石类型识别领域具有较好的应用价值。     

人工神经网络预测纯金属的表面张力

建立了以纯金属原子半径、熔点、沸点和原子化焓预测表面张力的人工神经网络模型．训练后的神经网络能较好的拟会实验数据.对40种金属的表面张力进行回想和预测结果与实验值的偏差在可接受范围内,表明人工神经网络在纯金属表面张力预测方面有一定的前景．     

Evaluation of Scheme Design of Blast Furnace Based on Artificial Neural Network

Blast furnace scheme design is very important, since it directly affects the performance, cost and configuration of the blast furnace. An evaluation approach to furnace scheme design was brought forward based on artificial neural network. Ten independent parameters which determined a scheme design were proposed. The improved threelayer BP network algorithm was used to build the evaluation model in which the 10 independent parameters were taken as input evaluation indexes and the degree to which the scheme design satisfies the requirements of the blast furnace as output. It was trained by the existing samples of the scheme design and the experts＇ experience, and then tested by the other samples so as to develop the evaluation model. As an example, it is found that a good scheme design of blast furnace can be chosen by using the evaluation model proposed.     

基于人工神经网络的连铸保护渣性能预测及试验研究

结合人工神经网络计算机试验研究,建立了比较完善的基于人工神经网络的连铸保护渣性能预测模型。     

基于人工神经网络的地下矿山岩层移动研究

提出了采用人工神经网络方法进行地下金属矿山岩层移动预测,结合模糊数学对选取的地表移动影响因素进行了处理.计算结果表明,所选取的各因素之间及其与岩层的移动角之间存在着较强的非线性关系,移动角的大小与选取因素有着密切的联系,进而从理论上证明可以预测由于开挖引起的岩层和地表移动的范围问题.     

地下工程中基于人工神经网络的岩爆预测

通过收集国内外多个地下工程和矿山实际岩爆资料,分析了影响岩爆发生的主要因素,运用人工神经网络方法,建立了岩爆预测的人工神经网络模型,并根据某地下工程的实测参数,验证了预测模型的可靠性.结果表明,所建立的模型具有较高的预测精度.     

变结构神经网络在板形信号模式识别方面的应用

提出了基于模糊距离的变结构神经优化算法,并将其用于板形信号的模式识别过程,有效地解决了板宽变化时神经网络拓扑结构不变的问题,提高了识别速度和精度,从而成为一种新的智能板形信号识别方法。     

基于人工神经网络预报汽车齿轮钢的端淬值

采用人工神经网络建立了关于国内某特殊钢帮生产的汽车齿轮钢的淬透性与化学成分之间关系的非线性网络模型，并验证了该模型的准确性。该方法不同于以线性回归为基础推导出的经验公式，它具有容错性好，通用性强等优点，可用于预报要求多点控制淬透性的汽车齿轮钢，这无疑为汽车齿轮钢的淬透性预报提供了一种可靠的新途径。     

基于人工神经网络的钢管壁厚预测研究

文章采用人工神经网络对包钢无缝钢管厂Ф180机组张力减径过程管材的厚度、外径进行分析,建立多层神经网络模型对张减机出口壁厚进行预测,以适应生产过程的要求。     

基于PCA-RBF网络模型的硫化矿自燃安全性研究

为了更加准确地预测硫化矿自燃安全性,综合考虑硫化矿自燃倾向性及火灾后果严重性,将硫化矿自燃安全性划分为9个等级,并选取矿山含硫量、矿山含碳量、矿石温度、矿石堆放时间、采场人员数量、氧气浓度和采场矿层厚度作为评价因素集。利用主成分分析法（Principal Component Analysis,PCA）对94个采场样本数据进行降维处理,得到包含70%以上原始信息的3个主成分。将降维后的84组数据作为基于径向基函数神经网络（Radial Basis Function Neural Network,RBF）预测模型的训练样本,10组数据作为检验样本进行硫化矿自燃安全性预测。最后分别利用十折交叉验证法和留一法对94组检验样本的自燃安全性预测结果进行检验,得到硫化矿自燃安全性预测准确率分别为92.55%和91.49%。研究结果表明：PCA-RBF网络模型对硫化矿自燃安全性的预测性能良好,且优于未经主成分分析的结果。