基于深度学习的摇床接矿位置预测方法_赵玉华.pdf

有色金属（选矿部分）年第期 ：收稿日期：作者简介：赵玉华（），女，河北唐山人，硕士，高级工程师，主要从事小波变换、视频图像处理、计算机视觉和机器学习等方向研究。基于深度学习的摇床接矿位置预测方法赵玉华，杨文旺，武涛，孙鹏健，（北矿机电科技有限责任公司，北京 ；矿冶科技集团有限公司，北京 ）摘要：目前在运用摇床进行选矿的过程中，使用摇床矿带识别及接矿板自动调节装置大大提高了摇床的自动化程度。但是对于接矿位置不在矿带分割线位置的矿物，例如锡矿，在分割线处接到的矿物品位会达到 以上，而真正需要的品位范围是 ，仍需要人工设置偏移量确定接矿位置。针对接矿需要人工参与这一问题，研究出了一种输入为摇床矿带图像、输出为接矿位置的深度学习预测模型，该模型以 为基础网络结构，使用均方损失和 优化器进行训练，通过批量大小、迭代次数以及学习率等超参数调整卷积层中的权重值。在华联锌铟公司新田选矿厂精选段摇床开展了摇床智能接矿工业试验研究，试验结果表明，验证集中 的样本预测误差小于 ，的预测误差小于 ，因此，该方法能够让计算机学习到操作工的接矿经验，计算出满足生产需要的接矿位置，真正实现摇床智能接矿。基于深度学习的预测模型在现场运行了半年多，接矿的精矿品位能够达到工艺要求，为现场生产提供了便利。关键词：深度学习；智能；摇床中图分类号：文献标志码：文章编号：（），（.，.，；.，）：，：；年第期赵玉华等：基于深度学习的摇床接矿位置预测方法摇床是选矿工艺中重要的重选设备，在全球内广泛应用。摇床床面的矿物在水流推动及床面的不对称往复运动作用下，发生松散和分层，在床面呈精矿带、次精矿带等多条扇形矿带分布，不同品位的矿物得到分选。杨文龙等设计了一种选矿摇床矿带识别及接矿板自动调节装置，主要由矿带识别装置和接矿板驱动装置构成，工作原理是通过在摇床上方安装矿带识别装置，可以对床面上的矿物分层状态进行图像信息提取并进行图像处理，处理后的数据将传输给摇床控制器，经过逻辑运算处理后驱动接矿板步进电机进行动作，电机的正反转动将带动接矿装置上的丝杠转动，从而带动螺母向前或后运行，进而对接矿板位置进行实时调节。这套装置大大提高了摇床的自动化程度，但是对于接矿位置不在矿带分割线的矿石例如锡矿，在分割线处接到的矿物品位会达到 以上，而真正需要的品位范围是 ，因此需要人工手动输入偏移量，从而获得满足要求的精矿品位，这种需要人工干预的接矿技术为自动接矿。和丽芳等研究出了基于改进萤火虫算法的多阈值摇床彩色矿带分带图像分割法和基于磷虾优化算法的摇床矿带分带图像分割法，提高了矿带分割的精确性和稳定性，使得自动接矿技术得到了进一步的发展。近年来，深度学习技术在计算机视觉领域快速发展，该技术通过多层卷积神经网络能够自动提取图像的特征，有效解决回归任务，具有较高的鲁棒性，这为实现不需要人工干预的智能接矿提供了可行性方案。李驰骎针对精矿带与次精矿带的交界线处有较明显的带状条形分布并且床面斜边与带状条形分布组成了四边形的摇床，搭建了 配合 结构作为主干网络的卷积神经网络模型，用来预测该四边形的四个顶点，计算出四个顶点的中心作为摇床的矿带分离点之后，依然需要人工输入目标偏移设置，确定最终的接矿位置，因而此系统也属于自动接矿系统。本文研究出了一种输入为摇床矿带图像、输出为接矿位置的深度学习预测模型，真正实现了摇床智能接矿。通过自动接矿系统记录数据制作样本集，在不影响选厂生产的情况下，也不需要额外的矿样化验工作，就能够在短期内获取大量训练样本，采用 为基础网络结构，使用均方损失和 优化器进行训练，通过批量大小、迭代次数以及学习率等超参数调整卷积层中的权重值。试验证明该方法能够让计算机学习到操作工的接矿经验，计算出满足生产需要的接矿位置，解决了需要人工化验品位导致训练数据不好收集，以及影响选厂生产从而造成巨大经济损失等问题。自动接矿和数据采集 自动接矿北矿机电科技有限责任公司研发出全球首台摇床智能巡检机器人，并应用于云南华联锌铟股份有限公司新田车间。该选矿厂日处理原矿石 ，主要对铜、锡、锌、铟等多种金属进行矿物选别和回收。针对锡金属的矿物选别，设计安装 余台摇床设备，用于对锡金属矿的粗选、扫选和精选。由于摇床数量众多，需要配备大量操作工对摇床进行操作和管理，劳动强度大，维护运营成本高，工业试验地点选择精选段 张摇床。图摇床智能巡检机器人 由该机器人搭载的工业相机对摇床矿带进行拍照，将采集到的图像信号 输入计算机，所述图像的每一个像素的色彩空间为 空间，现场摇床分左摇床和右摇床，对右摇床的图片做镜像，和左摇床采用统一的处理方法，用图像分割技术找到精矿带和次精矿带的分割线位置 ，如图所示。图自动接矿识别出的精矿带位置 操作工设置偏移量 ，与 做运算就得有色金属（选矿部分）年第期到最终的接矿位置 ，公式如下：（）此处 是像素比，表征了图像 中摇床边缘所在行一个像素是多少毫米距离（图）。图自动接矿操作工设置偏移量的界面 数据采集和标注摇床智能接矿需要的模型是：（图像）接矿位置，这是一个回归问题。利用自动接矿的结果标注数据，即该模型学习的是操作工的经验，如图所示。绿线所在位置就是计算机根据图像分割技术识别精矿带和次精矿带的分割线位置 并读取到操作工的偏移设置 后计算得到的接矿位置 ，这样就得到一条标注样本（，），很多条这样的标注样本，组成数据集，数据集又分训练集、验证集和测试集。训练集用来训练模型，验证集用于模型和模型超参数的选择，测试集用于最终对模型优劣的评估。图采集到的图像、分割线位置和计算出的接矿位置 ，网络结构和改进方案近年来，深度学习技术在图像识别等领域快速发展，基于深度学习的图像识别方法通过多层卷积神经网络自动提取图像的特征，具有较高的鲁棒性和识别准确度。是经典的深度卷积神经网络之一，由牛津大学计算机视觉组（）和 公司研究员共同研发，在 年 竞赛中取得亚军。网络模型中的卷积层均使用卷积核，池化层均使用的池化核，其简单规整的结构使其有着很强的拓展性，网络结构如图所示。网络结构中包含了 个卷积层和个全连接层（共 层）。可分为段卷积操作，每个卷积层后使用 激活函数，并在每段卷积后都接有最大池化层可在特征被保留的前提下对数据进行缩减。为了更好地解决摇床接矿位置预测问题，在原来的网络结构上进行了一些改动，个卷积层后接个 节点数的全连接层和一个输出层，损失函数由 改为均方损失。均方误 差（，）损 失 函数，又称为损失，是回归任务中常用损失函数，其定义如下：图 网络结构 年第期赵玉华等：基于深度学习的摇床接矿位置预测方法 （）（）其中，为模型预测输出，这里是接矿位置像素值，为真实数据值。试验与结果分析 模型训练过程摇床 智 能 接 矿 模 型 的 训 练 过 程 由 损 失 函 数（）和优化器（）进行控制，如图 所 示。损 失 函 数，又 称 目 标 函 数（），其输入是模型预测值与真实目标值，然后计算一个距离值（损失值）用于衡量该模型在样本数据上的效果好坏。优化器基于损失函数计算的损失作为反馈信号对权重进行调整更新，以降低模型预测值与真实目标值的距离。模型训练初始对每一层的权重进行随机赋值，其预测值与真实目标值自然相差甚远，体现在损失值很高。随着训练样本的输入，每一层权重值也逐步的向正确的方向进行调整，同时损失也逐渐降低，当损失足够小，模型的训练过程就结束了。图模型训练过程 第一次模型训练使用 编程语言、深度学习框架，结合 （）（）处理器，在 操作系统下进行 试 验。使 用 显 卡、和 调用 进行加速。使用 梯度下降，学习率取 ，大小为。最初只在张摇床上标注数据，共标注了 张图 片，训练集 张，验证 集 张，测 试集 张。在 训 练 集 上 绘 制 了 模 型 训 练 损 失 曲 线（图），在测试集上绘制了标注值和预测值的差值曲线（图）。损失曲线和差值曲线都随着迭代次数增加逐步下降并趋于平缓，证明此方法是可行的，而且没有出现过拟合现象。为了得到更多信息，进一步对数据进行了统计分析，得到表、。使用的工业相机的像素比是 ，平均绝对误图（）模型训练损失曲线；（）预测结果与标注结果平均偏差 （）；（）图预测值与标记值的差值曲线 差 个像素，也就是 ，从表中可以发现验证集中只有 的样本预测误差小于 ，的预测误差小于 ，预测精度差了些，因此提高了训练集的样本量，进行了第二次模型训练。有色金属（选矿部分）年第期表标签数据及预测结果评估 平均绝对误差均方误差解释方差决定系数最大差值（像素）最小差值平均差值（像素）表误差统计结果 样本总数误差小于 误差小于误差小于 像素误差小于 像素误差小于 像素 第二次模型训练这次在 张床上一共标注了 张图片，其中 张图片用于训练模型，张图片用于盲测，训练模型的时候按:的比例分为训练集、验证集和测试集，同时采用交叉验证法，得到的预测值与标注值的差值如图所示。对该结果进行了进一步的数据分析，得到表、。对比 表、中 的 统 计 数 据，平 均 绝 对 误 差 从 提升到 ，即预测精度从 提升到 。决定系数也从 提升到 ，决定系数又称拟合优度，其值越大表明自变量对因变量的解释程度越高，模型的鲁棒性也越高，泛化能力越强。从表中可以发现，验证集中 的样本预测误差小于 ，的预测误差小于 ，满足工业应用的需求。图预测值与标注值的差值曲线 表标签数据及预测结果评估 平均绝对误差均方误差解释方差决定系数最大差值（像素）最小差值平均差值（像素）表误差统计结果 样本总数误差小于 像素误差小于 像素误差小于 像素 结论）目前在运用摇床进行选矿的过程中，使用的选矿摇床矿带识别及接矿板自动调节装置大大提高了摇床的自动化程度，但是对于接矿位置不在矿带分割线位置的矿物，例如锡矿，在分割线处接到的矿物品位会达到 以上，而真正需要的品位范围是 ，仍需要人工参与。通过自动接矿系统记录数据制作样本集，采用 为基础网络结构，使用均方损失和 优化器进行训练，通过批量大小、迭代次数以及学习率等超参数调整卷积层中的权重值，能够预测出真正的接矿位置，实现智能接矿。）在华联锌铟公司新田选矿厂精选段摇床开展了摇床智能接矿工业试验研究，基于深度学习的预测模型在现场运行了半年多，接矿的精矿品位能够达到工艺要求。）由于目前没有设备能够实时测出接矿矿浆的品位值，要获得此信息需要人工取样化验，需要很大的经济投入。没有品位数据标记训练样本集，因此本文研究的方法学习到的只是操作工的操作经验，不能精准控制每台摇床都接到指定品位的矿浆。参考文献孙传尧 选 矿 工 程 师手册 北京：冶金工业出版社，：，（下转第 页）有色金属（选矿部分）年第期 ，（）：赵可可，戴惠新，龚志辉，等 白钨矿浮选行为研究进展 有色金属（选矿部分），（）：，（），（）：朱一民 年浮选药剂的进展有色金属（选矿部分），（）：（），（）：赵瑞琴，龚焕高脂肪酸在低温下浮选萤石的研究金属矿山，（）：，（）：，陈东，梁殿印，韩登峰，等 超声波对常用浮选药剂分散乳化效果 研 究 有 色 金 属（选 矿 部 分），（）：，（），（）：（本文编辑刘水红）（上接第 页）刘惠中重选设备在我国金属矿选矿中的应用进展及展望有色金属（选矿部分），（增刊）：（），（）：马锦斋，魏镜弢，吴张永，等摇床运动参数对流场特性的影 响 研 究 有 色 金 属（选 矿 部 分），（）：，（），（）：杨文旺，何庆浪，兰希雄，等选矿摇床智能巡检机器人开发 与 应 用 有 色 金 属（选 矿 部 分），（）：，（），（）：杨文龙，吴富姬，罗璇，等 一种选矿摇床矿带识别及接矿板自动调节装置：，：和丽芳，郭思哲，黄宋魏，等 一种基于改进萤火虫算法的 多 阈 值 摇 床 彩 色 矿 带 分 带 图 像 分 割 法：，：和丽芳，郭思哲，黄宋魏，等一种基于磷虾优化算法的摇床矿 带 分 带 图 像 分 割 法：，：，：李驰骎基于视觉的摇床自动接矿系统设计昆明：昆明理工大学，：，（本文编辑刘水红）