-
公开(公告)号：CN113591654A
公开(公告)日：2021-11-02
申请号：CN202110833450.9
申请日：2021-07-22
Applicant: 中南大学
Abstract: 本发明公开了一种基于长时程深度特征的锌浮选工况识别方法，包括以下步骤：首先采用3D卷积网络作为基础网络，通过知识蒸馏法使用RGB流网络的部分结构对光流网络进行模拟，使得RGB流网络在测试时不需要提取光流就能学习光流的运动信息；然后将单个视频分段，分别对每段使用训练好的RGB流网络进行帧级特征提取，将提取到的每段帧级特征输入LSTM网络中进一步提取得到视频级全局时空特征；为网络补充一个2D卷积网络提取补充的外观特征，将全局时空特征和增强的外观特征拼接到一起，输入多层感知机中进行最终的工况识别。本发明结合了卷积神经网络和循环神经网络的优点，能够快速、准确地对锌浮选工况进行识别从而有效指导加药。
-
Patent Agency Ranking
公开(公告)号：CN115445785B
公开(公告)日：2024-08-06
申请号：CN202211077480.2
申请日：2022-09-05
Applicant: 中南大学
Abstract: 本发明公开了一种基于记忆网络和预测控制器的锌快粗加药量调整方法，应用于泡沫浮选工艺，包括以下步骤：当浮选状态异常时，将当前原矿品位、泡沫视频和加药量构建为输入特征向量；然后，将该输入特征向量在离线构建的记忆网络中搜索最相似的记忆项，搜索到的记忆项和特征向量输入到LSTM中对加药量调整值进行推理；在LSTM推理过程中，利用预测控制器对加药量调整后的精矿品位进行预测，当预测的精矿品位在预期区间内时停止推理；最后，将LSTM的隐藏单元状态输入到全连接层获得最终的加药量调整值。本发明方法利用记忆网络为加药量调整值推理过程提供经验知识，并且预测控制器对加药量调整值进行有控制地输出，可以避免频繁操作导致浮选过程的波动。
-
公开(公告)号：CN113591654B
公开(公告)日：2023-09-01
申请号：CN202110833450.9
申请日：2021-07-22
Applicant: 中南大学
IPC: G06V20/40 , G06V10/56 , G06V10/82 , G06N3/0442 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于长时程深度特征的锌浮选工况识别方法，包括以下步骤：首先采用3D卷积网络作为基础网络，通过知识蒸馏法使用RGB流网络的部分结构对光流网络进行模拟，使得RGB流网络在测试时不需要提取光流就能学习光流的运动信息；然后将单个视频分段，分别对每段使用训练好的RGB流网络进行帧级特征提取，将提取到的每段帧级特征输入LSTM网络中进一步提取得到视频级全局时空特征；为网络补充一个2D卷积网络提取补充的外观特征，将全局时空特征和增强的外观特征拼接到一起，输入多层感知机中进行最终的工况识别。本发明结合了卷积神经网络和循环神经网络的优点，能够快速、准确地对锌浮选工况进行识别从而有效指导加药。
-
公开(公告)号：CN115445785A
公开(公告)日：2022-12-09
申请号：CN202211077480.2
申请日：2022-09-05
Applicant: 中南大学
Abstract: 本发明公开了一种基于记忆网络和预测控制器的锌快粗加药量调整方法，应用于泡沫浮选工艺，包括以下步骤：当浮选状态异常时，将当前原矿品位、泡沫视频和加药量构建为输入特征向量；然后，将该输入特征向量在离线构建的记忆网络中搜索最相似的记忆项，搜索到的记忆项和特征向量输入到LSTM中对加药量调整值进行推理；在LSTM推理过程中，利用预测控制器对加药量调整后的精矿品位进行预测，当预测的精矿品位在预期区间内时停止推理；最后，将LSTM的隐藏单元状态输入到全连接层获得最终的加药量调整值。本发明方法利用记忆网络为加药量调整值推理过程提供经验知识，并且预测控制器对加药量调整值进行有控制地输出，可以避免频繁操作导致浮选过程的波动。
-
公开(公告)号：CN115457439A
公开(公告)日：2022-12-09
申请号：CN202211077061.9
申请日：2022-09-05
Applicant: 中南大学
Abstract: 本发明公开了一种基于关键帧注意力和Bi‑GRU的锌浮选工况识别方法，应用于泡沫浮选工艺，包括以下步骤：首先从泡沫视频中采样连续多帧图像并从每一帧泡沫图像中提取手工特征，包括气泡尺寸特征、泡沫纹理和颜色特征，则连续多帧的泡沫图像表征为时间特征序列；其次将构建的时间特征序列输入到基于关键帧注意力的Bi‑GRU模型中，利用注意力自适应地选取关键帧并通过Bi‑GRU双向提取泡沫视频的动态关键时序特征；最后将提取的时序特征输入到全连接层和SoftMax中对锌浮选的工况进行识别。本发明不仅可以充分利用泡沫视频中丰富的动态时序信息，而且采用注意力自适应地从泡沫视频中选取关键帧，可以减少非关键信息的干扰，提高模型鲁棒性的同时大大减少计算成本。
-
公开(公告)号：CN114627333A
公开(公告)日：2022-06-14
申请号：CN202210249062.0
申请日：2022-03-14
Applicant: 中南大学
IPC: G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 一种改进深度主动学习的锌浮选泡沫图像分类算法及系统，本发明针对类别不平衡的泡沫图像提出一种改进深度主动学习的锌浮选泡沫图像分类算法及系统。利用有标签样本训练初始卷积神经网络，并利用卷积神经网络对无标签样本进行类别预测，基于一种带损耗预测模块的主动学习方法，计算无标签样本的信息量并排序，再人工标注信息量最大的样本，加入训练集更新深度学习模型的参数，逐步提高网络的性能；使用融合Inception‑v2的Dense Net新型网络结构，提出一种新颖的考虑类别之间的权重的损失函数进行网络训练。本发明在降低标记成本的同时，提高模型了不平衡数据集上的分类性能，有效建立锌浮选工况识别模型，能稳定和优化生产。
-
-
-
-
-
Search Results
6
records
(took 0.014 seconds)
