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

Inventor： 唐朝晖 ,  袁鹤 ,  张虎 ,  戴智恩 ,  田灿 ,  郑锶 ,  刘嘉鹏

IPC: G06K9/00 ,  G06K9/46 ,  G06N3/04 ,  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：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

Inventor： 唐朝晖 ,  袁鹤 ,  张虎 ,  戴智恩 ,  田灿 ,  郑锶 ,  刘嘉鹏

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。