-
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。
-
公开(公告)号：CN110288045A
公开(公告)日：2019-09-27
申请号：CN201910586981.5
申请日：2019-07-02
Applicant: 中南大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于皮尔逊相关系数的语义视觉词典优化方法，首先通过提取图像的颜色、形状和纹理的底层特征和用SURF算法来提取图像的动态特征；采用E2LSH聚类算法对获取的图像动态特征聚类,提取相关描述视觉短语，构建原始视觉词典；引入皮尔逊相关系数求取动态特征与动态特征之间以及底层特征和动态特征之间的相关度对原始视觉词典优化,得到最终的语义视觉词典。本发明针对语义视觉词典中视觉短语冗余、计算复杂的问题，对图像进行分类提高了图像的分类性能,减小了运算的复杂度,缩短运算时间,同时提高了分类的准确性。
-
公开(公告)号：CN108647722A
公开(公告)日：2018-10-12
申请号：CN201810446660.0
申请日：2018-05-11
Applicant: 中南大学
IPC: G06K9/62
Abstract: 一种基于过程特征的锌浮选精矿品位的软测量的方法，本发明综合了专家知识和数据建模方法，首先根据现场工人看泡时的观察重点利用图像中的气泡尺寸分布来表征泡沫图像，根据现场工人需要观察一段时间内泡沫状态来判断当前生产状态的特点提出用尺寸分布序列来数学化当前生产状态，并提出一种对泡沫尺寸序列的建模方法，降低了特征向量的维数。在预测算法中利用积累的大量数据采用改进的提升决策树算法，有效的抑制由于学习太快导致的过拟合问题，提高了泛化能力。实验证明本发明方法计算简单，执行速度较快，预测准确度较高，便于在现场实际操作，可即时指导现场操作，优化生产过程，解决了现锌矿品位在线检测难的问题。
-
公开(公告)号：CN110288045B
公开(公告)日：2023-03-24
申请号：CN201910586981.5
申请日：2019-07-02
Applicant: 中南大学
IPC: G06V10/762 , G06V10/764
Abstract: 本发明公开了一种基于皮尔逊相关系数的语义视觉词典优化方法，首先通过提取图像的颜色、形状和纹理的底层特征和用SURF算法来提取图像的动态特征；采用E2LSH聚类算法对获取的图像动态特征聚类,提取相关描述视觉短语，构建原始视觉词典；引入皮尔逊相关系数求取动态特征与动态特征之间以及底层特征和动态特征之间的相关度对原始视觉词典优化,得到最终的语义视觉词典。本发明针对语义视觉词典中视觉短语冗余、计算复杂的问题，对图像进行分类提高了图像的分类性能,减小了运算的复杂度,缩短运算时间,同时提高了分类的准确性。
-
Patent Agency Ranking
公开(公告)号：CN110148132B
公开(公告)日：2022-04-19
申请号：CN201910449394.1
申请日：2019-05-28
Applicant: 中南大学
Abstract: 一种基于尺寸特征相似性度量的模糊故障诊断预报表示方法，在泡沫浮选领域，本发明公开了一种浮选过程的模糊故障诊断方式，以泡沫视觉时间序列特征提取为基础，定义了泡沫时间序列的子序列、子模式，采用历史数据信息建立历史特征趋势信息集，度量实时趋势特征与历史趋势特征集相似性，综合序列趋势信息对故障发生几率进行模糊化诊断。本发明提出了模糊故障诊断的概念，通过可靠性序列选取和异常因子设立，建立了浮选工况状态预报表示模型，对趋势走向的判断以及数值化的趋势走向可能性提出了一种新的解决方法。克服原有泡沫特征静态描述浮选过程的缺陷，及时发现工况异常征兆，对未来时刻故障可能性以数值化显示，利于工人操作、稳定优化生产。
-
公开(公告)号：CN110288591B
公开(公告)日：2021-03-09
申请号：CN201910586969.4
申请日：2019-07-02
Applicant: 中南大学
Abstract: 本发明公开了一种基于改进的自适应多种群遗传算法的锌浮选工况判别方法，应用于泡沫浮选工艺中，通过实时获取的泡沫图像特征数据集作为初期训练种群，加入有经验工人的选择，并且在此基础上，考虑到人工选择的主观性、受环境的影响度，加入主观因子系数，即主观判断可偏移区间，再次评估，判断当前选择是否在其误差允许范围内，由此将人为主观影响控制到一定范围。在整个过程中，实时反馈当前优良工况，用实时返回的工况进行种群调整，实现对最优解的实时的刷新，降低不同原矿堆品位值变化的影响，以此达到最后对品位值与回收率的有效控制。
-
公开(公告)号：CN110288592B
公开(公告)日：2021-03-02
申请号：CN201910586983.4
申请日：2019-07-02
Applicant: 中南大学
IPC: G06T7/00 , G06T7/45 , G06K9/62 , G06F40/30 , G06F40/242
Abstract: 本发明公开了一种基于概率语义分析模型的锌浮选加药状态评价的方法，通过加速鲁棒特征算法获取不同加药状态的锌浮选图像的动态特征，并利用灰度共生矩阵提取泡沫图像的底层纹理特征，通过精确欧式局部敏感哈希聚类算法对获取的泡沫图像动态特征向量聚类，构建相关视觉词典，将所获取的动态特征和底层纹理特征之间使用皮尔逊相关系数相关度度量，优化原始视觉词典，最后采用概率语义分析模型对不同的泡沫图像进行锌浮选加药状态评价。本发明解决了工人对锌浮选加药状态评价不准确及耗时长的问题，能准确评价锌浮选加药状态，减短运算时间，从而实现锌浮选过程的整体优化。
-
公开(公告)号：CN110310286A
公开(公告)日：2019-10-08
申请号：CN201910586978.3
申请日：2019-07-02
Applicant: 中南大学
Abstract: 本发明公开了一种基于泡沫图像多特征的分层工况感知判别方法，其特征在于本发明针对其工况识别的小概率事件即落点在交界上，考虑到交界左右的区间的工况模糊性，采用分层工况识别，对于区间内部的工况确定地带进行一个基于模糊数学评判方法的快速的粗分类，而对于模糊地带采用分类更为细致且准确的卷积神经网络的特征提取，可以学习到不大容易被注意到的深度特征，从而对工况进行一个精确的工况识别分类。基于此，使用分层控制，通过模糊数学算法针对区间内部地点，无争议地带。通过使用深度学习，针对概率分析可得到工况交界点的模糊地带最小距离，进行细分类的标准使结果更为准确。
-
公开(公告)号：CN110288591A
公开(公告)日：2019-09-27
申请号：CN201910586969.4
申请日：2019-07-02
Applicant: 中南大学
Abstract: 本发明公开了一种基于改进的自适应多种群遗传算法的锌浮选工况判别方法，应用于泡沫浮选工艺中，通过实时获取的泡沫图像特征数据集作为初期训练种群，加入有经验工人的选择，并且在此基础上，考虑到人工选择的主观性、受环境的影响度，加入主观因子系数，即主观判断可偏移区间，再次评估，判断当前选择是否在其误差允许范围内，由此将人为主观影响控制到一定范围。在整个过程中，实时反馈当前优良工况，用实时返回的工况进行种群调整，实现对最优解的实时的刷新，降低不同原矿堆品位值变化的影响，以此达到最后对品位值与回收率的有效控制。
-
-
-
-
-
-
-
-
-
Search Results
21
records
(took 0.014 seconds)
