详情

原文传递基于光谱多模态时序学习的煤泥浮选灰分检测方法及系统

专利名称：	基于光谱多模态时序学习的煤泥浮选灰分检测方法及系统
摘要：	本发明公开了基于光谱多模态时序学习的煤泥浮选灰分检测方法及系统，该方法包括：选取煤泥浮选混合物样品；通过光纤光谱仪对煤泥浮选混合物样品进行吸光度检测，得到煤泥浮选混合物样品的光谱数据；构建煤泥浮选多尺度特征融合模型；基于煤泥浮选多尺度特征融合模型对煤泥浮选混合物样品的光谱数据进行灰分检测，得到煤泥浮选尾矿灰分值。通过使用本发明，利用深度学习和光谱分析技术，可以实现对光谱数据的高速处理，从而实现快速检测煤泥浮选尾矿灰分值。本发明作为基于光谱多模态时序学习的煤泥浮选灰分检测方法及系统，可广泛应用于煤泥浮选灰分检测技术领域。
专利类型：	发明专利
国家地区组织代码：	广东;44
申请人：	佛山科学技术学院
发明人：	朱文博;张兴豪;黎海兵;张忠波;付为杰;刘能;李艾园
专利状态：	有效
申请日期：	2023-09-13T00:00:00+0800
发布日期：	2023-11-21T00:00:00+0800
申请号：	CN202311176743.X
公开号：	CN117092050A
代理机构：	深圳科润知识产权代理事务所(普通合伙)
代理人：	孙长虹
分类号：	G01N21/31;G01N1/38;G01N21/25;G01N21/59;G06F18/25;G06N3/045;G16C20/20;G;G01;G06;G16;G01N;G06F;G06N;G16C;G01N21;G01N1;G06F18;G06N3;G16C20;G01N21/31;G01N1/38;G01N21/25;G01N21/59;G06F18/25;G06N3/045;G16C20/20
申请人地址：	528200 广东省佛山市南海区狮山镇广云路33号
主权项：	1.基于光谱多模态时序学习的煤泥浮选灰分检测方法，其特征在于，包括以下步骤：选取煤泥浮选混合物样品；通过光纤光谱仪对煤泥浮选混合物样品进行吸光度检测，得到煤泥浮选混合物样品的光谱数据；构建煤泥浮选多尺度特征融合模型；基于煤泥浮选多尺度特征融合模型对煤泥浮选混合物样品的光谱数据进行灰分检测，得到煤泥浮选尾矿灰分值。 2.根据权利要求1所述基于光谱多模态时序学习的煤泥浮选灰分检测方法，其特征在于，所述选取煤泥浮选混合物样品这一步骤，其具体包括：采集具有不同灰分值的煤泥混合物；将水注入煤泥混合物中，并通过磁力搅拌器进行搅拌处理，得到搅拌后的煤泥混合物；通过巴氏吸管吸取搅拌后的煤泥混合物至石英比色皿中，制备得到煤泥浮选混合物样品。 3.根据权利要求2所述基于光谱多模态时序学习的煤泥浮选灰分检测方法，其特征在于，所述通过光纤光谱仪对煤泥浮选混合物样品进行吸光度检测，得到煤泥浮选混合物样品的光谱数据这一步骤，其具体包括：基于光纤光谱仪的透射率测量支架，将光纤光谱仪的透射率测量支架中的氙灯光源进行隔绝，获取背景光数据；将空石英比色皿放置于光纤光谱仪的透射率测量支架中，获取参考光数据；将带有煤泥浮选混合物样品的石英比色皿放置于光纤光谱仪的透射率测量支架中，获取样品光数据；结合背景光数据、参考光数据和样品光数据进行计算，得到煤泥浮选混合物样品的光谱数据。 4.根据权利要求3所述基于光谱多模态时序学习的煤泥浮选灰分检测方法，其特征在于，还包括基于不同时刻，循环上述获取背景光数据、参考光数据和样品光数据的步骤，得到多组不同时刻煤泥浮选混合物样品的光谱数据。 5.根据权利要求4所述基于光谱多模态时序学习的煤泥浮选灰分检测方法，其特征在于，所述煤泥浮选混合物样品的光谱数据的计算表达式具体如下所示： T＝-log10If 上式中，T表示煤泥浮选混合物样品的吸光度，If表示透射率，Isample表示样品光数据，Ioff表示背景光数据，Isub表示参考光数据。 6.根据权利要求5所述基于光谱多模态时序学习的煤泥浮选灰分检测方法，其特征在于，所述煤泥浮选多尺度特征融合模型包括数据预处理模块、特征提取模块、特征融合模块和特征分类模块，其中：所述特征提取模块包括CNN+LSTM层和多尺度融合层，CNN层包括一维卷积层、BN+ReLU层和最大池化层，所述多尺度融合层包括第一一维卷积层、第二一维卷积层和第三一维卷积层。 7.根据权利要求6所述基于光谱多模态时序学习的煤泥浮选灰分检测方法，其特征在于，所述基于煤泥浮选多尺度特征融合模型对煤泥浮选混合物样品的光谱数据进行灰分检测，得到煤泥浮选尾矿灰分值这一步骤，其具体包括：将煤泥浮选混合物样品的光谱数据输入至煤泥浮选多尺度特征融合模型；基于数据预处理模块对煤泥浮选混合物样品的光谱数据进行数据格式转换处理，得到预处理后的煤泥浮选混合物样品光谱数据；基于特征提取模块对预处理后的煤泥浮选混合物样品光谱数据进行特征提取处理，得到煤泥浮选混合物样品光谱特征数据；基于特征融合模块对煤泥浮选混合物样品光谱特征数据特征融合处理，得到煤泥浮选混合物样品光谱特征融合数据；基于特征分类模块对煤泥浮选混合物样品光谱特征融合数据进行特征分类处理，得到煤泥浮选尾矿灰分值。 8.根据权利要求7所述基于光谱多模态时序学习的煤泥浮选灰分检测方法，其特征在于，所述煤泥浮选混合物样品光谱特征数据包括第一煤泥浮选混合物样品光谱特征数据和第二煤泥浮选混合物样品光谱特征数据，所述基于特征提取模块对预处理后的煤泥浮选混合物样品光谱数据进行特征提取处理，得到煤泥浮选混合物样品光谱特征数据这一步骤，其具体包括：将预处理后的煤泥浮选混合物样品光谱数据输入至特征提取模块；基于CNN网络层的一维卷积层，对预处理后的煤泥浮选混合物样品光谱数据进行卷积操作处理，得到煤泥浮选混合物样品光谱数据的不同位置特征；基于CNN网络层的BN+ReLU层，对煤泥浮选混合物样品光谱数据的不同位置特征依次进行归一化处理与非线性变换处理，得到变换后的煤泥浮选混合物样品光谱数据；基于CNN网络层的最大池化层，对变换后的煤泥浮选混合物样品光谱数据进行池化处理，得到降维后的煤泥浮选混合物样品光谱数据；基于LSTM网络层，对降维后的煤泥浮选混合物样品光谱数据进行捕捉更新处理，得到第一煤泥浮选混合物样品光谱特征数据；基于多尺度融合层的第一一维卷积层，对预处理后的煤泥浮选混合物样品光谱数据依次进行池化处理、卷积处理、BN操作和ReLU操作，得到第一多尺度煤泥浮选混合物样品光谱数据；基于多尺度融合层的第二一维卷积层，对预处理后的煤泥浮选混合物样品光谱数据依次进行卷积处理、BN操作、ReLU操作、卷积处理、BN操作和ReLU操作，得到第二多尺度煤泥浮选混合物样品光谱数据；基于多尺度融合层的第三一维卷积层，对预处理后的煤泥浮选混合物样品光谱数据依次进行卷积处理、BN操作、ReLU操作、卷积处理、BN操作和ReLU操作，得到第三多尺度煤泥浮选混合物样品光谱数据；将第一多尺度煤泥浮选混合物样品光谱数据、第二多尺度煤泥浮选混合物样品光谱数据和第三多尺度煤泥浮选混合物样品光谱数据进行拼接处理，得到第二煤泥浮选混合物样品光谱特征数据。 9.根据权利要求8所述基于光谱多模态时序学习的煤泥浮选灰分检测方法，其特征在于，所述基于特征融合模块对煤泥浮选混合物样品光谱特征数据特征融合处理，得到煤泥浮选混合物样品光谱特征融合数据这一步骤，其具体包括：对第一煤泥浮选混合物样品光谱特征数据和第二煤泥浮选混合物样品光谱特征数据进行增维操作处理，得到增维后的第一煤泥浮选混合物样品光谱特征数据和增维后的第二煤泥浮选混合物样品光谱特征数据；对增维后的第一煤泥浮选混合物样品光谱特征数据和增维后的第二煤泥浮选混合物样品光谱特征数据进行特征外积计算，得到煤泥浮选混合物样品光谱特征融合数据。 10.基于光谱多模态时序学习的煤泥浮选灰分检测系统，其特征在于，包括以下模块：选取模块，用于选取煤泥浮选混合物样品；吸光度检测模块，用于通过光纤光谱仪对煤泥浮选混合物样品进行吸光度检测，得到煤泥浮选混合物样品的光谱数据；构建模块，用于构建煤泥浮选多尺度特征融合模型；灰分检测模块，基于煤泥浮选多尺度特征融合模型对煤泥浮选混合物样品的光谱数据进行灰分检测，得到煤泥浮选尾矿灰分值。
所属类别：	发明专利