基于浅层特征与深层特征融合的浮选工况识别OA
泡沫表面视觉特征直观反映矿物浮选状态,然而泡沫图像浅层特征依赖领域知识且适用性有限,深层特征依赖深度学习模型易受数据量限制和噪声影响,为此,本文提出基于浅层特征与深层特征融合的浮选工况识别方法(FSDF).首先,通过特征工程算法提取颜色、形态和纹理等浅层特征;然后,设计双分支网络提取局部-全局深层特征以增强图像细节与整体表征;最后,采用两阶段特征集成(TSFI)策略融合特征,并通过一维卷积融合网络(1-DCFN)完成工况识别.此外,引入一致性损失以强化特征提取分支与1-DCFN在特征提取和分类任务上的协同作用.在实际浮选生产数据上的实验结果表明,该方法优于对比方法,具备良好的工业应用潜力.
艾明曦;孔庆洁;张进;许庆;李鹏;谢永芳;唐朝晖
云南大学信息学院,云南昆明650500云南大学信息学院,云南昆明650500昆明理工大学信息工程与自动化学院,云南昆明650504云南大学信息学院,云南昆明650500云南大学信息学院,云南昆明650500中南大学自动化学院,湖南长沙410083中南大学自动化学院,湖南长沙410083
信息技术与安全科学
泡沫浮选工况识别浅层特征深层特征特征融合
《控制理论与应用》 2026 (7)
P.1621-1630,10
国家自然科学基金项目(62303404,62303201,62233018)云南省基础研究计划面上项目(202401CF070171,202401CF070111)兴滇英才支持计划-青年人才专项项目云南大学研究生科研创新项目(ZC-24248842)资助.
评论