本發(fā)明涉及礦石分選過(guò)程，具體涉及一種遷移學(xué)習(xí)與模型剪枝融合的礦石分類方法。

背景技術(shù)：

1、傳統(tǒng)的選礦方法，如手選、重選、浮選等雖然能夠在一定程度上實(shí)現(xiàn)礦石的分選，但它們各自都存在一些局限性和不足，如識(shí)別精度低、占地空間大，需要較高的投入成本等，還存在著環(huán)境和安全方面的挑戰(zhàn)。伴隨著計(jì)算機(jī)技術(shù)與圖像處理技術(shù)的發(fā)展，機(jī)器視覺(jué)技術(shù)已經(jīng)成為礦物分選領(lǐng)域的重要應(yīng)用方向，其中基于雙能x射線的礦石分選技術(shù)因其高效、綠色環(huán)保、經(jīng)濟(jì)等特點(diǎn)受到了廣泛關(guān)注。該技術(shù)利用x射線在不同能量與物質(zhì)相互作用的差異，通過(guò)分析x射線穿透礦物后的圖像，可以有效地區(qū)分不同類型的礦物。

2、目前針對(duì)x射線礦石圖像分類主要以r值法為代表的機(jī)理模型分類方法為主。在理想情況下，在單色能譜時(shí)高能和低能兩個(gè)能級(jí)的質(zhì)量衰減系數(shù)之比r值計(jì)算如下式所示：

3、

4、式中分別為高能和低能時(shí)的x射線初始強(qiáng)度，μm(ehigh)、μm(elow)為高、低能時(shí)物質(zhì)的質(zhì)量吸收系數(shù)，σx(ehigh)、σx(elow)為高低能時(shí)物質(zhì)的總截面。在x射線為雙能單色譜的情況下，可以將質(zhì)量厚度進(jìn)行簡(jiǎn)單相消，此時(shí)r值的計(jì)算不受質(zhì)量和厚度等因素的影響，因而r值反映物質(zhì)的物質(zhì)平均原子序數(shù)，因此可以將不同的原子序數(shù)的物質(zhì)進(jìn)行區(qū)分開。然而在實(shí)際使用中r值法易受到射束硬化效應(yīng)、厚度效應(yīng)、余暉效應(yīng)等影響。在實(shí)際情況中一般選用具有連續(xù)光譜的x射線管作為x射線光源，此時(shí)并不符合上述的雙能光譜的條件，連續(xù)光譜穿過(guò)物體時(shí)，低能量射線易被吸收，高能量射線易通過(guò)，因而在射線傳播過(guò)程中，平均能量會(huì)變高，射線逐漸變硬，此現(xiàn)象被稱為射束硬化效應(yīng)。此外，在連續(xù)光譜情況下，物體的質(zhì)量厚度影響無(wú)法被忽略，r值的計(jì)算將會(huì)受到影響。當(dāng)在皮帶上進(jìn)行傳輸?shù)牡V石經(jīng)過(guò)x射線透射區(qū)域時(shí)，x傳感器上的信號(hào)強(qiáng)度并不會(huì)突然增加或減少，而是緩慢的變化，這種x射線信號(hào)變化延遲的現(xiàn)象稱為x射線探測(cè)器的余暉效應(yīng)。余暉效應(yīng)會(huì)導(dǎo)致物體的圖像邊緣灰度信息出現(xiàn)偏差，進(jìn)而導(dǎo)致在分割時(shí)無(wú)法精確提取物體的邊緣輪廓，此外，進(jìn)一步的會(huì)影響適應(yīng)r值法進(jìn)行物質(zhì)類別的判斷效果。

5、近年來(lái)，隨著深度學(xué)習(xí)的應(yīng)用越來(lái)越廣泛，不乏有大量研究人員將視覺(jué)技術(shù)應(yīng)用至礦山中，提升礦石分選效率?；趇nception-v3網(wǎng)絡(luò)實(shí)現(xiàn)了花崗巖、千枚巖和張角礫巖三種巖石的自動(dòng)分類，將lenet-5卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，完成了煤與煤矸石的二分類任務(wù)，使用改進(jìn)的pso-faster?r-cnn算法對(duì)礦石進(jìn)行識(shí)別，速度和精度都得到一定提升，使用預(yù)訓(xùn)練的mobilenetv2模型通過(guò)遷移學(xué)習(xí)來(lái)檢測(cè)材料堆積，使用efficientnet對(duì)礦石圖像進(jìn)行特征提取，實(shí)現(xiàn)了不同礦石的分類。然而使用深度學(xué)習(xí)進(jìn)行礦石分類時(shí)往往面臨數(shù)據(jù)集合不足的問(wèn)題，遷移學(xué)習(xí)可以緩解這個(gè)問(wèn)題?；谶w移學(xué)習(xí)的思想，凍結(jié)vgg16淺層模型，再自定義全連接層，將煤矸識(shí)別準(zhǔn)確率提升至82.5％。采用遷移后的深度學(xué)習(xí)模型對(duì)黑鎢礦石與圍巖進(jìn)行二分類，達(dá)到了97.51％的識(shí)別率。

技術(shù)實(shí)現(xiàn)思路

1、為了解決當(dāng)前基于x射線礦石分類主要以r值法為代表的機(jī)理模型為主，在進(jìn)行x射線礦石分類時(shí)由于利用特征單一，易受厚度效應(yīng)及射束硬化效應(yīng)、余暉效應(yīng)影響因而會(huì)導(dǎo)致的礦石分類精度不高且r值閾值矯正較為繁雜的問(wèn)題，本發(fā)明提供一種遷移學(xué)習(xí)與模型剪枝融合的礦石分類方法，為了實(shí)現(xiàn)上述技術(shù)目的，本發(fā)明采用如下技術(shù)方案：

2、一種遷移學(xué)習(xí)與模型剪枝融合的礦石分類方法，包括如下步驟：

3、s1：在數(shù)據(jù)模型中獲得預(yù)訓(xùn)練模型；

4、s2：根據(jù)幅值或相似性指標(biāo)對(duì)預(yù)訓(xùn)練模型淺層部分進(jìn)行重新初始化，獲得部分初始化的模型；

5、s3：將淺層部分初始化后的模型在目標(biāo)數(shù)據(jù)集上進(jìn)行重新微調(diào)。

6、優(yōu)選地，步驟s1具體如下：

7、s11：進(jìn)行多組實(shí)驗(yàn)數(shù)據(jù)集的遷移學(xué)習(xí)，根據(jù)遷移學(xué)習(xí)的效果選擇具有正遷移作用的數(shù)據(jù)集使用；

8、s12：選擇預(yù)訓(xùn)練模型，分析預(yù)訓(xùn)練模型網(wǎng)絡(luò)結(jié)構(gòu)，定義相應(yīng)模型的目標(biāo)淺層區(qū)域。

9、優(yōu)選地，步驟s2具體如下：

10、s21：將預(yù)訓(xùn)練模型淺層部分視為一個(gè)整體，識(shí)別出互相依賴的參數(shù)組作為整體進(jìn)行處理，即依賴組{g1,g2,…gi}；

11、s22：對(duì)于具有l(wèi)層的神經(jīng)網(wǎng)絡(luò)，ni和ni+1分別表示第i層的輸入和輸出的通道數(shù)，則第i層的第j個(gè)具有k×k大小的卷積核表示為因而對(duì)于第i層的卷積層，網(wǎng)絡(luò)中包含的卷積核集合表示為fi,j，其中1≤j≤ni+1，其權(quán)重值表示為第i層卷積核fi,j的權(quán)重值表示為一維向量其含義為在第i個(gè)卷積層中包含ni+1個(gè)卷積核向量，每個(gè)向量的大小為mi＝ni×k×k；引入幅值裁剪比例wmag作為一個(gè)決策因子，引入裁剪率p來(lái)判斷何時(shí)使用幅值或相似性指標(biāo)；

12、根據(jù)依賴組卷積核的幅值指標(biāo)選擇；使用卷積核的范數(shù)作為衡量卷積核重要性的一種方式；將第j層卷積xj表示為則其p范數(shù)可由下式計(jì)算：

13、

14、計(jì)算得到卷積核的幅值后，需要按照大小將其進(jìn)行排序，并根據(jù)目標(biāo)裁剪率p×wmag確定待裁剪的依賴組；

15、s23：重新初始化直到超過(guò)幅值裁剪比例，轉(zhuǎn)而根據(jù)依賴組卷積核的相似性指標(biāo)選擇，進(jìn)行相似性大小排序，再次重新初始化；通過(guò)下式所示的余弦相似度作為評(píng)價(jià)指標(biāo)，其中x，y表示為依賴組中各個(gè)子模塊：

16、

17、在計(jì)算得到卷積核的兩兩相似性后得到相似性矩陣后，為確定待裁剪的依賴組，需要按照相似性大小進(jìn)行排序，按照目標(biāo)裁剪率p×(1-wmag)確定要裁剪的子模塊的個(gè)數(shù)，并將選定卷積核對(duì)中的兩個(gè)卷積核的其中一個(gè)作為待裁剪的子模塊wi；

18、s24：執(zhí)行s22、s23，迭代處理不重要的卷積核，并獲得其對(duì)應(yīng)的依賴組，并對(duì)依賴組中的所有子模塊進(jìn)行部分重新初始化，在計(jì)算最新的重新初始化率后，與目標(biāo)初始化率進(jìn)行比較，如果不滿足繼續(xù)執(zhí)行s22、s23，直到初始化的比例超過(guò)目標(biāo)初始化比例。

19、優(yōu)選地，步驟s3具體如下：

20、s31：在得到釋放了部分淺層參數(shù)的重新初始化后的模型mr之后，將其淺層部分參數(shù)逐一賦值給完全重新初始化的模型mn后，即可得到淺層部分初始化且深層全部初始化的目標(biāo)模型mn'；

21、s32：將模型mn'在目標(biāo)數(shù)據(jù)集dt上進(jìn)行訓(xùn)練，直到模型收斂，就可以得到最終的微調(diào)后的模型md。

22、本發(fā)明提出了一種遷移學(xué)習(xí)與模型剪枝融合的礦石分類方法，利用預(yù)訓(xùn)練的深度學(xué)習(xí)模型，通過(guò)遷移學(xué)習(xí)來(lái)減少對(duì)大量標(biāo)注數(shù)據(jù)的依賴，并通過(guò)對(duì)模型淺層進(jìn)行部分重新初始化來(lái)釋放模型的淺層冗余參數(shù)，使得微調(diào)后模型的淺層部分能夠更好地反映目標(biāo)數(shù)據(jù)集上的特征。

23、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果：

24、1、本發(fā)明引入了遷移學(xué)習(xí)以解決應(yīng)用深度學(xué)習(xí)模型時(shí)的礦石數(shù)據(jù)集不足的問(wèn)題，為在利用模型在預(yù)訓(xùn)練數(shù)據(jù)集上學(xué)習(xí)得到的特征的同時(shí)，更好的學(xué)習(xí)在目標(biāo)數(shù)據(jù)集上的特征。

25、2、本發(fā)明使用幅值和相似性度量這兩個(gè)廣泛使用的指標(biāo)來(lái)衡量卷積核的相似度，利用了模型剪枝的思想對(duì)模型的淺層進(jìn)行部分初始化以釋放冗余參數(shù)。

26、3、本發(fā)明將部分初始化后的模型在銻礦數(shù)據(jù)集上進(jìn)行微調(diào)，得到更加適合于礦石特征的模型。