徐校竹

(鞍山市第八中學(xué)，遼寧 鞍山 111039)

0 前 言

中國(guó)礦產(chǎn)資源的儲(chǔ)量和開采量都居世界前列。新中國(guó)成立前，中國(guó)礦物加工設(shè)備不足，技術(shù)落伍，礦物加工產(chǎn)業(yè)相比于其他國(guó)家極為落后，造成了大量礦產(chǎn)資源的浪費(fèi)，從而極大制約了中國(guó)國(guó)防、基礎(chǔ)設(shè)施建設(shè)等與礦產(chǎn)資源密切相關(guān)的事業(yè)的發(fā)展[1]。建國(guó)以來，特別是改革開發(fā)之后，中國(guó)越來越重視礦產(chǎn)資源開發(fā)利用。礦產(chǎn)資源開采及其加工技術(shù)的快速發(fā)展為中國(guó)國(guó)民經(jīng)濟(jì)的建設(shè)提供了強(qiáng)大的物質(zhì)基礎(chǔ)，但是中國(guó)的礦物原材料加工技術(shù)相比于發(fā)達(dá)國(guó)家還有一定差距，而礦物開采后礦石與廢石的分選是礦物加工的第一道工序，深刻影響著礦物加工的效率和效果。

礦石與廢石預(yù)先分選在礦物加工工藝中占有重要位置，尤其是在中國(guó)礦產(chǎn)資源日益貧化、市場(chǎng)競(jìng)爭(zhēng)日益激烈以及環(huán)境問題愈發(fā)突出的情況下，如何充分利用有限資源，提高企業(yè)市場(chǎng)競(jìng)爭(zhēng)力，降低對(duì)環(huán)境的破壞程度成為礦企首要考慮的問題。目前中國(guó)選礦企業(yè)采取的礦石與廢石分選的方式主要有重介質(zhì)分選、干式磁選、X熒光選礦等。這些選礦技術(shù)都需要人工控制，屬于人工檢測(cè)，穩(wěn)定性差，精度和效率較低等缺點(diǎn)尤為突出。因此研究自動(dòng)化程度較高的礦石廢石分選技術(shù)刻不容緩?；谏疃葘W(xué)習(xí)的圖像識(shí)別是人工智能領(lǐng)域當(dāng)中的熱門話題，本文旨在于研究利用深度學(xué)習(xí)圖像識(shí)別技術(shù)進(jìn)行礦石與廢石的識(shí)別分選，深入研究了卷積神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)模型。

1 深度學(xué)習(xí)理論及圖像識(shí)別技術(shù)

深度學(xué)習(xí)在人工智能領(lǐng)域中備受青睞。從人工神經(jīng)網(wǎng)絡(luò)的研究中，學(xué)者們提出深度學(xué)習(xí)概念，人的大腦分V1區(qū)、V2區(qū)，視覺圖像首先進(jìn)入大腦的V1區(qū)，通過視網(wǎng)膜學(xué)習(xí)到物體的低層邊緣特征，然后再傳入V2區(qū)識(shí)別物體輪廓，通過不斷傳遞，不斷抽象出更高層的特征。所以人工神經(jīng)網(wǎng)絡(luò)的層數(shù)越多，越能學(xué)習(xí)到更高層的特征，越利于圖像的識(shí)別[2]。深度學(xué)習(xí)應(yīng)用在圖像識(shí)別中的主要過程是：把圖像輸入深度神經(jīng)網(wǎng)絡(luò)模型，利用前向傳播和后向傳播算法使得損失函數(shù)最小化，來不斷更新偏向和權(quán)重，反復(fù)迭代訓(xùn)練得到較優(yōu)的參數(shù)，最后用學(xué)習(xí)好的模型進(jìn)行圖像識(shí)別。深度學(xué)習(xí)具有自動(dòng)學(xué)習(xí)的特征，其優(yōu)點(diǎn)是將圖像的特征提取和分類相結(jié)合，通過相互反饋調(diào)節(jié)發(fā)揮性能，而傳統(tǒng)方法則是分開的。深度學(xué)習(xí)很好的解決了傳統(tǒng)圖像識(shí)別中識(shí)別度低，算法訓(xùn)練時(shí)間長(zhǎng)等瓶頸問題，其很好的利用互聯(lián)網(wǎng)的海量圖像數(shù)據(jù)，而且計(jì)算機(jī)硬件和軟件的快速發(fā)展足以滿足算法的復(fù)雜計(jì)算。通過近幾年人工智能的飛速發(fā)展，在圖像識(shí)別中深度學(xué)習(xí)取得了重大成果，并且已經(jīng)部分應(yīng)用到了人們?nèi)粘Ｉ钪小?/p>

2 卷積神經(jīng)網(wǎng)絡(luò)模型

卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks，簡(jiǎn)稱：CNN)是一個(gè)多層深度網(wǎng)絡(luò)，他的結(jié)構(gòu)比較特殊，是首次真正訓(xùn)練出來的深層網(wǎng)絡(luò)[3]。其訓(xùn)練過程與BP神經(jīng)網(wǎng)絡(luò)類似，首先采用前向傳播計(jì)算輸出值，然后通過最小化誤差，反向傳播調(diào)整參數(shù)。他使用其特殊結(jié)構(gòu)減少參數(shù)數(shù)量，很好的彌補(bǔ)了BP算法效率低下的不足。CNN提出感受野、下采樣、權(quán)值共享的3個(gè)全新概念。感受野即卷積網(wǎng)絡(luò)低層輸入。權(quán)值共享即通過共用參數(shù)，以此來減少整體參數(shù)數(shù)量。下采樣即將卷積得來的特征進(jìn)行降維處理。

CNN網(wǎng)絡(luò)在圖像識(shí)別領(lǐng)域上的效率和準(zhǔn)確率大大超過其他圖像識(shí)別方法，圖像通過感受野傳入網(wǎng)絡(luò)模型當(dāng)中通過卷積運(yùn)算逐層獲取典型特征，當(dāng)進(jìn)入較深網(wǎng)絡(luò)結(jié)構(gòu)當(dāng)中時(shí)，網(wǎng)絡(luò)便可自動(dòng)抽象出圖元特征并且對(duì)其分析并獲取。與此同時(shí)，CNN通過權(quán)值共享很好的解決了輸入圖元平移或縮放時(shí)產(chǎn)生的重要特征缺失的難題。

卷積神經(jīng)網(wǎng)絡(luò)主要是由卷積層和池化層組成，其層數(shù)可以為一層也可為多層，而且一般情況下卷積層與池化層是交替設(shè)置的，除此之外網(wǎng)絡(luò)最上層是由全連接層組成。CNN網(wǎng)絡(luò)中包含大量神經(jīng)元，主要分為C和S神經(jīng)元。抵抗形變的為C元，獲取學(xué)習(xí)特征的為S元。圖1中，整個(gè)卷積神經(jīng)網(wǎng)絡(luò)由一個(gè)輸入層，C1、C2兩個(gè)卷積層，S1、S2兩個(gè)下采樣層以及1個(gè)全連接層組成。圖中網(wǎng)絡(luò)具有3個(gè)卷積核，輸入數(shù)據(jù)通過3個(gè)卷積核進(jìn)行卷積運(yùn)算訓(xùn)練可以得到3個(gè)特征圖，每個(gè)特征圖都代表一種特征。在C1層中的3個(gè)特征圖中，對(duì)每一種特征圖進(jìn)行下采樣形成S1層，將S1層得到的特征圖進(jìn)行濾波處理形成C2層，緊接著進(jìn)行下采樣形成S2層，最終待學(xué)習(xí)完畢，將最后下采樣層的特征轉(zhuǎn)換成特征向量并且輸入至全連接層從而進(jìn)行分類識(shí)別。

圖1 CNN網(wǎng)絡(luò)圖

3 礦巖識(shí)別模型訓(xùn)練

本文以錳礦礦巖作為實(shí)驗(yàn)對(duì)象，通過互聯(lián)網(wǎng)搜索以及搜集部分現(xiàn)場(chǎng)照片收集錳礦石與廢石照片，將收集照片進(jìn)行標(biāo)簽處理作為訓(xùn)練數(shù)據(jù)集，訓(xùn)練數(shù)據(jù)集見圖2。整個(gè)訓(xùn)練網(wǎng)絡(luò)由3部分組成，分別為：數(shù)據(jù)輸入與預(yù)處理模塊、卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建模塊、訓(xùn)練與保存訓(xùn)練模型模塊。具體訓(xùn)練過程為訓(xùn)練數(shù)據(jù)集通過數(shù)據(jù)輸入與預(yù)處理模塊將圖片信息轉(zhuǎn)化為矩陣信息并且輸入至卷積神經(jīng)網(wǎng)絡(luò)模型當(dāng)中，由輸入層進(jìn)入網(wǎng)絡(luò)，通過卷積層和下采樣層，逐步學(xué)習(xí)獲得礦石和巖石特征，主要是礦巖在R、G、B三基色方面特征，并且通過反向傳播不斷與標(biāo)簽對(duì)比調(diào)整從而減少誤差，最終精確度逐步收斂，設(shè)定MAX_STEP為10 000，每隔2 000步保存訓(xùn)練模型。訓(xùn)練過程精度收斂曲線如圖3。

圖2 訓(xùn)練數(shù)據(jù)集部分照片

圖3 模型訓(xùn)練精度收斂曲線

4 礦巖識(shí)別過程

通過在現(xiàn)場(chǎng)取礦石和巖石樣品，并將其用清水沖洗，干燥并拍照，用此照片當(dāng)做測(cè)試數(shù)據(jù)。調(diào)用已經(jīng)訓(xùn)練完畢的礦巖識(shí)別模型，逐一對(duì)照片進(jìn)行識(shí)別，并且記錄每張照片識(shí)別的正誤，最終通過識(shí)別正確的照片數(shù)目與總的數(shù)目進(jìn)行比對(duì)得出識(shí)別準(zhǔn)確率超過90%。而且識(shí)別速度較快，可將攝像機(jī)攝影畫面每幀當(dāng)做檢測(cè)數(shù)據(jù)利用訓(xùn)練模型進(jìn)行識(shí)別，從而實(shí)現(xiàn)動(dòng)態(tài)識(shí)別。部分識(shí)別過程見圖4、圖5。

圖4 礦石檢測(cè)結(jié)果

5 結(jié) 語(yǔ)

利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)礦巖數(shù)字圖像進(jìn)行深度學(xué)習(xí)訓(xùn)練，得出礦巖識(shí)別模型。此過程不需要人工提取礦巖數(shù)字圖像特征，因此此模型智能化程度較高，訓(xùn)練過程較為簡(jiǎn)單。通過驗(yàn)證，模型對(duì)礦巖識(shí)別的準(zhǔn)確率可達(dá)90%，而且識(shí)別速度較快。將本模型應(yīng)用于礦山選礦流程當(dāng)中，可以很大程度的增加選礦流程的自動(dòng)化程度，減少選礦初期人工揀選的工作量。最重要的是此技術(shù)將有效減少礦物流失，增加礦山開采率和礦石回收率，同時(shí)延長(zhǎng)礦山開采年限，提高礦產(chǎn)資源開發(fā)和利用效率，為解決中國(guó)礦產(chǎn)資源日益減少和貧化的難題提供助力。

圖5 巖石檢測(cè)結(jié)果