(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211330473.9 (22)申请日 2022.10.28 (71)申请人 佛山科学技术学院 地址 528225 广东省佛山市南海区狮山 镇 广云路33号 (72)发明人 朱文博　刘能　陈建文　付为杰　 王修才　李艾园　 (74)专利代理 机构 深圳市创富知识产权代理有 限公司 4 4367 专利代理师 冯炜国 (51)Int.Cl. G01N 15/00(2006.01) G01N 1/34(2006.01) G01N 21/84(2006.01) G06T 7/00(2017.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于层析滤纸采样的静态煤泥浮选图像灰 分检测方法 (57)摘要 本发明公开了基于层析滤纸采样的静态煤 泥浮选图像灰分检测方法， 该方法包括： 通过层 析滤纸对尾矿 水进行采样处理， 得到静态煤泥浮 选图像； 构建深度学习残差网络； 将静态煤泥浮 选图像输入至深度学习残差网络进行灰分检测， 得到检测结果； 基于检测结果对深度学习残差网 络进行迭代优化更新， 得到最优深度学习残差网 络。 通过使用本发明， 能够通过消除静态煤泥浮 选图像的泡沫与杂质 进而提高对尾矿水样品的 检测效率与检测准确率。 本发明作为基于层析滤 纸采样的静态煤泥浮选图像灰分检测方法， 可广 泛应用于浮选精煤灰分检测技 术领域。 权利要求书2页 说明书7页 附图5页 CN 115389376 A 2022.11.25 CN 115389376 A 1.基于层析 滤纸采样的静态煤泥浮选图像灰分检测方法， 其特 征在于， 包括以下步骤： 通过层析 滤纸对尾矿水进行采样处 理， 得到静态煤泥浮选图像； 构建深度学习残差网络； 将静态煤泥浮选图像输入至深度学习残差网络进行 灰分检测， 得到检测结果。 2.根据权利要求1所述基于层析滤纸采样 的静态煤泥浮选图像灰分检测方法， 其特征 在于， 所述通过层析滤纸对尾矿水进 行采样处理， 得到 静态煤泥浮选图像这一步骤， 其具体 包括： 获取煤泥尾矿水样品； 将煤泥尾矿水样品滴至层析 滤纸进行采样处 理， 得到静态煤泥 待处理图像； 通过相机对静态煤泥 待处理图像进行拍摄处 理， 得到静态煤泥 待采集图像； 通过图像采集软件 对静态煤泥 待采集图像进行采集处 理， 得到静态煤泥浮选图像。 3.根据权利要求2所述基于层析滤纸采样 的静态煤泥浮选图像灰分检测方法， 其特征 在于， 所述构建的深度学习残差网络包括卷积层、 最大池化层、 残差块、 平均池化层和全连 接层， 所述残差块由残差卷积层、 批量 规范化层和激活函数组成。 4.根据权利要求3所述基于层析滤纸采样 的静态煤泥浮选图像灰分检测方法， 其特征 在于， 所述将静态煤泥浮选图像输入至深度学习残差网络进行灰分检测， 得到检测结果这 一步骤， 其具体包括： 将静态煤泥浮选图像输入至深度学习残差网络； 基于深度学习残差网络的卷积层， 对静态煤泥浮选 图像进行特征提取处理， 得到静态 煤泥浮选特 征图像； 基于深度学习残差网络的最大池化层， 对静态煤泥浮选特征图像进行分辨率降低处 理， 得到降低后的静态煤泥浮选特 征图像； 基于深度 学习残差网络的残差块， 对降低后的静态煤泥浮选特征图像进行恒等映射处 理， 得到激活的静态煤泥浮选特 征图像； 基于深度 学习残差网络的平均池化层， 对激活的静态煤泥浮选特征图像进行下采样操 作处理， 得到静态煤泥浮选图像的特 征向量； 基于深度学习残差网络的全连接层， 对静态煤泥浮选 图像的特征向量进行检测分析， 得到检测结果。 5.根据权利要求4所述基于层析滤纸采样 的静态煤泥浮选图像灰分检测方法， 其特征 在于， 所述基于深度学习残差网络的残差块， 对降低后的静态煤泥浮选特征图像进行恒等 映射处理， 得到激活的静态煤泥浮选特 征图像这 一步骤， 其具体包括： 将降低后的静态煤泥浮选特 征图像输入至深度学习残差网络的残差块； 基于残差块的残差卷积层， 对降低后的静态煤泥浮选特征图像进行特征提取处理， 得 到静态煤泥浮选深度特 征图像； 基于残差块的批量规范化层， 对静态煤泥浮选深度特征图像进行规范化处理， 得到规 范化后的静态煤泥浮选深度特 征图像； 基于残差块的激活函数， 对规范化后的静态煤泥浮选深度特征图像进行激活处理， 得 到激活的静态煤泥浮选特 征图像。 6.根据权利要求5所述基于层析滤纸采样 的静态煤泥浮选图像灰分检测方法， 其特征权　利　要　求　书 1/2 页 2 CN 115389376 A 2在于， 所述卷积层的输出静态煤泥浮选特 征图像的尺寸和通道数的计算公式如下 所示： 上式中， 表示输出静态煤泥浮选特征图像的宽度， 表示输出静态煤泥浮选 特征图像的高度， 表示输入静态煤泥浮选特征图像的宽度， 表示输入静态煤泥浮选特 征图像的高度， 表示卷积核的尺寸， 表示填充数， 表示步长。 7.根据权利要求5所述基于层析滤纸采样 的静态煤泥浮选图像灰分检测方法， 其特征 在于， 还包括基于检测结果对深度学习残差网络进行迭代优化更新， 得到最优深度学习残 差网络这 一步骤， 其具体包括： 根据监测结果的灰分值， 对检测结果进行 赋予标签处 理， 得到赋予标签后的检测结果； 通过损失函数对赋予标签后的检测结果进行损失计算， 得到标签损失值； 根据标签损失值对深度 学习残差网络的参数进行反 向更新， 并计算更新后的深度 学习 残差网络的准确率； 循环深度学习残差网络的优化更新步骤， 直至满足预设迭代更新次数， 得到最优深度 学习残差网络 。权　利　要　求　书 2/2 页 3 CN 115389376 A 3