基于神经网络的矿石分类方法

摘要：

为提升矿物分类的实时性和准确率,提出了一种新型神经网络模型FEMAN(Feature Extraction Multi-Head Attention Network)用于矿石在线分类检测.该模型能够对能谱仪提取的矿石特征X射线谱线图实现精确分类.该模型采用Data encoder模块和多头注意力机制构建模型,Data encoder模块能够减少输入数据的维度,提取有效特征,提升模型处理速度.多头注意力机制能学习峰值之间的关联性,降低谱峰偏移对分类结果的影响,增强模型的鲁棒性.为丰富样本数量、克服样本不均衡等问题,使用GAN网络进行数据增强,提升样本多样性和均衡性.结果表明,相较于1D-VGG16模型83.8％的准确率,FEMAN模型分析准确率可达90.6％.FEMAN模型的检测准确率和召回率均有明显提升,同时检测时间为0.095 3 s,能够满足矿石在线检测需要.

关键词：多头注意力机制、矿石分类、数据增强

分类号：TD921;TP181;TP391.41(选矿)

资助基金：辽宁省教育厅服务地方项目2020FWDF04

在线出版日期：2023-02-16（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：22-27