融合注意力机制的ResNet50矿物浮选泡沫识别

摘要

矿物浮选工业流程中泡沫的状态对于浮选过程的调整控制至关重要，而现有方法在处理泡沫形态动态变化存在特征提取困难、相似品质泡沫区分度低、小样本条件下模型泛化能力不足等问题。本文采集了5 417张浮选泡沫图像，提出一种融合注意力机制的ResNet50矿物浮选泡沫识别方法，利用可变形卷积对泡沫动态形变进行建模，将BottleNeck中的一组3×3标准卷积替换为DCNv4,使网络能够自适应地调整感受野，从而更有效地捕捉浮选泡沫图像中不同形态尺度的特征。然后，在BottleNeck中结合高效通道注意力(efficient channel attention, ECA)机制，设计“空间-通道”协同机制，对测试数据验证可达94.06%的分类准确率。实验表明：该方法在矿物浮选泡沫图像识别上有着良好的性能，将DCNv4和注意力机制联合从而使模型关注到更重要的通道和形态信息，结合ImageNet预训练和针对性数据增强的小样本优化率与精度，可以应用到工厂的日常生产中，以辅助调整矿物浮选流程。

关键词

矿物浮选 / 泡沫识别 / 改进ResNet50 / 可变卷积 / 高效通道注意力