基于多尺度网络的泡沫图像灰分分类预测方法

摘要

针对煤泥浮选生产过程中因灰分检测依赖传统实验室分析所导致的滞后性问题，提出一种基于多尺度双重注意力的浮选泡沫图像灰分分类预测网络。模型首先基于ResNet101和VGG16构建双分支并行特征提取框架，通过创新性地引入通道注意力机制，设计加权特征融合策略优化多尺度特征整合，并构建顺序串联的双重注意力模块以强化关键特征提取能力。同时，结合空隙度池化模块的局部方差计算，有效提升了纹理特征的表征能力。实验结果表明：该模型在灰分类别预测任务中的准确率达到94.55%,较传统双VGG网络提升31.83%;推理速度达119.54 FPS,较BCNN基准提升52.70%。该方法为浮选过程实时监控提供了有效的技术方案，对提升洗煤厂浮选生产效率和经济效益具有重要实践价值。

关键词

多尺度特征融合 / 深度学习 / 煤泥浮选 / 泡沫图像分析 / 灰分分类预测