基于稀疏注意力卷积ViT模型的锌浮选工况识别

摘要

准确识别锌浮选工况并用于指导锌浮选操作，可以提高浮选效率、优化选矿过程.目前浮选现场主要通过人工肉眼观察泡沫并依据经验判断工况，这种方法主观性强，难以客观准确地评价锌浮选工况.针对该问题，本文通过研究锌浮选泡沫视觉特征和浮选工况的密切联系，提出基于稀疏注意力卷积ViT模型的锌浮选工况识别方法.首先，所提模型融合了卷积神经网络（Convolutional neural networks, CNN）和视觉Transformer(Vision transformer,ViT)的结构和优点，同时感知泡沫局部空间信息和全局信息，完备表征泡沫图像.其次，模型引入稀疏的多头注意力机制，每个注意力头以不同的稀疏程度处理特征，从不同尺度下感知全局信息，同时引入注意力门控单元优化特征传递，最终实现锌浮选工况识别.实验结果表明，本文所提工况识别方法在锌浮选泡沫图像数据集上的准确率达到88.62%，解决了传统CNN和ViT模型不能充分利用泡沫图像全局信息，且无法自适应捕捉泡沫图像重要特征的问题，为浮选流程优化提供有力支持.

关键词

工况识别 / 卷积神经网络 / 视觉Transformer / 稀疏注意力 / 泡沫浮选

基金资助

国家自然科学基金资助项目（62171476,62376040,62233018）; 湖南省自然科学基金资助项目（2023JJ30084）