基于神经网络的矿石分类方法

作者：孙嘉谦; 李志刚^*; 皮晓宇; 杨永辉; 高闯

来源：有色金属(选矿部分), 2023, (01): 22-27.

• 多头注意力机制
• 矿石分类
• 数据增强

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。

• 单位
  辽宁科技大学