基于深度机器视觉的稀土元素组分含量预测  

Deep machine vision-based content prediction of rare earth elemental components

作　　者：张水平[1] 张奇涵 王碧[1] 张小林[2] 蓝桥发[2] 郭浩然 ZHANG Shuiping;ZHANG Qihan;WANG Bi;ZHANG Xiaolin;LAN Qiaofa;GUO Haoran(School of Information Engineering,Jiangxi University of Science and Technology,Ganzhou 341000,Jiangxi,China;Faculty of Materials Metallurgy and Chemistry,Jiangxi University of Science and Technology,Ganzhou 341000,Jiangxi,China)

机构地区：[1]江西理工大学信息工程学院,江西赣州341000 [2]江西理工大学材料冶金化学学部,江西赣州341000

出　　处：《有色金属科学与工程》2023年第4期587-596,共10页Nonferrous Metals Science and Engineering

基　　金：江西理工大学博士科研启动基金资助项目(2022205200100595)。

摘　　要：稀土萃取过程中元素含量的快速检测有助于提高稀土产品质量,目前的检测仪器存在检测延时长和维护成本高等问题。基于部分稀土元素独特的颜色特征,如Pr离子、Nd离子,可将机器视觉方法用于元素组分含量的软测量。不同于传统机器视觉方法,本文首次引入卷积神经网络(CNN)提取Pr/Nd混合溶液原始图像抽象表征,同时采用深度神经网络构建回归模型,用于预测Pr/Nd混合溶液中各元素的含量。实验选取1210张Pr/Nd混合溶液图像作为实验数据,相较于已有方法,数据规模提升近12倍。多次独立重复结果表明,预测的组分含量与真实组分含量间的最大相对误差绝对值为2.7738%,满足实际萃取生产中对元素含量分布变化的精度要求,具有一定的实际意义。representation of the original image of the Pr/Nd mixed solution,and at the same time,a deep neural network was used to construct a regression model for predicting component content of each element in the Pr/Nd mixed solution.The experiment selected 1210 images of Pr/Nd mixed solutions as the experimental data,and the data scale was increased nearly 12 times compared with the existing methods.The maximum relative error absolute value between the predicted component content and the real was 2.7738%,which met the accuracy requirement of the distribution change in the elemental content for actual extraction production and had a practical significance.

关 键 词：稀土萃取 机器视觉 组分含量 深度学习 卷积神经网络 特征提取 

分 类 号：TP181[自动化与计算机技术—控制理论与控制工程] TF355[自动化与计算机技术—控制科学与工程]