本发明涉及矿物加工，尤其涉及一种基于alexnet算法的低品位菱铁矿x射线透射预选抛废方法。
背景技术：
1、铁矿石是钢铁工业的最基本原料,属于国家重大需求。菱铁矿作为一种重要的铁矿石资源，对于钢铁工业和经济发展具有重要意义。然而，菱铁矿矿石的品位直接影响着矿石开采和加工的效率，低品位菱铁矿通常含有较多的杂质，呈现出品位低、嵌布粒度细、伴生矿物杂的特点，使得矿石资源的利用率降低，加工成本增加。因此，高效、准确地预选抛废低品位菱铁矿对于提高资源利用率和降低生产成本具有重要意义。
2、传统的菱铁矿分选方法主要依赖于人工经验和物理分选设备，例如磁选、重选等。这些方法虽然有一定效果，但在处理大量样本时存在以下问题：一是效率低下，无法满足高产出、高速度的生产要求；二是易受人为主观因素影响，导致分类结果不稳定，容易出现误差；三是设备投入和运维成本较高。
3、近年来，深度学习技术的快速发展为解决低品位菱铁矿预选抛废问题提供了新的途径。深度学习是一种人工智能的分支领域，以其对复杂数据进行高层次特征学习的能力而受到广泛关注。alexnet算法是深度学习中一种经典的卷积神经网络模型，其在图像识别领域取得了显著的成果。该算法通过多层卷积层和全连接层，可以自动学习图像中的特征，并进行分类判别。
4、专利cn201610336756.2涉及了一种弱磁性铁矿石干式分级预选工艺,主要工艺步骤如下：弱磁性铁矿石经破碎粒度为0～-80mm,经机械振动筛分级为0～-15mm、+15～-30mm、+30～-50mm、+50～-80mm等不同粒级范围，对0～-15mm粒级矿石采用多辊粒度分级装置或细筛分级为0～-3mm、+3～-10mm、+10～-15mm等不同粒级范围，不同粒级范围铁矿石分别采用干式强磁选机、跳汰机、复合干式重选设备进行矿石和围岩的分离，实现弱磁性铁矿石的干式预选，解决了弱磁性铁矿石无法预选或预选成本高的技术难题，为降低后续选矿工序成本及提高入选品位创造条件，进一步降低了国内弱磁性铁矿石开发利用的成本，提升了钢铁企业的竞争力。
5、专利cn201310225043.5公开了一种采用x-射线透射分选富集贫赤铁矿的方法通过破碎机将含铜金矿石破碎至150mm以下，用筛孔尺寸大于等于20mm的筛分机对破碎后的物料进行筛分，通过给料机将上述筛上物料给到x-射线透射分选机上，在x-射线透射分选机控制系统中根据原矿中铁的含量设定分选阈值,经过x-射线透射分选机选别后,获得精矿和尾矿。
6、在菱铁矿预选中，基于深度学习的技术可以帮助识别出具有高品位的菱铁矿石样本，从而提高矿石处理效率和资源利用率。通过使用深度学习算法，可以更准确地检测和区分不同类型和品位的铁矿石，减少人为误差，并加快预选过程。
技术实现思路
1、针对现有技术的不足，本发明提供一种基于alexnet算法的低品位菱铁矿x射线透射预选抛废方法。本发明旨在提高菱铁矿矿石资源的品位和资源利用率。该技术主要实现方法是利用x射线透射菱铁矿，利用高清摄像机拍摄辐射后的照片，并利用改进的alexnet算法进行分类，从而选出高品位菱铁矿。
2、一种基于alexnet算法的低品位菱铁矿x射线透射预选抛废方法，包括以下步骤：
3、步骤1：使用x射线对菱铁矿样本进行透射，获取菱铁矿样本的成分数据；
4、具体为，将菱铁矿样本置于x射线透射设备中，获取其成分信息，包括品位、密度嵌布关系；
5、步骤2：进行菱铁矿样本图像数据采集；
6、利用高清摄像机对经过x射线透射的菱铁矿样本进行拍摄，得到辐射后的图像；
7、步骤3：对图像数据进行预处理；
8、对采集的辐射后的图像进行预处理，包括去噪、尺寸统一；
9、步骤4：利用改进的alexnet算法对深度学习模型进行训练；
10、使用预处理后的辐射图像作为训练数据，利用改进的alexnet算法进行深度学习模型的训练；所述改进的alexnet算法将现有的alexnet算法中sigmoid激活函数改为relu激活函数，通过丢弃法来控制全连接层的复杂度；在训练过程中，采用现有的交叉熵损失函数，并结合改进的alexnet算法对深度学习模型进行训练。
11、所述深度学习采用卷积神经网络，包括若干个串联的卷积层、池化层和全连接层。
12、步骤5：对深度学习模型进行验证与调优；
13、随机挑选与处理后的图像作为验证集，使用验证集对训练得到的深度学习模型进行评估，利用该模型进行菱铁矿分类评估其准确度。
14、步骤6：对菱铁矿进行智能预选；
15、将原始铁矿石样品通过破碎筛分等预处理工艺得到矿石样品，筛分至不同粒级，将矿石样品置于分选设备中，使用优化后的深度学习模型对铁矿石样品辐射后的形貌进行分析，对铁矿石进行实时分类；将矿石传送带末端设置高压气喷嘴精准喷发装置，通过电流激发装置喷出高压气体，将高品位锂辉石喷出，实现将高品位矿石与低品位矿石分离；
16、采用上述技术方案所产生的有益效果在于：
17、本发明提供一种基于深度学习中alexnet算法的低品位菱铁矿x射线透射预选抛废技术，实现了对低品位菱铁矿的高效、准确预选抛废。对深度学习中的alexnet算法进行改进，能够快速识别并抛废低品位菱铁矿，大大提高了矿石品位和资源利用率。同时，采用x射线透射成分探测技术，可以对菱铁矿的成分进行高精度检测，保证了分类的准确性。此外，自动化的分类过程减少了人为误差，提高了菱铁矿分选的整体效率。因此，本发明技术在菱铁矿资源的开发和加工领域具有重要的应用价值。
18、通过本发明的技术实现，可以快速准确地对低品位菱铁矿进行预选抛废，提高矿石品位和资源利用率，同时降低了人力和设备成本，具有显著的经济和社会效益。
1.一种基于alexnet算法的低品位菱铁矿x射线透射预选抛废方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于alexnet算法的低品位菱铁矿x射线透射预选抛废方法，其特征在于，所述步骤1具体为，将菱铁矿样本置于x射线透射设备中，获取其成分信息，包括品位、密度嵌布关系。
3.根据权利要求1所述的一种基于alexnet算法的低品位菱铁矿x射线透射预选抛废方法，其特征在于，所述步骤2具体为：利用高清摄像机对经过x射线透射的菱铁矿样本进行拍摄，得到辐射后的图像。
4.根据权利要求1所述的一种基于alexnet算法的低品位菱铁矿x射线透射预选抛废方法，其特征在于，所述步骤3具体为：对采集的辐射后的图像进行预处理，包括去噪、尺寸统一。
5.根据权利要求1所述的一种基于alexnet算法的低品位菱铁矿x射线透射预选抛废方法，其特征在于，所述步骤4具体为：使用预处理后的辐射图像作为训练数据，利用改进的alexnet算法进行深度学习模型的训练；所述改进的alexnet算法将现有的alexnet算法中sigmoid激活函数改为relu激活函数，通过丢弃法来控制全连接层的复杂度；在训练过程中，采用现有的交叉熵损失函数，并结合改进的alexnet算法对深度学习模型进行训练；
6.根据权利要求1所述的一种基于alexnet算法的低品位菱铁矿x射线透射预选抛废方法，其特征在于，所述步骤5具体为：随机挑选与处理后的图像作为验证集，使用验证集对训练得到的深度学习模型进行评估，利用该模型进行菱铁矿分类评估其准确度。
7.根据权利要求1所述的一种基于alexnet算法的低品位菱铁矿x射线透射预选抛废方法，其特征在于，所述步骤6具体为：将原始铁矿石样品通过破碎筛分等预处理工艺得到矿石样品，筛分至不同粒级，将矿石样品置于分选设备中，使用优化后的深度学习模型对铁矿石样品辐射后的形貌进行分析，对铁矿石进行实时分类；将矿石传送带末端设置高压气喷嘴精准喷发装置，通过电流激发装置喷出高压气体，将高品位锂辉石喷出，实现将高品位矿石与低品位矿石分离。
