一种基于边缘计算的原矿品位智能检测算法轻量化部署方法与流程
本发明涉及矿山在线检测,特别是一种基于边缘计算的原矿品位智能检测算法轻量化部署方法。
背景技术:
1、随着矿山数字化与智能选矿的发展,原矿品位在线检测逐步由单一化验分析转向连续感知与模型判别相结合的实现路径;围绕金矿原矿皮带输送场景,激光诱导击穿光谱、工业图像采集及工况监测等手段不断融合,原矿品位识别正由离线统计分析向在线预测演进,检测体系也由独立传感采集向多源信息协同建模发展,对实时性、稳定性和工程部署适配性的要求持续提高。
2、现有方法存在一些不足之处,现有原矿品位在线检测方案多依赖参数规模较大的多源融合模型和中心化计算资源,在连续输送场景下需要持续传输光谱数据、图像数据及工况数据,容易造成通信负荷增加、推理时延放大以及边缘侧部署受限,难以兼顾品位预测精度与现场实时响应能力;另外现有方法在模型轻量化、边缘部署和实时推理协同方面缺少统一设计,模型压缩后容易出现预测精度下降,同时数据处理与模型推理多采用串行流程,难以适应连续输送条件下的实时处理需求,也不利于对异常矿流区段进行分级处理和后续复核。
技术实现思路
1、鉴于上述现有存在的问题,提出了本发明。
2、因此,本发明提供了一种基于边缘计算的原矿品位智能检测算法轻量化部署方法解决多源融合模型边缘部署困难和连续输送场景下实时处理不足的问题。
3、为解决上述技术问题,本发明提供如下技术方案:
4、本发明提供了一种基于边缘计算的原矿品位智能检测算法轻量化部署方法,其包括:在金矿原矿皮带连续输送检测区域采集光谱数据、图像数据及工况数据,并对各类数据进行区段化预处理,形成矿流区段、与各矿流区段对应的检测数据集和区段时序标识;基于检测数据集形成多源融合模型,并对多源融合模型执行轻量化处理,得到轻量化品位预测模型,同步形成与各矿流区段对应的候选判别结果;将轻量化品位预测模型部署于边缘计算节点,边缘计算节点依据区段时序标识和候选判别结果对各矿流区段分配对应的预测处理方式,并通过缓存队列和异步处理机制进行本地推理,输出区段品位预测结果及异常风险标记;根据各矿流区段的区段品位预测结果及异常风险标记,按照皮带输送顺序输出与各矿流区段对应的实时原矿品位检测结果,并对异常风险标记对应的矿流区段触发异常复核处理,形成异常复核结果。
5、作为本发明所述基于边缘计算的原矿品位智能检测算法轻量化部署方法的一种优选方案,其中,所述形成矿流区段、与各矿流区段对应的检测数据集和区段时序标识,具体步骤如下:
6、在金矿原矿皮带连续输送检测区域内同步采集光谱数据、图像数据及工况数据,并记录各类数据的采集时刻和采集次序,形成原始数据序列;
7、对原始数据序列中的光谱数据、图像数据及工况数据分别执行预处理,并依据采集时刻和采集次序进行对应匹配,形成区段整理序列;
8、对区段整理序列沿皮带输送方向进行区段化归并,得到矿流区段;
9、将各矿流区段内的光谱数据、图像数据及工况数据整理封装,得到对应的检测数据集,并根据各矿流区段的输送次序生成区段时序标识。
10、作为本发明所述基于边缘计算的原矿品位智能检测算法轻量化部署方法的一种优选方案,其中,所述基于检测数据集形成多源融合模型,具体步骤如下:
11、将检测数据集中的光谱数据和图像数据分别采用浅层卷积结构形成光谱分支和图像分支;
12、将检测数据集中的工况数据采用低维特征表达形成工况特征表达结构;
13、按照矿流区段和区段时序标识将光谱分支、图像分支及工况特征表达结构对应组合,形成多源融合模型。
14、作为本发明所述基于边缘计算的原矿品位智能检测算法轻量化部署方法的一种优选方案,其中,所述对多源融合模型执行轻量化处理,得到轻量化品位预测模型,同步形成与各矿流区段对应的候选判别结果,具体步骤如下:
15、对光谱分支和图像分支进行结构简化和冗余通道裁剪,并对多源融合模型执行剪枝处理和定点量化处理,形成轻量化处理结果;
16、基于轻量化处理结果进行知识蒸馏和精度回补,得到轻量化品位预测模型;
17、利用轻量化品位预测模型对各矿流区段进行品位预测和候选判别,形成与各矿流区段对应的候选判别结果。
18、作为本发明所述基于边缘计算的原矿品位智能检测算法轻量化部署方法的一种优选方案,其中,所述输出区段品位预测结果及异常风险标记,具体步骤如下:
19、将轻量化品位预测模型部署于边缘计算节点,并将各矿流区段对应的检测数据集、区段时序标识和候选判别结果按对应关系写入缓存队列,形成待推理区段序列;
20、边缘计算节点依据待推理区段序列中的区段时序标识和候选判别结果,对各矿流区段分配对应的预测处理方式,并形成推理执行序列;
21、边缘计算节点通过异步处理机制按照推理执行序列对各矿流区段进行本地推理,形成与各矿流区段对应的区段品位预测结果及异常风险标记。
22、作为本发明所述基于边缘计算的原矿品位智能检测算法轻量化部署方法的一种优选方案,其中,所述形成异常复核结果,具体步骤如下:
23、按照区段时序标识和皮带输送顺序对各矿流区段的区段品位预测结果及异常风险标记进行对应排列,形成顺序输出序列;
24、按照顺序输出序列依次输出与各矿流区段对应的实时原矿品位检测结果,并将存在异常风险标记的矿流区段的对应内容分离形成待复核内容;
25、对待复核内容执行异常复核处理,形成异常复核结果。
26、作为本发明所述基于边缘计算的原矿品位智能检测算法轻量化部署方法的一种优选方案,其中,所述形成轻量化处理结果,具体步骤如下:
27、对光谱分支和图像分支进行结构简化,去除当前处理层并保持前后处理层直接连接;
28、对光谱分支和图像分支进行冗余通道裁剪,去除当前特征通道输出;
29、对多源融合模型执行剪枝处理,删除当前连接关系;
30、对保留连接关系对应的参数执行定点量化处理,形成轻量化处理结果。
31、作为本发明所述基于边缘计算的原矿品位智能检测算法轻量化部署方法的一种优选方案,其中,所述得到轻量化品位预测模型,具体步骤如下:
32、将多源融合模型作为蒸馏参照,将轻量化处理结果中保留连接关系对应的结构作为待校正结构,对待校正结构进行品位预测,得到当前预测结果;
33、利用多源融合模型对相同矿流区段进行品位预测,得到参照预测结果;
34、将当前预测结果与参照预测结果进行比较,并根据比较结果对待校正结构进行精度回补;
35、在知识蒸馏和精度回补完成后,固定经精度回补后的待校正结构,得到轻量化品位预测模型。
36、作为本发明所述基于边缘计算的原矿品位智能检测算法轻量化部署方法的一种优选方案,其中,所述异步处理机制是指当检测数据集、区段时序标识和候选判别结果按照对应关系持续写入缓存队列时,本地推理过程不等待缓存队列完成全部写入后再统一处理,而是按照推理执行序列对已经写入缓存队列的矿流区段先行执行本地推理;
37、当本地推理过程正在处理当前矿流区段时,后续矿流区段对应的检测数据集、区段时序标识和候选判别结果继续写入缓存队列并保持待调用状态;
38、在当前矿流区段完成本地推理后,从缓存队列中调用下一个已完成写入且满足推理执行序列顺序要求的矿流区段继续执行本地推理。
39、作为本发明所述基于边缘计算的原矿品位智能检测算法轻量化部署方法的一种优选方案,其中,所述形成异常复核结果,具体步骤如下:
40、对待复核内容中的检测数据集重新执行品位预测,得到复核预测结果;
41、将复核预测结果与区段品位预测结果进行比较;
42、当复核预测结果与区段品位预测结果之间的差值小于等于复核偏差阈值时,保留区段品位预测结果形成异常复核结果;
43、当复核预测结果与区段品位预测结果之间的差值大于复核偏差阈值时,以复核预测结果替换区段品位预测结果形成异常复核结果。
44、本发明有益效果为:通过对多源融合模型执行结构简化、冗余通道裁剪、剪枝处理、定点量化以及知识蒸馏和精度回补,实现轻量化重构与预测能力保持,在降低参数规模、存储占用和计算负担的同时维持原矿品位预测精度;通过将轻量化品位预测模型部署于边缘计算节点,并结合缓存队列、异步处理机制、候选判别结果、快速预测处理方式和精检处理方式执行本地推理,实现连续输送场景下矿流区段的分级调度、实时输出和异常复核衔接,从而减少数据等待时间、提升边缘侧连续处理效率并增强异常矿流区段处置稳定性。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com