深度学习在选矿领域的应用进展.pdf

前 沿 评 述化 工 矿 物 与 加 工INDUSTRIAL MINERALS&PROCESSING2023 年第 8 期 文章编号:()D O I:/j c n k i h g k w y j g 深度学习在选矿领域的应用进展田 妞,黄宋魏,和丽芳,杨社平,字佳林,黄 斌,(昆明理工大学 国土资源工程学院,云南 昆明 ;自然资源部三江成矿作用及资源勘查利用重点实验室,云南 昆明 ;云南省地质矿产勘查开发局中心实验室,云南 昆明 ;云南磷化集团有限公司,国家磷资源开发利用工程技术研究中心,云南 昆明 )摘要:深度学习作为一门新兴技术,可以很好地处理非线性问题以及排除由主观经验导致的稳定性低等问题,已成为选矿领域的研究热点.阐述了基于计算机图像处理技术的深度学习原理,综述了深度学习在矿物识别、碎矿和磨矿、浮选、重选、磁选等方面的研究进展,总结了其优势和不足,并对未来的研究方向提出了若干建议.关键词:选矿;深度学习;图像处理;智能化;矿物识别;磨矿参数优化中图分类号:T D 文献标志码:AA p p l i c a t i o no fd e e p l e a r n i n g i nm i n e r a lp r o c e s s i n gf i e l dT i a nN i u,H u a n gS o n g w e i,H eL i f a n g,Y a n gS h e p i n g,Z i J i a l i n,H u a n gB i n,(F a c u l t yo fL a n da n dR e s o u r c e sE n g i n e e r i n g,K u n m i n gU n i v e r s i t yo fS c i e n c ea n dT e c h n o l o g y,K u n m i n gY u n n a n ,C h i n a;K e yL a b o r a t o r yo fS a n j i a n gM e t a l l o g e n e s i sa n dR e s o u r c eE x p l o r a t i o na n dU t i l i z a t i o n,MN R,K u n m i n gY u n n a n ,C h i n a;Y u n n a nP r o v i n c i a lB u r e a uo fG e o l o g ya n dM i n e r a lE x p l o r a t i o na n dD e v e l o p m e n tC e n t e rL a b o r a t o r y,K u n m i n gY u n n a n ,C h i n a;Y u n n a nP h o s p h a t eC h e m i c a lG r o u pC o,L t d,N a t i o n a lE n g i n e e r i n gR e s e a r c hC e n t e ro fP h o s p h a t eR e s o u r c e sD e v e l o p m e n ta n dU t i l i z a t i o n,K u n m i n gY u n n a n ,C h i n a)A b s t r a c t:A sa ne m e r g i n g t e c h n o l o g y,d e e p l e a r n i n g i s l i k e l y t oe f f e c t i v e l yh a n d l en o n l i n e a r i s s u e s a n de l i m i n a t e l o ws t a b i l i t yc a u s e db ys u b j e c t i v ee x p e r i e n c ea n dh a sb e c o m ea f o c u so f r e s e a r c h i nm i n e r a l p r o c e s s i n g f i e l d I nt h i sa r t i c l et h ep r i n c i p l e so fd e e p l e a r n i n gb a s e do nc o m p u t e r i m a g ep r o c e s s i n gt e c h n o l o g yw a sp r e s e n t e d T h er e s e a r c hp r o g r e s sa n da p p l i c a t i o no fd e e pl e a r n i n gi n m i n e r a l i d e n t i f i c a t i o n,o r ec r u s h i n ga n dg r i n d i n g,f l o t a t i o n,g r a v i t ys e p a r a t i o n,m a g n e t i cs e p a r a t i o na n do t h e r p r o c e s s e sw e r e r e v i e w e d,i nw h i c hb o t ha d v a n t a g e s a n dd i s a d v a n t a g e s o f i tw e r e s u mm a r i z e da n ds o m er e c o mm e n d a t i o n so nf u r t h e r s t u d yw e r em a d e K e y w o r d s:m i n e r a l p r o c e s s i n g;d e e p l e a r n i n g;i m a g ep r o c e s s i n g;i n t e l l i g e n t;m i n e r a l i d e n t i f i c a t i o n;o p t i m i z a t i o no fg r i n d i n gp a r a m e t e r s引言机器学习是一种用于数据分析、分类和建模的智能算法.机器学习技术的主要应用之一是计算机视觉,通过该技术可以提高计算机视觉在模式识别、分类和回归等方面的性能.深度学习是机器学习领域中一个新的研究方向,可以使用可编程神经网络从图像数据中提取高级特征.近年来,基于深度学习的卷积神经网 络(C o n v o l u t i o nN e u r a lN e t w o r k,C NN)在图像处理中取得了重大突破,其利用卷积计算代替矩阵收稿日期:基金项目:云南省科技厅基金项目(A T );云南省万人计划人才项目(C G F A);国家磷资源开发利用工程技术研究中心开放基金项目(N E C P ).作者简介:田妞(),女,云南富源人,硕士研究生,主要研究方向为选矿设备及其过程自动化,E m a i l:q q c o m.通信作者:和丽芳(),女,云南丽江人,博士,副教授,主要研究方向为图像处理技术与自动化,E m a i l:q q c o m.引用格式:田妞,黄宋魏,和丽芳,等深度学习在选矿领域的应用进展J化工矿物与加工,():T I ANN,HUAN GSW,HELF,e t a l A p p l i c a t i o no f d e e p l e a r n i n g i nm i n e r a l p r o c e s s i n g f i e l dJ I n d u s t r i a lM i n e r a l s&P r o c e s s i n g,():田 妞等:深度学习在选矿领域的应用进展 年月乘 法,可 从 输 入 图 像 中 有 效 提 取 特 征 信 息.C NN主要用于与计算机视觉相关的任务,如图像分类、目标检测、语义分割和实例分割等.与具有相同层数的人工神经网络(ANN)相比,C NN具有优越的灵活性和分类能力.与类似规模的全连接网络相比,C NN需要学习的参数更少,训练过程更简单.基于以上优点,深度学习在工业、农业、制造业、金融等领域得到了广泛应用.同时,由于深度学习的学科交叉性很强,研究者大都存在跨学科的知识障碍问题,所以该技术的应用还有待进一步完善.矿业为我国的经济发展和国防安全作出了巨大贡献.我国矿产资源分布不均衡,且难选矿多,贫、细、杂是我国矿产资源的主要特点.随着社会经济的快速发展,矿产资源需求量持续增长.选矿技术受多方面因素制约,尚不能完全满足矿产资源开发和利用需求.深度学习是一种新兴的计算机技术,已被逐渐应用于选矿领域.深度学习与选矿技术的交叉融合为智慧矿山建设提供了一条新的思路.本文介绍了深度学习的基本理论,总结了深度学习在选矿中的应用进展,探讨了选矿智能化发展趋势,以期为深度学习在选矿领域的深入应用提供借鉴.深度学习概述 深深度度学学习习原原理理深度学习是指利用深度神经网络实现机器学习的一种方法模型,相比其他的机器学习方法,深度学习是一种可以自动从数据中发现特征和模式,且能够捕捉高度复杂行为的建模结构.研究深度学习的动机在于建立神经网络,其可以通过模 仿 人 脑 来 解 释 数 据,如 图 像、声 音 和 文本等.深度学习架构包括 深度信念网络(D B N)、深度自编码器(D A E)、受限玻尔兹曼机(R BM)、深度神经网络(D NN)、卷积神经网络(C NN).最常用的深度学习方法是基于卷积运算的神经网络系统,即卷积神经网络.C NN是一类旨在将特征学习模块与可训练分类器相结合的神经网络.网络的标准拓扑结构包含一组交错的卷积层和池化层,还有一个平坦层,其降低了数据的维数,以便将数据输入由完全连接层和辍学层组成的可训练分类器.C NN主要由输入层、卷积层、池化层、全连接层和S o f t M a x层种结 构组成,(见 图).C NN将一张图经前向传输通过网络,然后输出一个最终的分类结果.网络可以由几十层或几百层构成,每一层都学习检测不同的特征.网络保留了过去的信息并将其与新输入的数据结合起来,图是一个典型的深度学习A l e x N e t模型在图像分类中的应用(A l e x N e t是最常用的图像分类模型,利用 多万张图像训练好的C NN可将图像划分为 个不同的类别,包括键盘、足球、铅笔、苹果和汽车,以及各个品种的狗、猫、马和其他动物等).图深度学习卷积神经网络构架F i g T h e f o l d i n gn e u r a ln e t w o r kf r a m eo fd e e p l e a r n i n g图深度学习A l e x N e t模型在图像分类中的应用F i g A p p l i c a t i o no fA l e x N e tm o d e l f o rd e e pl e a r n i n g i n i m a g ec l a s s i f i c a t i o n 深深度度学学习习发发展展进进程程深度学习起源于MC C U L L O CH 提出的MP模型.MP模型是一种基于神经网络的数学模型,用于模拟神经元的结构和工作原理,实质上是一种“模拟人类大脑”的神经元模型.年,D AV I D 提出了一种反向传播算法,是适用于多层感知器的B P算法,很好地解决了非线性分类问题.但是,由于 世纪计算机的硬件水平有限,计算能力无法匹配,当神经网络的规模扩大时,B P算法就出现了“梯度消失”问题,严重制约了人工神经网络的发展.年,H I NTON等 正式提出了深度学习的概念,并给出了解决“梯度消失”问题的方法,即先用无监督的学习方法逐层训练算法进行计 年第期II MM&PP化化工工矿矿物物与与加加工工第 52 卷算,然后用有监督的反向传播算法进行调整.年,在著名的I m a g e N e t图像识别大赛中,K R I Z HE V S KY团队 利 用深度训练 模型A l e x N e t赢得了冠军,深度学习算法由此引起了学术界和工业界的高度关注.随着深度学习技术的发展和数据处理能力的提高,F a c e b o o k在 年实现了 以上 的面部识别精确度,几乎与人类识别精确度相当.年,谷歌A l p h a G o 在深度学习的基础上采用了一种搜索算法以的比分击败了世界顶尖围棋高手李世石,深度学习的热度随之高涨.年,基 于 强 化 学 习 算 法 的A l p h a G oZ e r o 作为A l p h a G o的升级版,可以轻松击败A l p h a G o.近年来,深度学习模型逐渐被应用于选矿领域,并取得了显著效果.深度学习在选矿过程中的应用 矿矿石石和和岩岩石石的的表表征征识识别别在选矿生产中,要设计出科学、合理的选矿工艺,就必须先识别出矿石的矿物成分,岩石岩性及矿物成分的识别与分类是选矿的前提和基础.鉴别矿物的传统方法主要是由技术人员观察矿石中矿物的形态、颜色、解理、光泽等特征,并结合化学分析,根据经验对矿物种类进行判别.这种方法对人员专业知识要求较高,耗时长,工作强度大,并且严重依赖人员经验,因此很难快速准确判别矿石中所有矿物的种类.传统的机器学习方法也是通过人工提取岩石的颜色、形状等特征,然后将其放入分类器进行训练以自动识别岩性.随着计算机技术的快速发展,人工智能算法逐渐被用于岩性识别.S I NGH等 从不同的玄武岩岩石薄片图像中提取了 个数值参数,通过 个岩样薄片的数字化图像自动识别玄武质岩石的结构,准确率高达 .张野等 针对花岗岩、千枚岩、角砾岩建立了一种基于I n c e p t i o n v 的岩石图像深度学习迁移模型,对这种岩石进行图像训练后,其识别率可超过,一部分甚至能超过.该方法操作简单,降低了主观因素的影响,提高了识别效率和准确率.NAT S UO等 在利用深度学习的卷积神经网络模型提取矿物的高光谱图像特征时,依据每种矿物独有的光谱模式对矿物种类进行识别;对方铅矿、黄铜矿、大颗粒赤铁矿(c m)、小颗粒赤铁矿(m)和极小颗粒赤铁矿(m)等种矿物进行了识别和分类,结果表明,在使用深度学习的矿物类型和粒度的 高 光 谱 数 据 分 类 任 务 中,准 确 率 高 达 .许振浩等 提出了一种基于岩石图像迁移学习来实现对岩石的目标检测及智能识别的方法,该方法可以减少非岩石特征对特征提取的干扰,提高卷积神经网络提取岩石特征的能力,岩石图像的识别精度超过了,有些甚至超过,实验证明该模型具有良好的识别性及鲁棒性.近年来,基于深度学习卷积神经网络的图像识别技术是人工智能的热门研究方向之一,随着深度学习应用于岩性自动智能识别研究的深入,未来可以尝试扩大岩石的识别种类.磨磨矿矿参参数数优优化化碎矿和磨矿是选矿工艺过程中的关键步骤,其目的是使紧密连生的有用矿物和脉石充分解离.如有用矿物与脉石未能充分解离,将会影响后续的分选效果,严重影响技术经济指标.由于不同类型磨矿设备的特性有别,磨矿过程基础回路层的取样和控制周期很难保持一致.此外,由于磨矿过程的复杂性,很多参数具有耦合效应,导致很难精确建模,这使得原有方法很难基于模型来解决磨矿过程的多速率控制问题.为此,一些学者提出了磨矿过程智能控制方法.王云峰等 提出了一种基于R B F神经网络和模糊理论的方法,可以实现对磨矿过程的智能化控制,有效克服了磨矿效率和旋流器入口压力等的波动,并在技术上优化了磨矿分级过程.张美义等 根据广西某选矿厂的生产过程和要求,分析了磨矿分级原理和影响因素,设计了一套基于神经网络的磨矿分级自动控制系统,优化了给定值的算法;将该系统应用于选厂生产,获得了显著的经济效益.DU I J V E N B O D E等 提出了利用多元时间序列深度学习来创建新的半自磨机粉碎电路的过程控制方法,该方法将先进传感器数据(X R F、L I B S、F T I R等)与传统的传感器数据(吞吐量、密度等)进行组合,以控制粉碎电路中的机器性能,有利于提高回收率和能源利用率.对不同类型的磨矿设备在不同操作环境下的田 妞等:深度学习在选矿领域的应用进展 年月控制优化是未来面临的一项重要挑战,可将不同的基于深度学习的控制模型应用于磨矿参数优化,以更好地提高磨矿性能.浮浮选选智智能能化化浮选是矿物加工中应用最广泛和最重要的分离技术,其主要是利用被分离矿物表面活性的差异进行分离.浮选生产过程 具有较长的工艺流程、高度非线性、复杂的系统识别等特点.在选矿厂实际生产中主要依赖于操作工人的经验,人工操作必然会导致浮选参数调整有一定的延迟,很难做到实时控制和精确管理.基于此,如能找到新的控制方法对其进行改善和优化,不仅可将工人从高强度工作中解放出来,还能提高浮选质量.近年来,基于深度学习的图像处理技术已被广泛应用于浮选.MOO LMAN等 利用机器视觉系统从某贵金属工业浮选厂的泡沫图像中提取特征,该系统为研究各种浮选参数对浮选结果的影响提供了有力工具.阳春华 利用k均值聚类法对泡沫图像进行了滤波处理;通过形态重构,提取了泡沫图像准确的特征标志;结合分水岭图像分割算法,解决了泡沫背景图像难以提取的问题,完成了泡沫浮选分割.F U等 利用深度学习中的A l e x N e t网络对某工业铂浮选厂硫化砷矿石的间歇浮选泡沫状态特征进行了提取,共提取 个特征,然后据此预测雄黄雌黄石英混合间歇浮选中砷的浓度,实验结果表明,与以往最先进的泡沫图像分析方法相比,使用卷积神经网络进行特征提取能够解释约 的泡沫中砷浓度的变化,性能 更 加 可 靠.F U等 使 用 深 度 学 习 中 的A l e x N e t、VG G 和R e s N e t 等个模型对南非某选矿厂的浮选铂泡沫图像特征进行了提取,实验结果表明,A l e x N e t和VG G 架构可以对泡沫状 态 进 行 近 乎 完 美 的 分 类,置 信 度 超 过.Z A R I E等 设计了一种深度卷积神经网络,并用其对工业煤浮选柱在不同工艺条件(空气流量、起泡剂用量、矿浆固体百分比、泡沫深度和捕收剂用量)下的泡沫图像进行分类,结果表明,C NN模型依据提取的泡沫图像特征将浮选图像按照可燃体回收率和精矿灰分等级划分为类,分类精度可达 ;C NN模型按照在不同空气流速下采集的泡沫图像将泡沫分为个类别,总体准确率高达 .上述方法主要是利用图像处理技术对浮选泡沫的特征进行提取,然后依据特征来估计泡沫阶段不同矿物种类的浓度.虽然在矿物浮选控制方法和优化策略方面取得了一些成果,但是应用范围还有待进一步拓展.重重选选智智能能化化重选是一种利用矿物的相对密度、粒度、形状等的差异及其在介质(水、空气或其他相对密度较大的液体)中的速度和方向差异来分选矿物颗粒的选矿方法.重选虽然投资不大,操作维护简单,无环境污染,但也存在一定的局限性,如重选设备占用场地较大、操作精度不高等.一些学者将神经网络与重选相结合,致力于实现重选设备控制器参数的自动调整,以适应外界环境等客观因素的影响.李明等 建立了一种基于对角递归神经网络的内模控制模型,对跳汰生产过程中的床层松散状况进行了研究,仿真结果表明,该系统对外部扰动以及模型误差具有良好的动态响应和鲁棒性.符东旭等 针对传统的控制方法对跳汰机精确建模极其困难的问题,将遗传算法和B P算法相结合建立了可以智能控制的跳汰机矸石段系统模型.廉文利等 针对自动排料系统(自动排料系统是实现跳汰机自动控制过程的重要内容)的时变非线性特点与常规P I D控制规律的缺陷,引入了一种神经网络P I D控制器,并证明了自适应神经网络P I D(NN P I D)控制方案在实践中是有效的.神经网络可使重选过程形成一个稳定的、连续的动态环境,减少了人为操作的主观因素和外部环境的干扰,获得了较理想的效果.磁磁选选智智能能化化磁选是一种根据矿物颗粒的磁性进行分离的方法.磁选是在磁选设备的磁场中进行的,当将被选矿石送入磁选设备的分选空间后,其会受到各种磁力和机械力的作用,不同磁性的矿物会沿着不同的路径运动,以达到分选的目的.深度学习在磁选方面的应用很多,如赤铁矿选别、非金属矿除杂、污水处理等.李金文 根据目前我国钢铁加工行业面临的挑战,提出了磁选控制的优化B P神经网络算法,该算法可以有效提高铁的回收率.党炜犇等 采用还原焙烧磁选工艺有效 年第期II MM&PP化化工工矿矿物物与与加加工工第 52 卷提取了红土镍矿中的有价金属,通过B P神经网络模型优化后获得了产率为 的镍粗精矿.DU等 利用磁性纳米颗粒(MP s、F eO)在梯度磁场中去除废水中的铬,实验得到的铬最高吸附效率为 ,采用粒子群优化的反向传播(B P)算法模拟了铬吸附过程,发现优化过程收敛速度快,目标精度高.B P神经网络能显著提高矿物磁选的效果,降低重金属对环境的污染.结语近年来,深度学习技术在矿石和岩石的表征识别、磨矿参数优化、浮选、重选以及磁选等相关领域的研究成果较多,研究者可以通过深度学习模型对已得到的确切数据进行在线分析和处理,使选矿工艺流程更加精细化,能有效改善选矿效果、提升精矿品位,同时还能降低操作复杂性、提高生产效率.深度学习技术在选矿领域的应用尚不成熟,未来建议在以下方面开展深入研究:)构建适合于选矿的深度学习网络选矿过程比较复杂,影响其过程的主要参数(如矿物成分、嵌布粒度、矿石硬度)具有一定的波动性,各参数之间又有较强的耦合效应,因此必须根据选矿生产实际,构建不同类型的深度学习网络模型.)拓展深度学习在选矿领域中的应用范围a 目前该技术应用的矿种较少,未来应尝试扩大矿物识别与分类的矿石种类;b 矿物嵌布粒度在线检测目前还是依靠传统的图像处理技术,存在检测准确度不高、速度慢等缺点,未来应探索深度学习图像技术在矿物嵌布粒度线检测中的应用,提高矿物粒度在线检测精度.参考文献范昊,李珊珊,热孜亚艾海提机器学习算法在我国情报学研究中的应用与影响 基于C S S C I期刊论文的视角J图书情报知识,():F AN H,L ISS,A I HA I T IR T h ea p p l i c a t i o na n di m p a c to fm a c h i n el e a r n i n ga l g o r i t h m s i ni n f o r m a t i o ns c i e n c er e s e a r c hi nC h i n a:f r o mt h ep e r s p e c t i v eo fC S S C I j o u r n a lp a p e r sJK n o w l e d g eo fL i b r a r ya n dI n f o r m a t i o nS c i e n c e,():MC C OY TJ,AUR E T L M a c h i n el e a r n i n ga p p l i c a t i o n si nm i n e r a l sp r o c e s s i n g:ar e v i e wJM i n e r a l s E n g i n e e r i n g,:谭笑枫,李广帅深度学习发展综述:国家安全地球物理丛书(十五)丝路环境与地球物理C西安:西安地图出版社,:T ANX F,L IG S Ar e v i e w o ft h ed e v e l o p m e n to fd e e pl e a r n i n g:G e o p h y s i c a lS e r i e sf o rN a t i o n a lS e c u r i t y(X V)S i l kR o a dE n v i r o n m e n ta n dG e o p h y s i c sC X i a n:X i a nC a r t o g r a p h i cP u b l i s h i n gH o u s e,:S CHM I DHU B E RJ D e e pl e a r n i n gi nn e u r a ln e t w o r k s:a no v e r v i e wJ N e u r a lN e t w o r k s,:F UY,A L D R I C HC F r o t h i m a g ea n a l y s i sb yu s eo f t r a n s f e rl e a r n i n ga n dc o n v o l u t i o n a ln e u r a ln e t w o r k sJM i n e r a l sE n g i n e e r i n g,:付文博,孙涛,梁藉,等深度学习原理及应用综述J计算机科学,(增刊):F U W B,S UNT,L I AN GJ,e ta l Ar e v i e wo f t h ep r i n c i p l e sa n da p p l i c a t i o n so fd e e pl e a r n i n gJ C o m p u t e rS c i e n c e,(S u p ):赵宇航矿产选矿技术和工艺方法探讨J新疆有色金属,():Z HAO Y H D i s c u s s i o no nm i n e r a lb e n e f i c i a t i o nt e c h n o l o g ya n dp r o c e s sm e t h o d sJ X i n j i a n gN o n f e r r o u sM e t a l s,():刘亚川我国矿产资源综合利用技术现状分析与展望J矿产综合利用,():L I UYC A n a l y s i sa n dp r o s p e c to ft h ec u r r e n ts i t u a t i o no fc o m p r e h e n s i v eu t i l i z a t i o nt e c h n o l o g yo fm i n e r a l r e s o u r c e s i nC h i n aJ M u l t i p u r p o s e U t i l i z a t i o no f M i n e r a lR e s o u r c e s,():汤化明,王玲,杨国华,等人工智能在矿物加工技术中的应用与发展J金属矿山,():T AN G H M,WAN GL,YANGG H,e ta l A p p l i c a t i o na n dd e v e l o p m e n to fa r t i f i c i a li n t e l l i g e n c ei n m i n e r a lp r o c e s s i n gt e c h n o l o g yJ M e t a lM i n e,():F U Y,A L D R I C H C D e e pl e a r n i n gi nm i n i n ga n dm i n e r a lp r o c e s s i n go p e r a t i o n s:ar e v i e wJ I F A CP a p e r s O n L i n e,():尹宝才,王文通,王立春深度学习研究综述J北京工业大学学报,():Y I NB C,WAN G W T,WAN G L C Ar e v i e w o fd e e pl e a r n i n gr e s e a r c hJ J o u r n a l o fB e i j i n gU n i v e r s i t yo fT e c h n o l o g y,():B E NG I OY,C OUR V I L L EA,V I N C E N TP R e p r e s e n t a t i o nl e a r n i n g:ar e v i e wa n dn e w p e r s p e c t i v e sJ I E E E T r a n sP a t t e r nA n a lM a c hI n t e l l,():T ANG K N,WAN G Y D,MO S T A GH I M IP,e ta l D e e pc o n v o l u t i o n a ln e u r a ln e t w o r kf o r D m i n e r a l i d e n t i f i c a t i o na n dl i b e r a t i o na n a l y s i sJM i n e r a l s E n g i n e e r i n g,:MC C U L L O C H W S,P I T T S W Al o g i c a lc a l c u l u so ft h ei d e a s i mm a n e n t i nn e r v o u sa c t i v i t yJ B u l lM a t hB i o p h y s,():D AV I DE RUME L HA R TGE H,W I L L I AM SRJ L e a r n i n gi n t e r n a lr e p r e s e n t a t i o nb yb a c k p r o p a g a t i o no fe r r o r s田 妞等:深度学习在选矿领域的应用进展 年月J N a t u r e,:H I N T ON G E,O S I N D E R O S,T EH Y Af a s tl e a r n i n ga l g o r i t h mf o rd e e pb e l i e fn e t sJ N e u r a lC o m p u t,():K R I Z HE V S KY A,S UT S K E V E RI,H I N T ON G E I m a g e N e tc l a s s i f i c a t i o n w i t h d e e pc o n v o l u t i o n a ln e u r a ln e t w o r k sJ C o mm u n i c a t i o n so ft h e A CM,():T A I GMAN Y,YAN G M,R AN Z A T O M A,e ta l D e e p F a c e:c l o s i n gt h eg a pt oh u m a n l e v e lp e r f o r m a n c ei nf a c ev e r i f i c a t i o n:I E E E C o n f e r e n c eo n C o m p u t e r V i s i o na n dP a t t e r nR e c o g n i t i o nCS l :s n ,徐丹 A l p h a G o人工智能来了J科学 小时,():XU D H e r ec o m e sA l p h a G oa r t i f i c i a l i n t e l l i g e n c eJ S c i e n c e i n H o u r s,():HO L C OMBSD,P O R T E R W K,AU L TSV,e ta l O v e r v i e wo nd e e p m i n da n d i t sA l p h a G oZ e r oA I:t h e I n t e r n a t i o n a lC o n f e r e n c eCS l :s n ,王李管,陈斯佳,贾明滔,等基于深度学习的黑钨矿图像识别选 矿 方 法 J中 国 有 色 金 属 学 报,():WAN GLG,C HE NSJ,J I A M T,e ta l I m a g er e c o g n i t i o nm e t h o do f w o l f r a m i t e m i n e r a lp r o c e s s i n gb a s e do n d e e pl e a r n i n gJ T h eC h i n e s eJ o u r n a lo fN o n f e r r o u s M e t a l s,():白林,姚钰,李双涛,等基于深度学习特征提取的岩石图像矿物成分分析J中国矿业,():B A IL,YAOY,L IST,e ta l M i n e r a l c o m p o s i t i o na n a l y s i so fr o c ki m a g e sb a s e do nd e e pl e a r n i n gf e a t u r ee x t r a c t i o nJ C h i n aM i n i n gI n d u s t r y,():S I N GH N,S I N GHTN,T I WA R YA,e t a l T e x t u r a l i d e n t i f i c a t i o no fb a s a l t i cr o c k m a s su s i n gi m a g ep r o c e s s i n ga n dn e u r a ln e t w o r kJ C o m p u t a t i o n a lG e o s c i e n c e s,():张野,李明超,韩帅基于岩石图像深度学习的岩性自动识别与分类方法J岩石学报,():Z HAN G Y,L IM C,HANS L i t h o l o g ya u t o m a t i c i d e n t i f i c a t i o na n dc l a s s i f i c a t i o nb a s e do nd e e p l e a r n i n go f r o c k i m a g e sJ A c t aP e t r o l o g i c aS i n i c a,():NA T S UOO,YOHE IM,NA R I H I R O O,e ta l A u t o m a t e di d e n t i f i c a t i o no fm i n e r a lt y p e sa n dg r a i ns i z eu s i n gh y p e r s p e c t r a l i m a g i n ga n dd e e pl e a r n i n gf o rm i n e r a lp r o c e s s i n gJ M i n e r a l s,():许振浩,马文,林鹏,等基于岩石图像迁移学习的岩性智能识别 J应 用 基 础 与 工 程 科 学 学 报,():XU Z H,MA W,L I N P,e ta l I n t e l l i g e n tr e c o g n i t i o no fl i t h o l o g yb a s e do nt r a n s f e r l e a r n i n go f r o c k i m a g eJ J o u r n a lo f A p p l i e d F u n d a m e n t a l sa n d E n g i n e e r i n g S c i e