基于多源异构数据与可变形注意力网络的煤浮选精煤灰分检测技术研究

【编辑推荐】本研究创新性地将浮选泡沫图像特征与工艺参数融合，提出可变形注意力网络(DANet)提取泡沫特征，结合贝叶斯优化极限梯度提升(BOXGBoost)构建灰分预测模型，实现R2=0.93、RMSE=0.30的高精度检测，为矿物加工领域多源异构数据融合提供新范式。

　　

Highlight

本研究开发了基于多源异构数据的煤浮选精煤灰分检测系统，通过可变形注意力网络(DANet)捕捉泡沫图像的"有效扩张"特性，结合工艺参数构建跨模态特征矩阵。采用贝叶斯优化极限梯度提升(BOXGBoost)算法，模型性能显著提升，R²达0.93，较单数据源方法提升10.23%。

Results and discussion

测试集验证显示：

1. 1.

   DANet-V6版本通过替换全连接层为BOXGBoost，工业数据R²提升8.97%至0.85

2. 2.

   经边际贡献分析筛选的20个图像特征向量，在计算成本降低80.84%的同时仅损失0.53%性能

3. 3.

   多源数据融合后，DANetV6-BOXGBoost实现MAE±Std=23.42±1.94%，显著优于单源方法

Conclusion

该研究提出的DANetV6-BOXGBoost模型创新性地整合了泡沫视觉特征与工艺参数：

• •

  可变形卷积核的"动态感受野"特性与泡沫尺寸呈正相关

• •

  通过Shapley值分析实现特征降维，提升运算效率

• •

  多源数据融合使模型具备工艺适应性和鲁棒性

  为矿物加工智能化提供了高性能检测方案。