1.一种稀土萃取分离过程中镨/钕元素组分含量预测方法,其特征在于,包括:
获取多幅稀土元素溶液图像以及每幅稀土元素溶液图像对应的现场萃取级数和镨/钕元素的组分含量;
对所述稀土元素溶液图像进行图像处理,得到每幅所述稀土元素溶液图像对应的色彩特征和纹理特征;所述色彩特征包括HSV颜色空间特征和YUV颜色空间特征;
采用基于随机森林的递归特征消除法,在交叉验证基础上对所述色彩特征、所述纹理特征以及所述现场萃取级数进行特征选择,得到每幅稀土元素溶液图像对应的混合特征;
采用多个数学模型分别在HSV颜色空间特征数据集、色彩特征数据集和混合特征数据集上进行数据集对比,确定最佳数据集;所述色彩特征数据集为包括HSV颜色空间特征和YUV颜色空间特征的数据集;
以最佳数据集为输入,以镨/钕元素的组分含量为输出,对基于多残差注意力块的一维卷积软测量模型的网络结构参数进行优化,得到镨/钕元素组分含量预测模型,并采用镨/钕元素组分含量预测模型对待测的稀土元素溶液图像的镨/钕元素的组分含量进行确定;所述镨/钕元素组分含量预测模型为最优的基于多残差注意力块的一维卷积软测量模型;
所述基于多残差注意力块的一维卷积软测量模型包括:一个输入层、一个特征提取层、一个特征融合层、一个融合注意力层、多个残差注意力单元、一个全局平均池化层、一个全连接层和一个输出层;其中,多个残差注意力单元串联连接,且任一所述残差注意力单元包括一个卷积层和一个残差注意力块;
所述输入层与所述特征提取层的输入端连接,所述特征提取层的输出端与所述特征融合层的输入端连接;所述特征融合层的输出端与所述融合注意力层的输入端连接,所述融合注意力层的第一输出端与第一个残差注意力单元的输入端连接,最后一个残差注意力单元的输出端与所述全局平均池化层的输入端连接;所述全局平均池化层的输出端和所述融合注意力层的第二输出端均与所述全连接层的输入端连接,所述全连接层的输出端与所述输出层连接。
2.根据权利要求1所述的一种稀土萃取分离过程中镨/钕元素组分含量预测方法,其特征在于,获取多幅稀土元素溶液图像以及每幅稀土元素溶液图像对应的现场萃取级数和镨/钕元素的组分含量,具体包括:利用机器视觉技术获取不同现场萃取级数不同组分含量下的具有颜色空间特征的镨/钕元素混合溶液的图像数据,进而得到多幅稀土元素溶液图像以及每幅稀土元素溶液图像对应的现场萃取级数和镨/钕元素的组分含量。
3.根据权利要求1所述的一种稀土萃取分离过程中镨/钕元素组分含量预测方法,其特征在于,对所述稀土元素溶液图像进行图像处理,得到每幅所述稀土元素溶液图像对应的色彩特征和纹理特征,具体包括:采用Opencv库,提取所述稀土元素溶液图像的RGB色彩空间;
采用颜色特征转换公式,将所述RGB色彩空间转换为HSV颜色空间特征和YUV颜色空间特征,进而得到每幅所述稀土元素溶液图像对应的色彩特征;
采用灰度共生矩阵提取每幅所述稀土元素溶液图像的纹理特征;所述纹理特征包括能量、对比度、熵、同质性、自相关、平均值、方差和相关性。
4.根据权利要求1所述的一种稀土萃取分离过程中镨/钕元素组分含量预测方法,其特征在于,采用多个数学模型分别在HSV颜色空间特征数据集、色彩特征数据集和混合特征数据集上进行数据集对比,确定最佳数据集,具体包括:采用BP神经网络模型、SVM支持向量机预测模型、梯度提升回归树、极限学习机模型分别在HSV颜色空间特征数据集、色彩特征数据集和混合特征数据集上进行数据集对比,确定最佳数据集。
5.根据权利要求1所述的一种稀土萃取分离过程中镨/钕元素组分含量预测方法,其特征在于,一个所述残差注意力块包括三个分支,分别为残差连接分支、卷积分支和注意力分支;其中,残差连接分支用于为网络加入跳跃连接,卷积分支用于对输入数据进行卷积操作,注意力分支用于改变特征图之间的权重比,赋予更重要的特征更多的权重。
6.根据权利要求1所述的一种稀土萃取分离过程中镨/钕元素组分含量预测方法,其特征在于,以最佳数据集为输入,以镨/钕元素的组分含量为输出,对基于多残差注意力块的一维卷积软测量模型的网络结构参数进行优化,得到镨/钕元素组分含量预测模型,具体包括:将最佳数据集划分为训练集和测试集,并对训练集和测试集统一进行标准化处理;
根据标准化后的训练集和测试集,采用具有不同个数的残差注意力单元的基于多残差注意力块的一维卷积软测量模型进行训练,并依据实际的镨/钕元素的组分含量和预测的镨/钕元素的组分含量,确定根据模型性能表现,进而获取最佳的残差注意力单元个数;
通过最佳的残差注意力单元个数,确定最优的基于多残差注意力块的一维卷积软测量模型。
7.一种稀土萃取分离过程中镨/钕元素组分含量预测系统,其特征在于,包括:
数据获取模块,用于获取多幅稀土元素溶液图像以及每幅稀土元素溶液图像对应的现场萃取级数和镨/钕元素的组分含量;
色彩特征和纹理特征提取模块,用于对所述稀土元素溶液图像进行图像处理,得到每幅所述稀土元素溶液图像对应的色彩特征和纹理特征;所述色彩特征包括HSV颜色空间特征和YUV颜色空间特征;
混合特征确定模块,用于采用基于随机森林的递归特征消除法,在交叉验证基础上对所述色彩特征、所述纹理特征以及所述现场萃取级数进行特征选择,得到每幅稀土元素溶液图像对应的混合特征;
最佳数据集确定模块,用于采用多个数学模型分别在HSV颜色空间特征数据集、色彩特征数据集和混合特征数据集上进行数据集对比,确定最佳数据集;所述色彩特征数据集为包括HSV颜色空间特征和YUV颜色空间特征的数据集;
模型训练及模型预测模块,用于以最佳数据集为输入,以镨/钕元素的组分含量为输出,对基于多残差注意力块的一维卷积软测量模型的网络结构参数进行优化,得到镨/钕元素组分含量预测模型,并采用镨/钕元素组分含量预测模型对待测的稀土元素溶液图像的镨/钕元素的组分含量进行确定;所述镨/钕元素组分含量预测模型为最优的基于多残差注意力块的一维卷积软测量模型;所述基于多残差注意力块的一维卷积软测量模型包括:一个输入层、一个特征提取层、一个特征融合层、一个融合注意力层、多个残差注意力单元、一个全局平均池化层、一个全连接层和一个输出层;其中,多个残差注意力单元串联连接,且任一所述残差注意力单元包括一个卷积层和一个残差注意力块;所述输入层与所述特征提取层的输入端连接,所述特征提取层的输出端与所述特征融合层的输入端连接;所述特征融合层的输出端与所述融合注意力层的输入端连接,所述融合注意力层的第一输出端与第一个残差注意力单元的输入端连接,最后一个残差注意力单元的输出端与所述全局平均池化层的输入端连接;所述全局平均池化层的输出端和所述融合注意力层的第二输出端均与所述全连接层的输入端连接,所述全连接层的输出端与所述输出层连接。