权利要求
数据采集模块：对输送带上的稀土矿石流进行光谱检测和图像采集，得到稀土矿石流的图像特征、近红外光谱特征和射线荧光的光谱数据;
初步筛选模块：根据所述图像特征、所述近红外光谱特征和所述光谱数据确定所述稀土矿石流中稀土矿物的矿物区域和粒度分布，进而确定筛分参数组合并调节筛分设备对不同表面特性的矿物颗粒进行初步筛选;
扫描激发模块：通过同轴集成的激光诱导击穿光谱探头对筛选后的稀土矿石流进行扫描激发，并获取原子发射光谱;
信号生成模块：基于所述原子发射光谱和所述近红外光谱特征进行拼接融合，得到所述稀土矿石流中矿石成分的双模态特征向量，对所述模态特征向量进行聚焦于稀土矿物的注意力优化识别，进而得到分选决策信号;
再次分选模块：根据所述分选决策信号对气动分选机的参数进行调控，从而对所述稀土矿石流进行再次分选。
2.如权利要求1所述的一种稀土矿选矿流程用智能筛分与输送一体化系统，其特征在于，对输送带上的稀土矿石流进行光谱检测和图像采集，得到稀土矿石流的图像特征、近红外光谱特征和射线荧光的光谱数据具体包括：
在输送带上方固定安装一个由工业相机、近红外光谱仪和微区X射线荧光光谱仪组成的集成检测单元;
设定一个中央时序控制器;
当所述稀土矿石流随输送带匀速通过检测区域时，由中央时序控制器同步触发检测单元执行采集，得到稀土矿石流的图像特征、近红外光谱特征和射线荧光的光谱数据。
3.如权利要求1所述的一种稀土矿选矿流程用智能筛分与输送一体化系统，其特征在于，根据所述图像特征、所述近红外光谱特征和所述光谱数据确定所述稀土矿石流中稀土矿物的矿物区域和粒度分布具体包括：
对所述近红外光谱特征进行光谱匹配，得到稀土矿物的潜在区域;
以所述潜在区域作为空间引导，对所述图像特征进行可变形卷积的语义分割，得到分割掩膜;
根据所有的分割掩膜对稀土矿物的区域进行分割，并对所有分割的区域的边缘进行特征强化，得到多个分割矿石区域;
根据所有的分割矿石区域确定粒度分布直方图;
将所述粒度分布直方图和所述潜在区域进行交叉关联，得到所述稀土矿石流中稀土矿物的矿物区域和粒度分布。
4.如权利要求1所述的一种稀土矿选矿流程用智能筛分与输送一体化系统，其特征在于，确定筛分参数组合并调节筛分设备对不同表面特性的矿物颗粒进行初步筛选具体包括：
基于所述近红外光谱特征提取所述稀土矿石流中矿物的多个表面特性;
根据所有表面特性和所述粒度分布确定多个筛选时的参数组合;
将所有的参数组合下发值至筛分设备，调整筛分设备的伺服机构对不同表面特性的矿物颗粒进行初步筛选。
5.如权利要求1所述的一种稀土矿选矿流程用智能筛分与输送一体化系统，其特征在于，通过同轴集成的激光诱导击穿光谱探头对筛选后的稀土矿石流进行扫描激发，并获取原子发射光谱具体包括：
对初步筛选后的稀土矿石流导入至次级输送单元;
在次级输送单元上方，通过同轴集成的激光诱导击穿光谱探头，对初步筛选后的稀土矿石流进行扫描激发;
获取扫描激发得到的原子发射光谱。
6.如权利要求1所述的一种稀土矿选矿流程用智能筛分与输送一体化系统，其特征在于，基于所述原子发射光谱和所述近红外光谱特征进行拼接融合，得到所述稀土矿石流中矿石成分的双模态特征向量具体包括：
提取所述原子发射光谱进行稀土元素的特征谱线;
确定所述近红外光谱特征中稀土矿物相关的吸收带特征;
将所述特征谱线和所述吸收带特征进行全谱拼接，得到稀土矿物的特异矿物信息;
将所述特异矿物信息进行特征择优与融合，得到所述稀土矿石流中矿石成分的双模态特征向量。
7.如权利要求1所述的一种稀土矿选矿流程用智能筛分与输送一体化系统，其特征在于，对所述模态特征向量进行聚焦于稀土矿物的注意力优化识别，进而得到分选决策信号具体包括：
对所述双模态特征向量中与稀土元素谱线及特征官能团分配多个偏向权重;
根据所有的偏向权重对所述双模态特征向量进行注意力优化，得到多个聚焦稀土矿物的特征维度;
通过所有的特征维度进行多任务解析和品位估值，得到筛选后的稀土矿石流中稀土矿物的多个品位估值和矿物类别;
基于所述矿物类别和所有的品位估值生成分选决策信号。
8.如权利要求1所述的一种稀土矿选矿流程用智能筛分与输送一体化系统，其特征在于，根据所述分选决策信号对气动分选机的参数进行调控，从而对所述稀土矿石流进行再次分选具体包括：
解析所述分选决策信号，获得目标颗粒的空间坐标、动作指令及预测品位值;
根据所述空间坐标与输送带速度，计算触发对应分选喷嘴的精确延时;
根据所述动作指令与预测品位值，动态设定喷吹的气压值与脉冲宽度;
在所述精确延时到达时，控制相应喷嘴以设定的参数执行喷吹，将颗粒分选至对应的精矿、中矿或尾矿收集槽中。
9.如权利要求1所述的一种稀土矿选矿流程用智能筛分与输送一体化系统，其特征在于，通过工业相机采集稀土矿石流的图像特征。
10.如权利要求1所述的一种稀土矿选矿流程用智能筛分与输送一体化系统，其特征在于，通过X射线荧光光谱仪采集稀土矿石流的射线荧光的光谱数据。
说明书
技术领域
[0001]本申请涉及筛分技术领域，更具体地说，本申请涉及一种稀土矿选矿流程用智能筛分与输送一体化系统。
背景技术
[0002]稀土矿是支撑现代高新技术与绿色能源产业发展的关键战略资源，其选矿是从复杂原矿中高效富集目标矿物的核心环节。传统选矿流程高度依赖预先设定的固定参数与人工经验，存在效率低下、资源浪费严重等问题。
[0003]现有技术尝试将单一光谱分析(如X射线荧光或近红外光谱)或机器视觉引入分选流程，用于预判矿石品位;然而，这些方法通常依赖单一信息维度，难以全面、精准地识别外观相似但成分迥异的稀土矿物，更无法在高速生产线上实时区分矿物表面特性(如风化、污染程度)，导致分选决策依据不足。同时，传统筛分设备参数固定，无法根据矿石流的实时变化进行自适应调整，分选过程粗放，造成高价值矿石的损失与低效能耗。因此，如何精准识别稀土矿物特性，并执行高效稀土矿选矿的智能筛分与输送，成为了业界面临的难题。
发明内容
[0004]本申请提供一种稀土矿选矿流程用智能筛分与输送一体化系统，可精准识别稀土矿物特性，并执行高效稀土矿选矿的智能筛分与输送。
[0005]本申请提供一种稀土矿选矿流程用智能筛分与输送一体化系统，所述智能筛分与输送一体化系统包括：
[0006]数据采集模块，对输送带上的稀土矿石流进行光谱检测和图像采集，得到稀土矿石流的图像特征、近红外光谱特征和射线荧光的光谱数据;
[0007]初步筛选模块，根据所述图像特征、所述近红外光谱特征和所述光谱数据确定所述稀土矿石流中稀土矿物的矿物区域和粒度分布，进而确定筛分参数组合并调节筛分设备对不同表面特性的矿物颗粒进行初步筛选;
[0008]扫描激发模块，通过同轴集成的激光诱导击穿光谱探头对筛选后的稀土矿石流进行扫描激发，并获取原子发射光谱;
[0009]信号生成模块，基于所述原子发射光谱和所述近红外光谱特征进行拼接融合，得到所述稀土矿石流中矿石成分的双模态特征向量，对所述模态特征向量进行聚焦于稀土矿物的注意力优化识别，进而得到分选决策信号;
[0010]再次分选模块，根据所述分选决策信号对气动分选机的参数进行调控，从而对所述稀土矿石流进行再次分选。
[0011]在一些实施例中，根据所述图像特征、所述近红外光谱特征和所述光谱数据确定所述稀土矿石流中稀土矿物的矿物区域和粒度分布具体包括：
[0012]对所述近红外光谱特征进行光谱匹配，得到稀土矿物的潜在区域;
[0013]以所述潜在区域作为空间引导，对所述图像特征进行可变形卷积的语义分割，得到分割掩膜;
[0014]根据所有的分割掩膜对稀土矿物的区域进行分割，并对所有分割的区域的边缘进行特征强化，得到多个分割矿石区域;
[0015]根据所有的分割矿石区域确定粒度分布直方图;
[0016]将所述粒度分布直方图和所述潜在区域进行交叉关联，得到所述稀土矿石流中稀土矿物的矿物区域和粒度分布。
[0017]在一些实施例中，确定筛分参数组合并调节筛分设备对不同表面特性的矿物颗粒进行初步筛选具体包括：
[0018]基于所述近红外光谱特征提取所述稀土矿石流中矿物的多个表面特性;
[0019]根据所有表面特性和所述粒度分布确定多个筛选时的参数组合;
[0020]将所有的参数组合下发值至筛分设备，调整筛分设备的伺服机构对不同表面特性的矿物颗粒进行初步筛选。
[0021]在一些实施例中，通过同轴集成的激光诱导击穿光谱探头对筛选后的稀土矿石流进行扫描激发，并获取原子发射光谱具体包括：
[0022]对初步筛选后的稀土矿石流导入至次级输送单元;
[0023]在次级输送单元上方，通过同轴集成的激光诱导击穿光谱探头，对初步筛选后的稀土矿石流进行扫描激发;
[0024]获取扫描激发得到的原子发射光谱。
[0025]在一些实施例中，基于所述原子发射光谱和所述近红外光谱特征进行拼接融合，得到所述稀土矿石流中矿石成分的双模态特征向量具体包括：
[0026]提取所述原子发射光谱进行稀土元素的特征谱线;
[0027]确定所述近红外光谱特征中稀土矿物相关的吸收带特征;
[0028]将所述特征谱线和所述吸收带特征进行全谱拼接，得到稀土矿物的特异矿物信息;
[0029]将所述特异矿物信息进行特征择优与融合，得到所述稀土矿石流中矿石成分的双模态特征向量。
[0030]在一些实施例中，对所述模态特征向量进行聚焦于稀土矿物的注意力优化识别，进而得到分选决策信号具体包括：
[0031]对所述双模态特征向量中与稀土元素谱线及特征官能团分配多个偏向权重;
[0032]根据所有的偏向权重对所述双模态特征向量进行注意力优化，得到多个聚焦稀土矿物的特征维度;
[0033]通过所有的特征维度进行多任务解析和品位估值，得到筛选后的稀土矿石流中稀土矿物的多个品位估值和矿物类别;
[0034]基于所述矿物类别和所有的品位估值生成分选决策信号。
[0035]在一些实施例中，根据所述分选决策信号对气动分选机的参数进行调控，从而对所述稀土矿石流进行再次分选具体包括：
[0036]解析所述分选决策信号，获得目标颗粒的空间坐标、动作指令及预测品位值;
[0037]根据所述空间坐标与输送带速度，计算触发对应分选喷嘴的精确延时;
[0038]根据所述动作指令与预测品位值，动态设定喷吹的气压值与脉冲宽度;
[0039]在所述精确延时到达时，控制相应喷嘴以设定的参数执行喷吹，将颗粒分选至对应的精矿、中矿或尾矿收集槽中。
[0040]在一些实施例中，通过工业相机采集稀土矿石流的图像特征。
[0041]在一些实施例中，通过X射线荧光光谱仪采集稀土矿石流的射线荧光的光谱数据。
[0042]在一些实施例中，通过近红外光谱仪采集稀土矿石流的近红外光谱特征。
[0043]本申请公开的实施例提供的技术方案具有以下有益效果：
[0044]本申请提供的一种稀土矿选矿流程用智能筛分与输送一体化系统中，首先，对输送带上的稀土矿石流进行光谱检测和图像采集，得到稀土矿石流的图像特征、近红外光谱特征和射线荧光的光谱数据;根据所述图像特征、所述近红外光谱特征和所述光谱数据确定所述稀土矿石流中稀土矿物的矿物区域和粒度分布，进而确定筛分参数组合并调节筛分设备对不同表面特性的矿物颗粒进行初步筛选;通过同轴集成的激光诱导击穿光谱探头对筛选后的稀土矿石流进行扫描激发，并获取原子发射光谱;基于所述原子发射光谱和所述近红外光谱特征进行拼接融合，得到所述稀土矿石流中矿石成分的双模态特征向量，对所述模态特征向量进行聚焦于稀土矿物的注意力优化识别，进而得到分选决策信号;根据所述分选决策信号对气动分选机的参数进行调控，从而对所述稀土矿石流进行再次分选。
[0045]由此可见，本申请在一种稀土矿选矿流程用智能筛分与输送方法过程中，首先，对输送带上的稀土矿石流进行光谱检测和图像采集，得到稀土矿石流的图像特征、近红外光谱特征和射线荧光的光谱数据;根据所述图像特征、所述近红外光谱特征和所述光谱数据确定所述稀土矿石流中稀土矿物的矿物区域和粒度分布，进而确定筛分参数组合并调节筛分设备对不同表面特性的矿物颗粒进行初步筛选;其中，粒度分布直方图是用于统计不同等效直径区间内矿石颗粒数量占比的、以直观展示整体粒度组成的图表;矿物区域和粒度分布是用于综合指导初步物理筛分策略的、将化学成分富集概率信息与物理尺寸统计信息进行空间关联后的联合分析结果，直接指示了需要重点分选和富集的空间范围，避免了设备对全料流的无差别处理，提升了作业的针对性;其次，通过同轴集成的激光诱导击穿光谱探头对筛选后的稀土矿石流进行扫描激发，并获取原子发射光谱;基于所述原子发射光谱和所述近红外光谱特征进行拼接融合，得到所述稀土矿石流中矿石成分的双模态特征向量，对所述模态特征向量进行聚焦于稀土矿物的注意力优化识别，进而得到分选决策信号;根据所述分选决策信号对气动分选机的参数进行调控，从而对所述稀土矿石流进行再次分选。上述方案可精准识别稀土矿物特性，并执行高效稀土矿选矿的智能筛分与输送。
附图说明
[0046]为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见的，下面描述中的附图仅仅是本申请的本实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0047]图1是根据本申请一些实施例所示的稀土矿选矿流程用智能筛分与输送一体化系统的结构示意图，其中，100是数据采集模块，200是初步筛选模块，300是扫描激发模块，400是信号生成模块，500是再次分选模块;
[0048]图2是根据本申请一些实施例所示的获取原子发射光谱的示例性流程图;
[0049]图3是根据本申请一些实施例所示的确定双模态特征向量的示例性流程图。
具体实施方式
[0050]下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0051]为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
[0052]参考图1，该图是根据本申请一些实施例所示的稀土矿选矿流程用智能筛分与输送一体化系统的结构示意图，该稀土矿选矿流程用智能筛分与输送一体化系统的结构示意图法主要包括：数据采集模块100、初步筛选模块200、扫描激发模块300、信号生成模块400和再次分选模块500，分别说明如下：
[0053]数据采集模块100，用于对输送带上的稀土矿石流进行光谱检测和图像采集，得到稀土矿石流的图像特征、近红外光谱特征和射线荧光的光谱数据。
[0054]具体实现时，对输送带上的稀土矿石流进行光谱检测和图像采集，得到稀土矿石流的图像特征、近红外光谱特征和射线荧光的光谱数据可采用下述方式实现，即：首先，在输送带上方固定安装由工业相机、近红外光谱仪和微区X射线荧光光谱仪组成的集成检测单元;当矿石流通过时，由统一的时序控制器触发，工业相机拍摄稀土矿石流的图像以记录其颜色、纹理与宏观形态等图像特征;近红外光谱仪同步采集矿石表面反射光谱，得到近红外光谱特征;微区X射线荧光光谱仪则通过X射线管激发矿石并探测特征X射线，获得表征稀土矿石流中元素种类与含量的X射线荧光的光谱数据;其它实施例中还可采用其它方式实现，这里不做限定。
[0055]需要说明的是，本申请中的图像特征是用于表征矿石颗粒宏观物理形态与表面纹理的数字图像信息集合，近红外光谱特征是用于反映矿石中矿物分子键(如羟基、水分子、碳酸根)振动状态的连续光谱曲线数据，光谱数据是用于定性及半定量分析矿石所含元素种类与含量的特征X射线能量与强度分布数据。
[0056]初步筛选模块200，用于根据所述图像特征、所述近红外光谱特征和所述光谱数据确定所述稀土矿石流中稀土矿物的矿物区域和粒度分布，进而确定筛分参数组合并调节筛分设备对不同表面特性的矿物颗粒进行初步筛选。
[0057]在一些实施例中，根据所述图像特征、所述近红外光谱特征和所述光谱数据确定所述稀土矿石流中稀土矿物的矿物区域和粒度分布可采用下述步骤实现：
[0058]对所述近红外光谱特征进行光谱匹配，得到稀土矿物的潜在区域;
[0059]以所述潜在区域作为空间引导，对所述图像特征进行可变形卷积的语义分割，得到分割掩膜;
[0060]根据所有的分割掩膜对稀土矿物的区域进行分割，并对所有分割的区域的边缘进行特征强化，得到多个分割矿石区域;
[0061]根据所有的分割矿石区域确定粒度分布直方图;
[0062]将所述粒度分布直方图和所述潜在区域进行交叉关联，得到所述稀土矿石流中稀土矿物的矿物区域和粒度分布。
[0063]具体实现时，对所述近红外光谱特征进行光谱匹配，得到稀土矿物的潜在区域可采用下述方式实现，即：获取一个包含多种稀土矿物(如氟碳铈矿)及常见脉石矿物(如石英、长石)标准近红外光谱的特征数据库，当输送带上的稀土矿石流经过检测点时，近红外光谱仪采集每个区域的光谱曲线;采用光谱角填图算法，通过计算两条光谱向量在多维空间中的夹角余弦值来度量每条采集光谱与数据库中每一条标准光谱在特征波段上的相似度，其核心在于衡量光谱曲线形态的整体一致性，对光照强度变化不敏感;通过设置一个相似度的阈值(例如，阈值为0.95)，筛选出所有与稀土矿物的标准谱相似度高于阈值的像素点，并上述所有像素点在二维空间上的集合标注出来，生成一张二值化的热力图，即稀土矿物富集位置的潜在区域的;其它实施例中还可采用其它方式实现，这里不做限定。
[0064]具体实现时，以所述潜在区域作为空间引导，对所述图像特征进行可变形卷积的语义分割，得到分割掩膜可采用下述方式实现，即：将潜在区域作为空间引导，与工业相机同步采集的图像进行像素级的空间对齐与叠加，随后，将叠加了空间引导信息的图像输入到一个经过预训练的语义分割神经网络中，该网络的核心编码器部分采用了可变形卷积层，可变形卷积通过一个并行的子网络学习每个采样点的位置偏移量，使得卷积核能够根据图像内容(如不规则、边缘模糊的矿石形状)自适应地调整其感受野的形状和大小，从而更精准地贴合目标的真实边界;在训练阶段，该网络使用大量已标注的稀土矿石图像进行学习，其损失函数鼓励网络在潜在区域高亮的位置加注关注并分割，从而为输入图像的每一个像素输出一个分类标签(例如，“背景”、“矿石颗粒”)，将所有被预测为矿石颗粒的像素按照空间位置进行集合，形成了与原始图像同尺寸的分割掩膜图像，将分割掩膜图像中集合得到的多个边界均作为分割掩膜;其中，分割掩膜图像的每个独立的连通区域即代表一个分割出的矿石颗粒;其它实施例中还可采用其它方式实现，这里不做限定。
[0065]具体实现时，根据所有的分割掩膜对稀土矿物的区域进行分割，并对所有分割的区域的边缘进行特征强化，得到多个分割矿石区域可采用下述方式实现，即：利用连通域分析算法识别出分割掩膜图像的每个分割掩膜对应独立的代表矿石颗粒的封闭区域，并为每个区域分配唯一标识;接着，针对每一个识别出的区域，计算其最小外接矩形或拟合椭圆，以此为基准框定初始的分割矿石区域;然后，在所有初始的分割矿石区域的轮廓外围与内围各定义一个像素宽度的缓冲区，在此缓冲区内，采用结合了各向异性扩散与局部对比度增强的混合算法通过各向异性扩散平滑区域内部纹理噪声，同时保留并锐化跨越区域边界处的强度梯度;随后，针对边界两侧的像素，计算其邻域内灰度或纹理的统计差异，并据此调整边界像素的显示强度或对比度，从而得到一系列边界清晰锐利、与矿石实际物理轮廓贴合度更高的分割矿石区域;其它实施例中还可采用其它方式实现，这里不做限定。
[0066]具体实现时，根据所有的分割矿石区域确定粒度分布直方图可采用下述方式实现，即：对于每一个分割矿石区域计算其像素面积，并根据相机标定参数(即图像中每个像素对应的实际物理尺寸)将像素面积转换为实际物理投影面积;其次，设定矿石颗粒近似为球形或椭球形，根据投影面积反算出其等效直径;遍历所有分割出的矿石颗粒，计算并记录下每个颗粒的等效直径，随后，按照预先设定一组连续的粒度区间，例如，0-5mm, 5-10mm,10-20mm等，统计落入每个粒度区间内的矿石颗粒数量，以粒度区间为横坐标，以对应区间内的颗粒数量或数量百分比为纵坐标，绘制成柱状图，即得到粒度分布直方图;其它实施例中还可采用其它方式实现，这里不做限定。
[0067]具体实现时，将所述粒度分布直方图和所述潜在区域进行交叉关联，得到所述稀土矿石流中稀土矿物的矿物区域和粒度分布可采用下述方式实现，即：首先，对于任意一个分割矿石区域，并以该分割矿石区域中的所有像素坐标为索引，回溯到潜在区域的二值化热力图，读取上述所有坐标位置对应的光谱匹配置信度(即光谱角余弦值);接着，取该分割矿石区域内所有像素点置信度的平均值作为该分割矿石区域的区域矿物富集度评分，用以量化该分割矿石区域内单个矿石颗粒属于稀土矿物的整体可能性;其次，将所有分割矿石区域按其等效直径归类到预设的粒度分布直方图的各个粒度区间内，在每个粒度区间内基于区域矿物富集度评分设定阈值进行加权统计，以此得到该粒度区间内洗稀土矿石的整体稀土富集程度，最终生成一个二维的粒度-富集度关联分布图：其横轴为粒度区间，纵轴可为高富集度颗粒占比或平均富集度评分;同时，原始的潜在区域热力图和加权后的粒度分布直方图共同构成了对当前矿石流中稀土矿物分布的完整描述，即矿物区域和粒度分布;其它实施例中还可采用其它方式实现，这里不做限定。
[0068]需要说明的是，本申请中的潜在区域是用于初步指示稀土矿物可能富集位置的、基于近红外光谱与标准谱库匹配计算得到的空间概率图;分割掩膜是用于从矿石图像中精确分离出单个矿石颗粒轮廓的、由可变形卷积语义分割算法生成的二值化图像;分割矿石区域是表征单个完整矿石颗粒形状与面积的、经过边缘特征强化处理后的图像区域;粒度分布直方图是用于统计不同等效直径区间内矿石颗粒数量占比的、以直观展示整体粒度组成的图表;矿物区域和粒度分布是用于综合指导初步物理筛分策略的、将化学成分富集概率信息与物理尺寸统计信息进行空间关联后的联合分析结果。
[0069]在一些实施例中，确定筛分参数组合并调节筛分设备对不同表面特性的矿物颗粒进行初步筛选可采用下述步骤实现：
[0070]基于所述近红外光谱特征提取所述稀土矿石流中矿物的多个表面特性;
[0071]根据所有表面特性和所述粒度分布确定多个筛选时的参数组合;
[0072]将所有的参数组合下发值至筛分设备，调整筛分设备的伺服机构对不同表面特性的矿物颗粒进行初步筛选。
[0073]具体实现时，基于所述近红外光谱特征提取所述稀土矿石流中矿物的多个表面特性可采用下述方式实现，即：计算近红外光谱特征在1400纳米附近吸收带的深度与面积，将其量化为羟基指数，用于表征矿物表面的水合程度与粘土矿物含;其次，分析近红外光谱特征在900纳米附近与铁氧化物相关的反射特征，计算其反射率的一阶导数最大值，定义为铁氧化物指数，以反映表面氧化程度;最后，识别近红外光谱特征在2300至2500纳米范围内属于碳酸盐矿物的特征吸收组合带，通过拟合其吸收谷的对称性与宽度，生成碳酸盐指数，用于指示如氟碳铈矿等含碳酸根稀土矿物的丰度;将上述三个指数均作为稀土矿石流中矿物的多个表面特性;根据所有表面特性和所述粒度分布确定多个筛选时的参数组合可采用下述方式实现，即：将上述表面特性指数与粒度分布的数据作为联合输入到矩阵，该矩阵的核心是一组预设的、基于工艺知识的映射规则：例如，当某一矿石颗粒的羟基指数高且粒度属于细粒级时，规则指示其粘性可能较大，易导致筛网堵塞，因此为其匹配高频低幅的振动筛参数组合，并辅以较高的气流辅助清网风速;反之，对于碳酸盐指数高、粒度粗的颗粒，则判断其为有价值的稀土矿物粗粒，为其匹配筛面倾角较小、振动速度较慢的参数组合，以防止其过快地通过筛网而得不到充分检查。系统遍历所有识别到的不同特性-粒度组合，为每种组合生成一套包含振动频率、振幅、倾角及气流速度等具体数值的参数组合指令集;将所有的参数组合下发值至筛分设备，调整筛分设备的伺服机构对不同表面特性的矿物颗粒进行初步筛选可采用下述方式实现，即：中央控制器将生成的参数组合指令集，通过实时工业网络分别下发至振动筛的伺服电机控制器和气流风机的变频器;对于振动筛，伺服电机依据指令精确调整驱动偏心块的转速与相位，对于气流分选部分，变频器调节风机转速以控制风道内的风速;在筛选过程中，安装在筛箱出料口和风选产物出口的在线称重传感器及图像传感器，会实时反馈不同产物的流量与颗粒分布变化，控制系统将此反馈与预期目标进行比对，并对伺服机构进行微调，实现对不同表面特性矿物颗粒的初步筛选;其它实施例中还可采用其它方式实现，这里不做限定。
[0074]需要说明的是，本申请中的表面特性是指通过近红外光谱无损检测技术获取的、与矿物颗粒表面化学成分及微观结构直接相关的、可量化的光谱特征参数集合，用于反映矿物在选矿过程中的关键物理化学行为差异;其中，通过近红外光谱匹配锁定的潜在矿物区域，直接指示了需要重点分选和富集的空间范围，避免了设备对全料流的无差别处理，提升了作业的针对性;同时，精确的粒度分布统计能够预先判断不同粒级物料的通过性与行为差异，为选择或调整筛分设备(如确定筛网孔径、气流速度)提供了关键输入参数;这两类信息的空间关联，使得初步筛分不再仅仅是基于尺寸的简单分离，而是升级为一种指向性的预富集操作，有效提升了有用矿物的回收率并降低了无效能耗;确定筛分参数组合的过程对筛分的帮助在于，该过程即可得到一套与矿石表面特性及粒度特征相匹配的动态设备控制指令集，保障了初步筛选的工艺效果。
[0075]扫描激发模块300，用于通过同轴集成的激光诱导击穿光谱探头对筛选后的稀土矿石流进行扫描激发，并获取原子发射光谱。
[0076]在一些实施例中，参考图2所述，该图是本申请一些实施例中获取原子发射光谱的示例性流程图，本实施例中通过同轴集成的激光诱导击穿光谱探头对筛选后的稀土矿石流进行扫描激发，并获取原子发射光谱可采用下述步骤实现：
[0077]首先，在步骤S31中，对初步筛选后的稀土矿石流导入至次级输送单元;
[0078]然后，在步骤S32中，在次级输送单元上方，通过同轴集成的激光诱导击穿光谱探头，对初步筛选后的稀土矿石流进行扫描激发;
[0079]最后，在步骤S33中，获取扫描激发得到的原子发射光谱。
[0080]具体实现时，获取扫描激发得到的原子发射光谱：将经过初步筛选后得到的、相对富集了目标矿物颗粒的矿石流，通过导流板或次级传送带引导至一个检测精度更高的次级输送单元;在该单元上方，固定安装一个集成了激光诱导击穿光谱与近红外光谱的同轴探头。探头内的振镜系统控制激光束，对运动中的矿石颗粒表面进行快速点扫描;当高能脉冲激光聚焦于矿石表面时，会激发产生包含元素信息的等离子体，光谱仪在精确控制的延时后，采集等离子体冷却过程中稀土元素原子或离子发射的特定波长光线，形成原子发射光谱;其中，为克服单次测量的随机误差，通常对同一区域进行多次激发，并将多条光谱进行平均处理，以得到一条信噪比更高的代表性原子发射光谱曲线;其它实施例中还可采用其它方式实现，这里不做限定。
[0081]需要说明的是，本申请中的原子发射光谱是定量分析矿石中稀土元素种类与含量的、由激光诱导击穿等离子体产生并经多次平均降噪处理后的标准化光谱曲线。
[0082]信号生成模块400，用于基于所述原子发射光谱和所述近红外光谱特征进行拼接融合，得到所述稀土矿石流中矿石成分的双模态特征向量，对所述模态特征向量进行聚焦于稀土矿物的注意力优化识别，进而得到分选决策信号。
[0083]在一些实施例中，参考图3所示，该图是本申请一些实施例确定双模态特征向量的示例性流程图，本实施例中基于所述原子发射光谱和所述近红外光谱特征进行拼接融合，得到所述稀土矿石流中矿石成分的双模态特征向量可采用下述步骤实现：
[0084]首先，在步骤S41中，提取所述原子发射光谱进行稀土元素的特征谱线;
[0085]然后，在步骤S42中，确定所述近红外光谱特征中稀土矿物相关的吸收带特征;
[0086]其次，在步骤S43中，将所述特征谱线和所述吸收带特征进行全谱拼接，得到稀土矿物的特异矿物信息;
[0087]最后，在步骤S44中，将所述特异矿物信息进行特征择优与融合，得到所述稀土矿石流中矿石成分的双模态特征向量。
[0088]具体实现时，提取所述原子发射光谱进行稀土元素的特征谱线可采用下述方式实现，即：采集到的激光诱导击穿光谱进行预处理，包括波长校准、连续背景扣除和噪声平滑;随后，通过一个预设的稀土元素特征波长数据库识别原子发射光谱中属于稀土元素的特征发射谱线;例如，针对钕(Nd)元素，系统会定位其在401.225纳米、430.357纳米等处的特征峰;对于每一条识别出的特征谱线，计算其净峰强;最终，输出一组稀土元素特征谱线及其对应的强度值;确定所述近红外光谱特征中稀土矿物相关的吸收带特征可采用下述方式实现，即：对近红外反射光谱进行预处理，包括消除散射影响的多元散射校正以及导数处理，其次，分析近红外反射光谱中与特定稀土矿物晶体结构相关的特征吸收波段：例如，对于氟碳铈矿，其碳酸根基团会在约2330纳米和2500纳米附近产生特征的合频吸收带;对于每一个特征吸收波段，提取其吸收深度、吸收宽度、以及经过二阶导数变换后吸收谷的精确位置等特征参数，将上述所有参数构成近红外光谱特征中稀土矿物相关的吸收带特征;其它实施例中还可采用其它方式实现，这里不做限定。
[0089]具体实现时，将所述特征谱线和所述吸收带特征进行全谱拼接，得到稀土矿物的特异矿物信息可采用下述方式实现，即：将特征谱线和吸收带特征组合成两个一维特征向量：一个向量包含所有稀土元素的归一化谱线强度值，另一个向量包含所有目标吸收带的特征参数值;为确保数据尺度一致，对两个向量分别进行最大-最小归一化处理;然后，将这两个归一化后的特征向量按照预先定义的顺序进行首尾直接拼接，连接形成一个统一的一维复合特征向量;该复合特征向量融合了来自原子发射光谱的元素指纹信息和来自近红外光谱的分子结构信息，从而构成了能够特异性地表征稀土矿物元素-结构双重属性的特异矿物信息;其它实施例中还可采用其它方式实现，这里不做限定。
[0090]具体实现时，将所述特异矿物信息进行特征择优与融合，得到所述稀土矿石流中矿石成分的双模态特征向量可采用下述方式实现，即：将特异矿物信息输入一个特征优化模块：该模块首先通过主成分分析法对高维的原始融合信息进行降维处理，去除噪声和冗余，提取出少数几个能代表绝大部分数据方差的主成分;接着，通过一个轻量级的注意力网络对这些主成分特征进行二次优化;该网络通过训练，为不同的主成分分配合适的权重，自动增强那些对区分不同稀土矿物种类和品位贡献大的特征维度(例如，某种稀土元素的关键谱线强度或某个特定吸收带的深度)，同时抑制贡献较小或干扰较大的维度;经过加权与筛选过程后，输出一个融合了元素与分子信息的精炼特征向量，即稀土矿石流中矿石成分的双模态特征向量;其它实施例中还可采用其它方式实现，这里不做限定。
[0091]需要说明的是，本申请中的特征谱线是标识特定稀土元素存在的、从原子发射光谱中提取的特定波长谱峰的强度或面积数据;吸收带特征是反映稀土矿物分子结构与晶体信息的、从近红外光谱中提取的特定波长范围内吸收谷的深度、宽度或形状参数;特异矿物信息是综合描述目标稀土矿物元素-结构属性的、将特征谱线与吸收带特征在全谱层面进行拼接后形成的融合数据;双模态特征向量是描述输入智能识别模型进行高效判别的、对特异矿物信息进行特征择优与降维后得到的低维数字化特征集合;其中，将激光诱导击穿光谱的原子发射光谱中元素信息与近红外线光普的分子结构信息进行深度融合，这种元素-分子双模态特征，相比单一光谱特征，能更全面、更抗干扰地表征矿石本质。有效区分元素组成相似但矿物相不同的矿石(如氟碳铈矿与某些含钙脉石)，显著提升了后续识别模型的鲁棒性和判别的准确性。
[0092]在一些实施例中，对所述模态特征向量进行聚焦于稀土矿物的注意力优化识别，进而得到分选决策信号可采用下述步骤实现：
[0093]对所述双模态特征向量中与稀土元素谱线及特征官能团分配多个偏向权重;
[0094]根据所有的偏向权重对所述双模态特征向量进行注意力优化，得到多个聚焦稀土矿物的特征维度;
[0095]通过所有的特征维度进行多任务解析和品位估值，得到筛选后的稀土矿石流中稀土矿物的多个品位估值和矿物类别;
[0096]基于所述矿物类别和所有的品位估值生成分选决策信号。
[0097]具体实现时，对所述双模态特征向量中与稀土元素谱线及特征官能团分配多个偏向权重可采用下述方式实现，即：预设一个轻量级的权重生成网络，该网络以双模态特征向量作为输入;该网络内部首先通过全连接层学习特征的全局上下文关系，然后通过一个动态注意力调制模块的机制，针对特征向量的不同维度自动生成一组重要性权重;具体地，该动态注意力调制模块的机制会识别并强化那些与预设的关键稀土元素(如钕、铈、镨)的特征谱线强度维度，以及和稀土矿物(如氟碳铈矿的碳酸根吸收带)相关的分子官能团特征维度对应的权重值，同时降低与常见脉石矿物(如石英、长石)相关特征的权重;最终，该网络输出多个与输入的双模态特征向量维度一一对应的、数值范围在0到1之间的偏向权重，用于表征每个特征维度对稀土矿物鉴别的相对重要性;其它实施例中还可采用其它方式实现，这里不做限定。
[0098]具体实现时，根据所有的偏向权重对所述双模态特征向量进行注意力优化，得到多个聚焦稀土矿物的特征维度可采用下述方式实现，即：将上一步得到的偏向权重向量与原始的双模态特征向量进行逐元素相乘(即Hadamard积)，从而权重高的特征维度其数值被显著放大，权重低的特征维度其数值则被相对抑制;进而经过加权后的双模态特征向量中与稀土矿物鉴别强相关的特征被突出，而冗余的噪声特征被削弱，从而实现了对稀土矿物信息的聚焦;优化后的双模态特征向量，其维度数量保持不变，但每个维度的信息密度和判别性得到了提升;其它实施例中还可采用其它方式实现，这里不做限定。
[0099]具体实现时，通过所有的特征维度进行多任务解析和品位估值，得到筛选后的稀土矿石流中稀土矿物的多个品位估值和矿物类别可采用下述方式实现，即：将注意力优化后的特征向量输入一个采用多任务学习架构的解析网络，该网络共享底部的特征提取层，然后在顶部并行连接两个特定的任务头：矿物分类头：通常是一个softmax分类器，负责将特征映射为不同矿物类别的概率，如“氟碳铈矿”、“独居石”、“磷钇矿”或“脉石”;品位回归头：通常是一个线性回归层经网络(如DBP-ANN)，负责预测该矿石颗粒的总稀土氧化物(TREO)含量或特定关键元素的品位估值;网络在训练时，使用带标注的样本以端到端方式进行，总损失函数是分类损失和回归损失的加权和;在部署应用时，网络对每个矿石颗粒的特征进行一次前向传播，即可同步输出其最可能的矿物类别和预测的品位估值;其它实施例中还可采用其它方式实现，这里不做限定。
[0100]具体实现时，基于所述矿物类别和所有的品位估值生成分选决策信号可采用下述方式实现，即：预设一系列基于生产工艺要求的分选阈值，例如“精矿品位下限”、“尾矿品位上限”;决策逻辑如下：首先，判断矿物类别是否属于目标稀土矿物，若是，则进一步将其预测品位估值与阈值进行比较;若品位高于精矿下限，则生成精选指令;若品位介于尾矿上限和精矿下限之间，则生成中矿再处理指令;若矿物类别被判定为脉石，或其品位低于尾矿上限，则直接生成抛废指令;同时，为确保可靠性，决策会参考模型输出的分类置信度(如概率最大值);当置信度过低时，可触发送检或默认抛废的保守指令;最终，将此动作指令、该稀土矿石在输送带上的实时空间坐标、以及预测品位值封装为一个结构化的数据包，即分选决策信号;其它实施例中还可采用其它方式实现，这里不做限定。
[0101]需要说明的是，本申请中的偏向权重是描述在识别过程中放大关键信号、抑制噪声的、由注意力机制为双模态特征向量中不同维度动态分配的重要性系数;特征维度是描述承载聚焦后矿物鉴别信息的、经过偏向权重优化加权后的特征向量;品位估值和矿物类别是代表单颗粒矿石品质与种类的、由多任务解析模型并行输出的定量品位预测值与定性矿物分类结果;分选决策信号是指驱动最终执行机构的、将品位估值和矿物类别与工艺阈值比较后生成的包含动作指令-目标坐标-预测品位的结构化控制指令。
[0102]再次分选模块500，用于根据所述分选决策信号对气动分选机的参数进行调控，从而对所述稀土矿石流进行再次分选。
[0103]在一些实施例中，根据所述分选决策信号对气动分选机的参数进行调控，从而对所述稀土矿石流进行再次分选可采用下述步骤实现：
[0104]解析所述分选决策信号，获得目标颗粒的空间坐标、动作指令及预测品位值;
[0105]根据所述空间坐标与输送带速度，计算触发对应分选喷嘴的精确延时;
[0106]根据所述动作指令与预测品位值，动态设定喷吹的气压值与脉冲宽度;
[0107]在所述精确延时到达时，控制相应喷嘴以设定的参数执行喷吹，将颗粒分选至对应的精矿、中矿或尾矿收集槽中。
[0108]具体实现时，根据所述空间坐标与输送带速度，计算触发对应分选喷嘴的精确延时可采用下述方式实现，即：根据解析得到的目标颗粒空间坐标中的纵向位置，以及次级输送带当前的实际运行线速度，实时计算一个精确的时间延迟;该延时代表从当前时刻到目标颗粒随输送带运动至气动喷嘴阵列正下方预定喷吹点所需的时间;根据所述动作指令与预测品位值，动态设定喷吹的气压值与脉冲宽度可采用下述方式实现，即：依据解析出的动作指令和预测品位值，通过查询一个预设的参数映射表来动态设定喷吹参数。该映射表定义了工艺规则：例如，对于精选指令且高品位的颗粒，设定较低的气压和较短的脉冲宽度，实现精准、轻柔分离，防止颗粒飞溅;对于抛废指令的颗粒，则设定较高的气压和标准脉冲宽度，确保其被完全吹离主轨道;其它实施例中还可采用其它方式实现，这里不做限定。
[0109]综上所述，本申请采用的技术方案可以精准识别稀土矿物特性，并执行高效稀土矿选矿的智能筛分与输送。
[0110]本申请是参照根据本申请实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框，以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0111]本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一种计算机可读存储介质中，存储介质包括只读存储器(Read-Only Memory，ROM)、随机存储器(Random Access Memory，RAM)、可编程只读存储器(Programmable Read-only Memory，PROM)、可擦除可编程只读存储器(Erasable Programmable Read Only Memory，EPROM)、一次可编程只读存储器(One-time Programmable Read-Only Memory，OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(CompactDisc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器，或者能够用于携带或存储数据的计算机可读的任何其他介质。
[0112]还需要说明的是，术语“包括”“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
说明书附图(3)
