| 30 | 0 | 77 |
| 下载次数 | 被引频次 | 阅读次数 |
针对传统冶金固废分选存在的分类精度低、处理速度慢及有价金属流失严重等行业痛点，本文提出了一种基于多模态数据融合的冶金固废智能分选系统。该系统融合可见光-短波红外双光谱成像与激光雷达点云数据，结合轻量化深度学习模型部署与近端策略优化(PPO)强化学习分选策略，构建“数据采集-算法处理-决策控制-执行反馈”的全流程智能分选体系。实验测试与工业现场应用结果表明：与传统方法相比，该系统的分类准确率、金属回收率、单小时处理量、推理速度均得到显著提升，且大幅减少了成本，为冶金固废资源化利用的智能化升级提供了高效解决方案。
Abstract：[1] 李晨，张祖刚，于发.XRT智能预选技术的研究及应用[J].现代矿业，2025,41(11):10-16.
[2] 许文稼，蒋庆斌，刘钢洋.基于机器视觉和深度学习的建筑垃圾智能识别研究[J].电子器件，2022,45(6):1489-1496.
[3] 焦美琴.基于深度学习的多模态数据融合与智能决策方法研究[J].信息与电脑，2025,37(24):10-12.
[4] 邓泉，赵泽宇，林鹤，等.晶圆金属表面纳米颗粒暗场检测系统设计[J].中国激光，2023,50(22):98-108.
[5] 张云，杨一璇，来兴平，等.融合多模态大模型的固体充填采煤井下分选煤矸下落瞬态图像识别方法[J].煤炭科学技术，2025,53(11):128-147.
[6] 袁宇.基于机器视觉的混合固废快速检测与精准分选研究[D].扬州：扬州大学，2025.
[7] 王飞飞，姜亚伟，胡刚.基于产率、效率双提升的关键智能分选技术研究与应用[J].煤炭加工与综合利用，2025(8):56-59,62.
[8] 季向楠，元嘉齐.深度学习驱动的煤矸石分选图像识别与智能分拣系统设计[J].价值工程，2025,44(22):145-147.
[9] 马佳川，刘杰，于天佑，等.双能XRT智能预选技术分选新疆某锂辉石研究[J].现代矿业，2025,41(6):136-139.
[10] 国强，李明松，周凯.基于势距图与改进云模型的多模雷达分选[J].吉林大学学报(工学版),2022,52(8):1904-1911.
基本信息:
DOI：10.16009/j.issn.1009-5624.2026.08.054
中图分类号:TN958.98;TP18;X757
引用信息:
[1]王德胜.基于多模态数据融合的冶金固废智能分选系统设计与实现[J].信息记录材料,2026,27(08):167-170.DOI:10.16009/j.issn.1009-5624.2026.08.054.
2026-04-15
2026-04-15