在生物氧化冶金过程中,氧化槽内矿浆氧化率是影响生物冶金时间长短以及生物氧化冶金质量的关键因素。所以,氧化槽内矿浆氧化率的高低会对整个生物氧化冶金过程产生较大影响。由于高海拔地区气候复杂多变,所以生产过程中氧化槽内的温度变化较快,这就会影响氧化率预测的精确度。因此,为了提高生物冶金效率,本文提出一种新的氧化率预测方法。首先对矿浆图像按照氧化率高低进行划分并构建矿浆氧化率图像的数据集,再使用卷积神经网络对图像进行识别,从而达到对矿浆图像中氧化率进行预测的目的。本文主要研究内容如下:为了取得在冶金过程中氧化槽内矿浆的图像。本文在原有的生物氧化冶金过程中增加了图像采集环节,从而做到对矿浆图像进行实时采集。在实际工业生产中,影响氧化槽内矿浆氧化率的因素较多。根据某高海拔金矿的实际生产环境,在采集氧化槽内部对矿浆氧化率影响较大的数据后,对氧化槽内矿浆的氧化率进行分析。通过在正常气候下对氧化槽内数据进行采集,得到氧化槽内矿浆氧化率与时间的关系,并据此关系对矿浆图像进行采集分类,以便接下来数据集的制作。在进行图像的采集后,为了解决图像较少的问题。本文使用镜像变换、多区域裁剪以及添加高斯噪声三种方法对图像数目进行扩充。不仅降低了网络训练时过拟合情况出现的可能,而且可以通过数据增强的方法对工业现场复杂环境进行模拟,使得数据增强后的图像更加符合工业现场情况。在完成对矿浆图像的数据增强后,本文又对图像数据进行了预处理。通过对数据的标准化处理得到了适用于卷积神经网络训练的图像,并将其制成数据集。以便在网络训练时提升卷积神经网络的训练速度与生成模型的质量。在建立数据集之后,本文使用了卷积神经网络中最具有代表性的VGGNet、Inception Net、Res Net三种网络进行训练。通过调整网络内部的超参数,使网络更加适应实验环境并能在矿浆氧化率数据集上取得较好的表现。再通过网络训练时生成的准确率与Loss值曲线对训练过程与结果进行多方面分析,发现Inception Net在数据训练中的准确率达到98%,生成的模型在质量上也优于其他两种网络。其生成模型对测试集的识别率也能够达到98%。这证明了Inception Net所生成的模型能够在高海拔矿区小样本数据集中对矿浆氧化率图像进行较为准确的分类,可以对图像中矿浆的氧化率进行较好的预测。