1.基于图像深度学习（采用深层数的卷积神经网络DenseNet模型和迁移学习transfer learning方法）的智能给矿。 一种基于图像技术的矿石给矿在线预测方法，其特征在于稳定磨矿分级作业溢流产品粒度的前提下，根据采集磨机给矿胶带机上不同磨机台时给矿量（t/h）所对应的图像，通过图像特征提取，用深度学习DenseNet模型和迁移学习（transfer learning）的方法，实现对矿石图像可磨性的在线有效识别，进而实现对磨机给矿量的实时智能控制调节。通过图像识别技术判断矿石性质变化，预先识别磨机给矿性质，并及时调整给矿量的方法，实时预先调整给矿量，保证磨矿效率高效，与人工调节相比，磨机年台时处理量平均可以提高2吨/小时以上。 矿石可磨度由破矿粒度和矿石硬度等因素所组成。矿石破碎粒度通过灰度图像分水岭分割方法，实现矿石粒度按12毫米粒级进行自动计算和分析。矿石可选性根据成品精矿质量指标作为控制参考，进行矿石性质分析。破矿粒度分析和智能给矿量二种分析结果都是按每分钟计算进行输出，保证了在线实时矿石性质分析，达到按矿石可磨性和可选性进行智能调整给矿量的目的。 2.基于深度学习，采用随机森林 (Random Forest)模型，用于磨矿在线粒度预测。 利用磨矿历史大数据，提取给矿量、给水量、泵池液位、旋流器压力、旋给浓度和溢流粒度等大量检测有效数据，采用随机森林 (Random Forest)模型，对一次和二次磨矿粒度进行实时预测，实现在线每分钟软测量粒度技术指标。由于采用了集成算法，本所以准确性高;由于两个随机性的引入，使得随机森林具有一定的抗噪声能力，对比其他算法具有一定优势。随机森林训练速度快，特别适用于类似磨矿粒度的大规模数据集上。 3.基于深度强化学习智能磨矿粒度控制。 该模型以系统预测的给矿量为输入，通过对历史数据的学习，输出一组控制数据，包括:旋流器给矿压力、泵池液位和泵池补加水等，基于这组控制数据，通过稳定旋流器给矿压力，调节旋给矿浆浓度,这样可以显著的提高控制效率（使过去的2小时左右的控制周期，提高为5-20分钟的控制周期）。由于控制频率的提高，使我们取得了智能控制的主动权。