(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110455031.6 (22)申请日 2021.04.26 (65)同一申请的已公布的文献号 申请公布号 CN 113128126 A (43)申请公布日 2021.07.16 (73)专利权人 湖南理工学院 地址 414000 湖南省岳阳市学院路、 金鄂东 路 (72)发明人 赵林　刘浪　李希　易嘉闻　邹尚　 胡文静　吴健辉　张国云　 (74)专利代理 机构 重庆金橙专利代理事务所 (普通合伙) 50273 专利代理师 唐健玲 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06T 7/00(2017.01) G06V 10/40(2022.01)G06V 10/82(2022.01) (56)对比文件 CN 111709942 A,2020.09.25 CN 109671 124 A,2019.04.23 CN 111598298 A,2020.08.28 CN 104657949 A,2015.0 5.27 CN 110288260 A,2019.09.27 WO 2008000036 A1,2008.01.03 吴刚 等.基 于深度学习的浮选加药控制系 统. 《山东煤炭科技》 .2020, 郭西进.基 于GA-BP神经网络的浮选加药量 预测. 《煤炭工程》 .2017, Liu J 等.On line monitoring of flotation froth bub ble-size distributi ons via multiscale deblur ring and multista ge jumping feature-fused ful l convolutional networks. 《IE EE Transacti ons on Instrumentati on and Measurement》 .2020, 审查员 徐灿 (54)发明名称 一种基于生成对抗网络的浮选加药过程的 建模方法 (57)摘要 本发明属于浮选加药技术领域， 具体来说是 一种基于生成对抗网络的浮选加药过程的建模 方法， 其充分利用了生成对抗网络强大的图像生 成能力， 通过图像判别网络计算加药过程中泡沫 图像变化前后的特征差异， 同时利用浮选加药量 和预测加药后泡沫 图像之间的互信息最大化来 建模加药量和泡沫图像 之间的关联关系； 模型训 练过程， 利用加药后泡沫图像预测网络和泡沫图 像判别网络之间的对抗博弈， 实现两者性能的提 升， 最终预测网络能基于初始泡沫图像以及加药 调节前后的浮选药剂添加量， 实现加药后泡沫图 像的准确预测。 权利要求书2页 说明书6页 附图2页 CN 113128126 B 2022.06.10 CN 113128126 B 1.一种基于生成对抗网络的浮选加药过程的建模方法， 其特征在于： 该建模方法包括 以下步骤： S1： 获取浮选药剂添加量调 节前后的泡沫图像， 结合浮选药剂添加量调 节记录， 构建浮 选加药过程数据集； S2： 建立基于生成对抗网络的浮选加药网络模型； S3： 将浮选加药过程数据输入到浮选加药网络模型， 训练得到浮选加药网络的参数模 型； S4： 将初始泡沫图像和加药调节前后的药剂添加量输入训练好的浮选加药模型， 预测 得到加药后泡沫图像； 所述S2中， 浮选加药过程网络模型由加药后泡沫图像预测网络、 泡沫图像判别网络构 成； 加药后泡沫图像预测网络为Encoder ‑Decoder结构， 即分为编码和解码两个部分； 在编 码部分采用连续的6个4 ×4的卷积对输入的初始泡沫图像进行特征提取， 卷积层后采用批 量归一化， BN和LeakyReLU激活函数； 对于输入的浮选加药量， 先经过预处理转换成带有加 药量信息的矩阵， 然后与编码部分输出 的特征图融合后输入到解码部分； 解码部分采用连 续的6个4 ×4的反卷积将嵌入药剂量信息的特征图还原成与输入泡沫图像相同尺寸的加药 后泡沫图像， 反卷积层后采用BN层和ReLU激活函数， 最后一层反卷积仍然与Tanh激活函数 组合， 输出图像数据； 泡沫图像判别网络由两个不同的全卷积神经网络组成， 并且共享了6个卷积层的权重 参数， 卷积层后采用实例归一化， IN和LeakyReLU激活函数； 两个全卷积神经网络分别用于 获取图像的特征分布、 最大化预测 泡沫图像与加药量之间的互信息； 在获取图像特征分布 的过程中， 先采用了6个4 ×4的卷积分别对真实加药后泡沫图像和预测加药后泡沫图像进 行特征提取， 然后使用了一个步长为1、 核为4 ×4的卷积， 输出图像的特征分布， 用于衡量两 种泡沫图像特征分布的距离； 在最大化互信息的过程中， 两个全卷积神经网络共享了大部 分的卷积层权重， 从而减少 了重复特征提取 的计算量， 直接对前面卷积层提取到的预测泡 沫图像特征使用一个4 ×4卷积进行下采样， 然后通过两个不同的1 ×1卷积来分别输出满足 高斯分布的均值和方差； 所述S3中， 基于生成对抗网络的浮选加药过程模型训练更新分为三个步骤： 第一步， 初 始泡沫图像经图像预测网络的编码部分得到高维特征图与带有加药量信息的高维矩阵进 行融合， 然后经过解码部分的反卷积操作得到预测泡沫图像， 此时计算预测 泡沫图像与加 药后泡沫图像的对抗损失和重建损失； 第二步， 预测 泡沫图像与加药后泡沫图像分别重新 输入到图像预测网络的编 码部分， 通过计算各卷积层后特征图之 间的特征差异得到内容损 失； 第三步， 将加药后泡沫图像和预测泡沫图像分别输入到图像判别网络提取特征， 获得图 像特征分布后计算对抗损失和梯度惩罚损失， 在最大化互信息过程中输出与预测图像特征 分布相关的均值和方差， 最后计算泡沫图像与浮选加药量之间的互信息损失； 图像预测网 络通过对抗损失、 重 建损失、 内容损失和互信息损失之和进 行反向传播并更新网络权重， 图 像判别网络通过对抗损失和梯度惩罚损失之和进行反向传播并更新网络 权重。 2.根据权利要求1所述的一种基于生成对抗网络的浮选加药过程的建模方法， 其特征 在于： 所述S1中， 浮选加药过程数据集由浮选加药工况记录组成， 每一条浮选加药工况记录权　利　要　求　书 1/2 页 2 CN 113128126 B 2具体包含 药剂添加量调节前后的加药量和相应泡沫图像； 设在时刻t调节药剂添加量， 此时 浮选监控系统采集到的加药量调节初始时刻泡沫图像记作x(t)， 为了表述简单， 简称为初 始泡沫图像， 加药操作调节前后的药剂添加量分别表示为u(t‑)和u(t+)； 由于浮选药剂作用 存在时滞， 在药剂添加量u(t+)的作用下所得到的加药调节后泡沫图像表示为x(t+τ )， 简称 为加药后泡沫图像， 其中τ为药剂充分起效的延迟时间； 于是， 对于一段浮选加药过程可形 式化表示为浮选加药工况记录 浮选加药过程数据集则由 大量的浮选加药工况记录 Ci,i＝1,2,…,M组成。 3.根据权利要求2所述的一种基于生成对抗网络的浮选加药过程的建模方法， 其特征 在于： 所述S2中， 加药后泡沫图像预测网络的损失函数由对抗损失、 重建损失、 内容损失和 互信息损失组成， 泡沫图像判别网络的损失函数由对抗损失和梯度惩罚损失组成； 加药后泡沫图像预测网络的总体损失具体表示 为： 其中， λg‑adv, λrec, λcontent, λinfo分别对应对抗损失、 重建损失、 内容损失和互信息损失的 权重系数， 对抗损失 重建损失 内容损失 和互信息损失 分别表示 为： 图像判别网络的总体损失为： 其中， λd‑adv, λgp分别对应对抗损失和梯度惩罚损失的权重系数， 对抗损失 和梯度惩 罚损失 分别表示 为： 其中， 为加药后泡沫图像和预测泡沫图像之间的随机插值采样。 4.根据权利要求3所述的一种基于生成对抗网络的浮选加药过程的建模方法， 其特征 在于： 所述S4中， 利用泡沫浮选监控系统采集当前泡沫图像以及 对应的加药量， 给出计划调 整的加药量， 利用泡沫图像预测网络获得预测的加药后泡沫图像； 进一步判断预测得到的 加药后泡沫图像是否为理想泡沫图像浮选工况， 可为 实现基于机器视觉的泡沫浮选加药量 优化控制提供基础。权　利　要　求　书 2/2 页 3 CN 113128126 B 3