[发明专利]一种基于生成对抗网络的浮选加药过程的建模方法

说明书

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。

技术领域

本发明属于浮选加药技术领域，具体的说是一种基于生成对抗网络的浮选加药过程的建模方法。

背景技术

矿产资源是人类社会赖以生存和发展的重要物质基础，矿产回收率和综合利用率的提高在经济效益上是显著的。选矿是矿产资源加工中的一个重要环节，而泡沫浮选是一种应用最为广泛的选矿方式。

浮选操作人员对浮选加药量的调整主要依赖于泡沫表面视觉特征，如泡沫尺寸和颜色，这在很大程度上取决于操作经验；这种人工加药方式将会导致矿产资源浪费、环境污染增加和危害人体健康。

现有技术中由于传统依靠操作人员经验判断加药量的方式太限制于操作经验，因此矿物浮选过程的自动化加药具有十分重要的意义，但是现有技术中针对矿物浮选过程中浮选药剂添加量与泡沫图像特征之间关系复杂且难以准确建模。

发明内容

为了弥补现有技术的不足，解决针对矿物浮选过程中浮选药剂添加量与泡沫图像特征之间关系复杂且难以准确建模的问题，本发明提出的一种基于生成对抗网络的浮选加药过程的建模方法。

本发明解决其技术问题所采用的技术方案是：一种基于生成对抗网络的浮选加药过程的建模方法，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Batch Normalization，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Instance Normalization，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；