本发明用于图像处理领域，主要涉及一种基于对抗训练去噪自编码器的泡沫浮选品位预测方法。
背景技术：
1、浮选工业是矿业中的重要环节，它扮演着提取矿石中有用矿物的关键角色。而在浮选工业中，浮选泡沫图像处理及品位预测具有至关重要的地位。通过对泡沫图像的处理和分析，可以实现对悬浮在浮选槽中的矿石颗粒进行快速、准确的识别和分类，从而有效提高选矿效率，提高品位预测的准确度。在泡沫浮选过程中，传感器常用于收集关键参数，如矿石成分、气泡浓度、浮选槽液位等。这些实时数据可以被用来建立模型，进行品位预测，因而泡沫浮选品位预测可以归类为工业软传感器模型的应用之一。然而，在当前的浮选工业过程中，由于传感器敏感度限制、信号干扰、工业环境的影响等原因，常常会产生各种噪声，严重影响了泡沫图像处理和品位预测的准确性和可靠性。
2、针对这一问题，对抗性深度学习被引入到工业软传感器模型去噪中，取得了一定的成效。通过引入对抗性样本，可以增加模型的鲁棒性，提高模型去噪的准确性。此外，对抗性深度学习还可以用于工业软传感器模型的缺失数据填充，从而提高模型的预测精度和稳定性。对抗训练的目标可以构建为一个如下式所示的极大极小的优化问题：
3、minθe[maxδ∈sl(x+δ,y；θ)]
4、式中，δ是扰动，s是允许的扰动集合。内部最大化项查找会产生高损失的对抗性输入，而外部最小化项更新模型权重以最小化这种损失。以这种方法训练的神经网络对对抗性攻击具有鲁棒性。在训练过程中，通过向原始输入x添加扰动δ来生成对抗输入xadv。生成xadv的常用方法主要包括快速梯度符号法(fgsm)、carlini-wagner攻击和投影梯度下降法(projected gradient descent，pgd)。pgd是一种最初引入计算机视觉领域用于生成对抗性输入的算法，其原理是通过调整与损失函数相关的梯度来调整输入数据。通过在梯度方向上扰动输入数据，pgd可以有效地产生对抗样本，从而欺骗机器学习模型。由于其简单、高效和兼容等优点，pgd已成为处理输入信号扰动的首选方法。然而，直接采用原始的pgd方程可能存在一些限制和缺点，因此需要进行适当修改。
5、虽然对抗性深度学习在工业软传感器模型去噪中的应用具有一定的优势，但是其复杂性也给模型的训练和实现带来了一定的挑战。因此，需要进一步优化算法和模型结构，提高对抗攻击和防御的效果，以满足工业生产过程中的实际需求。名词解释：
6、pgd：pgd(projected gradient descent)是一种常用的优化算法，在对抗性机器学习中被广泛应用。它是梯度下降法的一种变体，在每一步迭代中，通过将梯度投影到一个约束集合中来确保更新后的参数满足一定的约束条件。这一算法的核心思想是在梯度下降的基础上，引入了一个投影步骤，以确保参数更新不会超出预先设定的约束范围。pgd的迭代步骤如下：
7、1.计算当前参数的梯度。
8、2.根据梯度方向，更新参数。
9、3.将更新后的参数投影到约束集合中，确保其满足约束条件。
技术实现思路
1、为解决上述问题，本发明公开了一种基于对抗训练去噪自编码器的泡沫浮选品位预测方法。
2、为了实现以上目的，本发明通过以下技术方案进行实现：
3、一种基于对抗训练去噪自编码器的泡沫浮选品位预测方法，包括以下步骤：
4、步骤一、拍摄浮选槽中的泡沫获得泡沫图像，同时记录泡沫浮选的工艺参数和对应的品位数据；
5、步骤二、对泡沫图像进行图像增强和归一化预处理并与对应的工艺参数和品位数据形成数据集，将数据集分为训练集和测试集；
6、步骤三、使用基于对抗训练的去噪自编码器与多层感知机，对泡沫浮选图像数据和矿石品位进行联合建模形成品位预测模型，通过训练集对品位预测模型进行训练得到训练后的品位预测模型；并用测试集测试训练后的品位预测模型，准确率大于预设阈值则得到最终的品位预测模型，否则继续进行训练；
7、步骤四、实时向最终的品位预测模型输入当前的泡图像数据和泡沫浮选的工艺参数，进行品位预测，根据预测结果，调整泡沫浮选的工艺参数。
8、进一步的改进，所述泡沫浮选的工艺参数包括加药量和搅拌速度。
9、进一步的改进，所述步骤二中，对泡沫图像进行图像增强和归一化预处理的步骤如下：
10、对泡沫图像通过灰度调整、滤波处理和canny边缘检测算法进行图像增强，然后并将增强后的泡沫图像中的像素值归一到0到1之间。
11、进一步的改进，所述步骤三中，得到训练后的品位预测模型包括如下步骤：s31,制作训练数据集的对抗样本：
12、所述去噪自编码器由编码器和解码器两个镜像对称的部分组成；编码器由三个卷积块依次串联连接形成；每个卷积块依次包括卷积层、激活函数、批量归一化层；三个卷积块输出的特征图大小依次为512*512，256*256，128*128；
13、基于训练数据集s中的图像数据，制作最终的对抗样本xadv:
14、开始对抗性搜索后，去噪自编码器计算潜在特征xlatent的初始值计算公式为：
15、
16、式中，x＝[x1,x2,...xi,...xp]为输入基于对抗训练的去噪自编码器中的泡沫浮选图像数据，工业摄像机拍摄后图像被裁剪为512*512的大小；p为泡沫浮选图像的张数，xi为第i个大小为512*512的二维矩阵，矩阵中的元素为图像中对应的像素值，每个像素值xi-{m,n}的取值为[0,1]，m和n分别表示像素的横坐标和纵坐标；xlatent为输入图像经过去噪自编码器中编码器的编码之后，投影到低维空间的潜在特征，w为权重矩阵，b为偏置向量，σ()是一个非线性激活函数；
17、根据使用的去噪自编码器中编码器的结构，得到的计算公式具体为：
18、conv1＝relu(bn(conv(x,w1)+b1))
19、conv2＝relu(bn(conv(conv1,w2)+b2))
20、conv3＝relu(bn(conv(conv2,w3)+b3))
21、
22、式中，conv表示卷积操作，bn表示批量归一化，relu为激活函数，x为输入图像，conv1，conv2，conv3分别表示第一层卷积操作、第二层卷积操作和第三层卷积操作，wl，bl为第l层卷积的权重和偏置项，l＝1，2，3；
23、接着，向泡沫浮选图像数据添加高斯噪声，被高斯噪声污染之后的图像生成公式为：
24、xguass＝x+εε＝clip(randn(μ,σ),0,1)
25、式中，xguass为被高斯噪声污染之后的图像，ε为高斯噪声；高斯噪声是一个服从高斯分布的随机数，均值为μ，标准差为σ，由于已将图像像素值归一化，使用clip()确保随机生成的噪声范围在[0,1]之间；randn()表示randn函数；
26、然后使用pgd法生成对抗样本：设置目标真实标签y，学习率η，扰动半径ε和迭代次数t，将添加高斯噪声后的原始图像xguass作为初始对抗样本，对初始对抗样本添加额外扰动δ，以创建一个与原始图像xguass不同的对抗样本xadv；δ通过计算损失函数的梯度确定；
27、使用l∞范数将扰动δ限制在预设的lp范数内，即‖δ‖∞≤ε，ε为对抗半径，是一个控制扰动大小的超参数；最后将对抗样本投影回l∞范数小于ε的范围内，更新对抗样本；重复上述步骤，直到达到预设的迭代次数t，停止迭代，得到最终的对抗样本；
28、对抗样本更新公式如下：
29、
30、
31、式中，ladv为对抗性损失，用于指导生成对抗样本时的优化方向；yi为第i个样本的真实标签值，为被对抗攻击后去噪自编码器中编码器的第i个预测值，a为扰动的步长；为第k步时的对抗样本；为对抗损失函数对输入样本的梯度；投影函数∏(·)保证将对抗样本限制在以||xadv-x||∞≤ε为中心的ε球内；
32、其中潜在特征xlatent更新公式为：
33、
34、式中，表示第t步迭代时的潜在特征，η为学习率，表示损失函数关于的梯度，最终得到xlatent；
35、在去噪特征提取过程中，梯度反演不断调整对抗训练，达到所设置的迭代次数t后，认为最终生成的对抗样本满足与原始样本之间的最大差异：
36、
37、式中‖‖2为l2范数；
38、s32.将生成的对抗样本输入到去噪自编码器中，进行图像重建，优化基于对抗训练的去噪自编码器的参数，提取基于对抗样本的潜在特征：
39、得到最终的对抗样本后，将最终的对抗样本xadv输入去噪自编码器中；
40、去噪自编码器的编码器部分接收对抗样本xadv，将对抗样本xadv转换为基于对抗样本的潜在特征表示
41、
42、具体为：
43、
44、式中，conv表示卷积操作，bn表示批量归一化，relu为激活函数，relu(x)＝max(0,x)；xadv为输入对抗样本，为相应第l层的权重和偏置项；
45、根据去噪自编码器的编码器部分计算得到潜在特征重建图像矢量
46、输入去噪自编码器的解码器部分的潜在特征的特征图大小为128*128，两层反卷积层用3*3大小的卷积核将特征图依次扩展到256*256，512*512：在每个反卷积层后，应用sigmoid激活函数与批量归一(bn)化操作，引入非线性，稳定训练过程最终得到重建图像
47、重构过程即求解优化问题：
48、
49、式中是xadv的重构，lrec为重构损失函数；
50、综合考虑对抗性损失和重构误差，定义总损失函数为：
51、ladv-dae＝lrec+γladv
52、式中，lrec为引入的重构损失函数，ladv为引入的对抗损失函数，γ为平衡lrec与ladv之间关系的超参数，在每次迭代中，以对样本为输入，使用损失函数ladv-dae反向传播，计算损失函数的梯度更新去噪自编码器中的参数，直至ladv-dae收敛，即得到训练后的基于对抗训练的去噪自编码器模型；
53、s33，利用多层感知机，预测矿物品位数据：
54、将步骤s32由去噪自编码器中的编码器编码对抗样本得到的潜在特征与对应的真实矿物品位数据yi输入一个多层感知机中，潜在特征表示作为输入，品位数据作为输出；所述多层感知机具有两个隐藏层，两隐藏层分别包含4个和3个神经元，每个隐藏层的神经元都与前一层的所有神经元相连接，整体形成一个全连接的前馈神经网；隐藏层第r层第j个神经元的输出计算公式为：
55、
56、式中为第r层第j个神经元的加权输入，n(r-1)表示前一层的神经元数量；为第r层第j个神经元与第r-1层第k个神经元之间的连接权重，表示前一层第k个神经元的输出，为第r层第j个神经元的偏置项，为第r层第j个神经元的输出，σ(·)为激活函数，激活函数使用sigmoid函数：
57、
58、输出层的计算公式为：
59、
60、为输出层输出的品位数据的预测值，wt为输出层权重矩阵的转置，b为输出层的偏置，σ(·)为sigmoid激活函数；
61、使用反向传播算法，对该多层感知机品位预测模型进行训练，根据损失函数的梯度迭代优化多层感知机的权重、偏置项，使得预测输出与真实的品位数据之间的误差最小化；损失函数计算公式为：
62、
63、式中yi为第i个样本的真实品位标签，为第i个样本经多层感知机得到的品位预测值，n为训练样本数量；输入的训练集迭代更新完成后，即得到训练好的多层感知机品位预测模型。
64、进一步的改进，所述步骤三中，用测试集测试训练后的品位预测模型的步骤如下：
65、s34,用测试集测试训练后的联合品位预测模型：
66、将测试集中的泡沫图像与对应的矿物品位数据输入训练后的基于对抗训练的泡沫浮选图像处理与品位预测模型中，优化其中的超参数γ和扰动半径ε；测试集中的泡沫图像经过基于对抗训练的去噪自编码器编码，得到潜在特征表示潜在特征表示和测试集中的品位数据输入多层感知机，输出品位预测值，计算rmse,rmse值低于所设定的阈值h,则停止，得到最终的泡沫图像处及品位预测模型，否则则继续训练。本步骤中生成对抗样本，编码得到的计算过程同s31-s32,多层感知机输出品位预测值的过程同s33。
67、本发明与现有方法相比，具有以下优点：
68、本发明通过在原始图像上添加扰动进行对抗训练，提高dae模型的鲁棒性，引入投影梯度下降(pgd)优化器来解决对抗训练过程中的最小-最大问题，并优化整个网络的参数。另外，利用本发明中自编码器学习到的潜在特征表示，结合多层感知机进行品位预测。浮选过程中常有噪声，该模型无须训练噪声数据，通过对抗训练抵抗各种噪声的干扰，帮助优化泡沫浮选过程，提高品位预测的准确性和鲁棒性。通过及时预测泡沫浮选过程中的品位，可以优化生产效率、降低成本，改善矿物提取的效果。
1.一种基于对抗训练去噪自编码器的泡沫浮选品位预测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的基于对抗训练去噪自编码器的泡沫浮选品位预测方法，其特征在于，所述泡沫浮选的工艺参数包括加药量和搅拌速度。
3.如权利要求1所述的基于对抗训练去噪自编码器的泡沫浮选品位预测方法，其特征在于，所述步骤二中，对泡沫图像进行图像增强和归一化预处理的步骤如下：对泡沫图像通过灰度调整、滤波处理和canny边缘检测算法进行图像增强，然后并将增强后的泡沫图像中的像素值归一到0到1之间。
4.如权利要求1所述的基于对抗训练去噪自编码器的泡沫浮选图像处理及品位预测方法，其特征在于，所述步骤三中，得到训练后的品位预测模型包括如下步骤：s31,制作训练数据集的对抗样本：
5.如权利要求4所述的基于对抗训练去噪自编码器的泡沫浮选图像处理及品位预测方法，其特征在于，所述步骤三中，用测试集测试训练后的品位预测模型的步骤如下：
