控制与决策

作者：艾明曦,许庆,张进,孔庆洁,李鹏,谢永芳,唐朝晖

单位：云南大学 信息学院，昆明 650500,,云南大学 信息学院，昆明 650500,,昆明理工大学 信息工程与自动化学院，昆明 650504,,云南大学 信息学院，昆明 650500,,云南大学 信息学院，昆明 650500,,中南大学 自动化学院，长沙 410083,,中南大学 自动化学院，长沙 410083,

关键词：工况识别;特征增强;半监督学习;双注意力机制;伪标签正则化;特征相似性对齐

基金：国家自然科学基金项目(62303404, 62303201, 62233018)；云南省基础研究计划面上项目(202401CF070171, 202401CF070111)；兴滇英才支持计划-青年人才专项项目；云南大学研究生科研创新项目(ZC-24248842).

深度学习方法在泡沫浮选监测中越来越受到关注, 然而, 此类方法面临对关键特征区域感知不足和难以获取足量高质量有标签泡沫图像的问题. 鉴于此, 提出一种基于局部特征增强的改进半监督工况识别方法(local feature enhancement-based improved semi-supervised condition recognition method, LFE-ISSM). 首先, 级联ResNet18和卷积注意力模块(convolutional block attention module, CBAM)构造局部特征增强模块, 通过通道注意力和空间注意力双注意力机制强化泡沫图像的局部特征表达能力; 然后, 使用改进半监督算法训练工况识别模型, 算法在Mean-Teacher框架的基础上融合基于阈值的伪标签正则化策略和特征相似性对齐策略, 以确保伪标签的可靠性并有效引导模型学习数据中的潜在结构信息. 实验结果表明, 所提出方法可有效提取泡沫图像特征, 且在实际工业锌浮选数据集上的分类性能优于对比方法.

来源：2025年第9期

《控制与决策》期刊编辑部

查看控制与决策杂志2025年第9期