(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210517023.4 (22)申请日 2022.05.12 (71)申请人 阳光学院 地址 350015 福建省福州市马尾区经济技 术开发区登龙路9 9号 (72)发明人 戴路　张洁　廖一鹏　李雪艳　 刘文财　陈骏勰　 (74)专利代理 机构 福州元创专利商标代理有限 公司 35100 专利代理师 蔡学俊　薛金才 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/80(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06V 10/44(2022.01) G06V 10/54(2022.01) G06V 10/82(2022.01) G06V 10/774(2022.01) G06V 10/30(2022.01) (54)发明名称 融合降噪编码及多尺度深度学习的浮选泡 沫图像分类方法 (57)摘要 本发明提供一种融合降噪编码及多尺度深 度学习的浮选泡沫图像分类方法， 本方法采用降 噪编码器中的不同尺度的编、 解码层与多尺度分 类模型融合而成的新模型。 在训练过程中分为两 个步骤： 第一步， 降噪训练， 训练前对原始图片增 加随机噪声， 以加噪后的图像作为降噪训练的输 入， 以原始图像作为输出， 通过训练达到了较好 的滤波效果。 第二步， 分类训练， 锁定所有参数， 并将降噪模 型中编、 解码阶段中不同尺度的层与 多尺度分类模 型进行融合， 通过训练使模型对浮 选工况有较高的识别率。 本方法能够较好的识别 出有噪点的浮选泡沫图像工况； 同时又能缩短模 型训练和推理的时间。 权利要求书2页 说明书8页 附图6页 CN 114863177 A 2022.08.05 CN 114863177 A 1.融合降噪编码及多尺度深度学习的浮选泡沫图像分类方法， 其特征在于包括降噪训 练和分类训练； 所述降噪训练包括编码阶段和 解码阶段； 编码阶段将图片通过卷积和池化 逐渐减小其图片尺寸， 在减少图片尺寸的过程中提炼图片的主要轮廓并过滤噪声， 在编码 阶段将图片尺寸由256*256缩减至64*64； 在解码 阶段， 反卷积将图片尺寸由64*64还原至 256*256， 并通过训练使噪声图片与 原始图片的均方差达到最小； 在 多尺度分类中复用编码 层及解码层里的卷积层， 通过256*256、 128*128及64*64三个尺度进行浮选泡沫图像的判 断。 2.根据权利要求1所述的融合降噪编码及多尺度深度学习的浮选泡沫图像分类方法， 其特征在于， 所述编码阶段一共8层， 通过三次池化层和卷积层的组合提取图片的纹理部 分： (A1)第一层为图片输入层， 将尺寸 为256*256*3的浮选图片输入； (A2)通过卷积核为32的卷积层C1将图片的尺寸由25 6*256*3， 转换为25 6*256*32； (A3)再通过最大池化层P1， 让图片丢失部分信息， 提取图片的主要部分纹理， 并将其尺 寸缩小至128*128* 32； (A4)之后通过 卷积核为32的卷积层C2对 池化后的数据进行调整； (A5)然后通过最大池化层P2， 再 次让图片丢失信息， 提取纹理， 将其尺寸缩减为64*64* 32； (A6)之后再通过 卷积核为32的卷积层C 3对池化后的数据进行调整； (A7)接下来 通过最后的最大池化层P3， 将其尺寸缩小至 32*32*32； (A8)最后通过批标准化层B1防止网络出现梯度爆炸导致无法训练， 同时缓解网络出现 过拟合现象。 3.根据权利要求1所述的融合降噪编码及多尺度深度学习的浮选泡沫图像分类方法， 其特征在于， 所述解码阶段分为8层， 通过三次反卷积层+卷积层的组合将图片的核心信息 进行还原的过程， 通过将图品从核心还原为 正常图片， 最后通过对图片的批标准 化处理： (B1)首先通过一个步长为2的反卷积层T1， 让图像的尺寸由32* 32*32还原为64* 64*32； (B2)再通过一个卷积层C4， 对反卷积后的数据进行调节， 同时还增 加了模型的深度； (B3)通过第二个步长为2的反卷积层T2， 让图像的尺寸由64* 64*32还原为128*128* 32； (B4)配合第二个卷积层C 5， 再次对数据进行调节； (B5)最后通过第三个步长为2的反卷积层T3， 让图像的尺寸 由128*128*32还原为256* 256*32； (B6)再通过第三个卷积层C 6， 对数据进行调节； (B7)再通过批标准 化层B2防止网络出现梯度爆炸导 致无法训练； (B8)最后通过一个核数量为3的卷积层C7， 让图像 的尺寸由256*256*32还原为正常的 图像尺寸25 6*256*3。 4.根据权利要求1所述的融合降噪编码及多尺度深度学习的浮选泡沫图像分类方法， 其特征在于， 多尺度分类具体为： (C1)将加了噪声的卷积层C1即256*256*32、 和去噪后的卷积层C6即256*256*32进行叠 加， 生成叠加层Ca1即25 6*256*64； (C2)通过一个核数量为32的卷积层C7， 将叠加层Ca1即256*256*64的尺寸缩减为256*权　利　要　求　书 1/2 页 2 CN 114863177 A 2256*32； (C3)将加了噪声的卷积层C2 即128*128*32、 和去噪后的卷积层C5即128*128*32进行叠 加， 生成叠加层Ca2即128*128* 64； (C4)通过一个核数量为32的卷积层C8， 将叠加层Ca1即128*128*64的尺寸缩减为128* 128*32； (C5)将加了噪声的卷积层C3即64*64*32和去噪后的卷积层C4即64*64*32进行叠加， 生 成叠加层Ca3即64* 64*64； (C6)通过一个核数量为32的卷积层C9， 将叠加层Ca1即64*64*64的尺寸缩减为64*64* 32； (C7)通过三个卷积核为16， 核尺寸为1*1的卷积层C10、 C11、 C12对数据进行单层的卷积 处理， 最终输出尺寸 为C10即25 6*256*16、 C11即128*128*16、 C12即64* 64*16； (C8)再通过三个全局平均池化层GAP1、 GAP2、 GAP3分别将C7即256*256*16、 C8即128* 128*16、 C9即64* 64*16的数据整合 为一维的数据： 16、 16、 16； (C9)再将GAP1即16、 GAP2即16、 GAP3即16的进行 数据叠加， 形成叠加数据GAP4即48； (C10)将GAP4即96 输入全链接层输入为 48， 输出为32的全连接层D1； (C11)通过Dropout层D P1让随机 50％的隐层节点权 重变为0； (C12)最后通过输入为32输出为3的全链接层D2输出浮选图像的分类数据。权　利　要　求　书 2/2 页 3 CN 114863177 A 3