买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉东北大学;紫金矿业集团股份有限公司申请的专利一种基于多源异构信息的浮选过程运行状态评价方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115861193B 。

龙图腾网通过国家知识产权局官网在2025-07-04发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211457222.7，技术领域涉及：G06T7/00；该发明授权一种基于多源异构信息的浮选过程运行状态评价方法是由刘炎;王姝;何大阔;卜齐杰;常玉清;刘思宇;黄霖杰;张世昊;李兴华;关长亮设计研发完成，并于2022-11-21向国家知识产权局提交的专利申请。

本一种基于多源异构信息的浮选过程运行状态评价方法在说明书摘要公布了：本发明涉及一种基于多源异构信息的浮选过程运行状态评价方法，所述方法包括：S1、分别对在线采集的泡沫图像和泡沫数据进行预处理，获取预处理后的泡沫图像和泡沫数据；S2、分别将预处理后的泡沫图像和泡沫数据输入训练的ResNet‑SSPAE‑AM评价模型中，训练的ResNet‑SSPAE‑AM评价模型输出浮选过程运行状态的状态等级标签；所述训练的ResNet‑SSPAE‑AM评价模型包括残差网络ResNet、SSPAE网络模型以及AM网络结构；其中，所述残差网络ResNet、SSPAE网络模型分别与所述AM网络结构连接；S3、基于所述状态等级标签，确定当前浮选过程运行状态的具体的状态等级。

本发明授权一种基于多源异构信息的浮选过程运行状态评价方法在权利要求书中公布了：1.一种基于多源异构信息的浮选过程运行状态评价方法，其特征在于，所述方法包括： S1、分别对在线采集的泡沫图像和泡沫数据进行预处理，获取预处理后的泡沫图像和泡沫数据； S2、分别将预处理后的泡沫图像和泡沫数据输入训练的ResNet-SSPAE-AM评价模型中，训练的ResNet-SSPAE-AM评价模型输出浮选过程运行状态的状态等级标签； 所述训练的ResNet-SSPAE-AM评价模型包括残差网络ResNet、SSPAE网络模型以及AM网络结构；其中，所述残差网络ResNet、SSPAE网络模型分别与所述AM网络结构连接；所述残差网络ResNet，用于基于预处理后的泡沫图像获取泡沫图像特征；所述SSPAE网络模型，用于基于预处理后的泡沫数据获取泡沫数据特征；所述AM网络结构，用于基于泡沫图像特征和泡沫数据特征，输出状态等级标签； 其中，采用训练数据集训练建立的ResNet-SSPAE-AM评价模型得到训练的ResNet-SSPAE-AM评价模型；所述训练数据集包括图像训练数据集和数据训练数据集；其中，图像训练数据集包括涵盖C个状态等级的N个图像训练样本；所述数据训练数据集包括涵盖C个状态等级的N个数据训练样本； S3、基于所述状态等级标签，确定当前浮选过程运行状态的具体的状态等级； 在所述S1之前还包括： S0、采用训练数据集，训练建立的ResNet-SSPAE-AM评价模型得到训练的ResNet-SSPAE-AM评价模型； 所述S0包括： S01、采用图像训练数据集，训练ResNet-SSPAE-AM评价模型中的残差网络ResNet，并得到预训练的残差网络ResNet以及所述图像训练数据集所对应的图像特征集； 所述残差网络ResNet依次包括：卷积层、3个恒等映射模块、投影映射模块、2个恒等映射模块、投影映射模块、2个恒等映射模块、平均池化层、全连接层、第一SoftMax分类器； S02、采用数据训练数据集，训练ResNet-SSPAE-AM评价模型中的SSPAE网络模型，并得到预训练的SSPAE网络模型以及所述数据训练数据集所对应的数据特征集； 所述ResNet-SSPAE-AM评价模型中的SSPAE网络模型，依次包括：L1个SPAE、L2个PAE以及第二SoftMax分类器； S03、基于所述图像特征集和所述数据特征集，训练ResNet-SSPAE-AM评价模型中的AM网络结构，得到预训练的AM网络结构； 其中，所述AM网络结构包括：AM注意力网络、前馈层、第三SoftMax分类器； S04、将所述图像训练数据集和所述数据训练数据集，输入到预训练的ResNet-SSPAE-AM评价模型中，得到训练的ResNet-SSPAE-AM评价模型； 其中，预训练的ResNet-SSPAE-AM评价模型，包括：预训练的残差网络ResNet、预训练的SSPAE网络模型、预训练的AM网络结构。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人东北大学;紫金矿业集团股份有限公司，其通讯地址为：110819 辽宁省沈阳市和平区文化路三巷11号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。