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！

龙图腾网获悉云南大学申请的专利知识与数据联合驱动的矿物浮选过程工况识别方法及装置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：CN118887450B 。

龙图腾网通过国家知识产权局官网在2025-10-28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：202410912077.X，技术领域涉及：G06V10/764；该发明授权知识与数据联合驱动的矿物浮选过程工况识别方法及装置是由艾明曦;许庆;张进;李鹏;谢永芳设计研发完成，并于2024-07-09向国家知识产权局提交的专利申请。

本知识与数据联合驱动的矿物浮选过程工况识别方法及装置在说明书摘要公布了：本申请公开了知识与数据联合驱动的矿物浮选过程工况识别方法和装置包括：获取浮选泡沫图像，将浮选泡沫图像输入预先训练好的矿物浮选过程工况识别模型，得到工况类别，其中矿物浮选过程工况识别模型的训练过程中，通过知识转移模型、主分类模型和监督对比学习模型得到KL散度、主分类交叉熵损失和对比损失，三个损失线性组合后，得到知识与数据联合驱动损失，基于知识与数据联合驱动损失，更新矿物浮选过程工况识别模型的参数。本申请中，矿物浮选过程工况识别模型在训练的过程中，知识转移模型从知识层面提升了工况识别的准确性，监督对比学习模型从数据层面提升工况识别的准确性。

本发明授权知识与数据联合驱动的矿物浮选过程工况识别方法及装置在权利要求书中公布了：1.一种知识与数据联合驱动的矿物浮选过程工况识别方法，其特征在于，包括： 获取浮选泡沫图像； 将所述浮选泡沫图像输入预先训练好的矿物浮选过程工况识别模型，得到工况类别； 其中，所述矿物浮选过程工况识别模型包括：知识转移模型、主分类模型和监督对比学习模型； 所述矿物浮选过程工况识别模型的训练过程，包括： 获取浮选泡沫训练图像； 所述知识转移模型对所述浮选泡沫训练图像进行处理，提取所述浮选泡沫训练图像的形态学特征、统计学特征、纹理特征和物理特征，并基于所述形态学特征、所述统计学特征、所述纹理特征和所述物理特征，得到知识交叉熵损失及软目标值； 基于所述知识交叉熵损失更新所述知识转移模型的非线性分类头； 所述主分类模型对所述浮选泡沫训练图像进行处理，得到工况类别预测、浮选泡沫训练锚点图像特征和主分类交叉熵损失； 基于所述软目标值和所述工况类别预测值，得到KL散度；使用添加了最高分差异损失的知识交叉熵损失训练手工特征网络，生成具有高信息熵的软目标，然后，最小化主分类模型预测输出与软目标间的KL散度； 所述监督对比学习模型基于所述浮选泡沫训练锚点图像构建若干个正样本和负样本，并基于所述正样本和所述负样本，得到特征正样本和特征负样本，所述正样本是所述浮选泡沫训练锚点图像的增强样本以及与其标签相同的样本，所述负样本是与浮选泡沫训练锚点图像具有不同标签的样本； 基于所述浮选泡沫训练锚点图像特征、所述特征正样本和特征负样本，得到对比损失，包括： 获取浮选泡沫训练锚点图像的工况类别标签； 选择工况类别和浮选泡沫训练锚点图像特征的工况类别邻近的特征负样本，将其两两线性组合得到特征硬负样本； 将特征硬负样本和浮选泡沫训练锚点图像特征线性组合得到特征困难负样本； 基于所述浮选泡沫训练锚点图像特征、所述特征正样本和所述特征困难负样本，得到对比损失； 基于所述主分类交叉熵损失、所述KL散度和所述对比损失，得到知识与数据联合驱动损失； 基于所述知识与数据联合驱动损失，判断所述矿物浮选过程工况识别模型是否训练完成； 若否，则基于所述知识与数据联合驱动损失，更新所述矿物浮选过程工况识别模型的参数，并返回执行获取浮选泡沫训练图像的步骤； 若是，则结束训练，得到训练后的矿物浮选过程工况识别模型。

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云南大学，其通讯地址为：650091 云南省昆明市翠湖北路2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”。

以上内容由龙图腾AI智能生成。