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！

龙图腾网获悉福州大学申请的专利一种双模态CNN二次迁移学习的精矿品位等级预测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：CN116503378B 。

龙图腾网通过国家知识产权局官网在2025-05-27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：202310546945.2，技术领域涉及：G06T7/00；该发明授权一种双模态CNN二次迁移学习的精矿品位等级预测方法是由廖一鹏;严欣;朱坤华设计研发完成，并于2023-05-16向国家知识产权局提交的专利申请。

本一种双模态CNN二次迁移学习的精矿品位等级预测方法在说明书摘要公布了：本发明提出一种双模态CNN二次迁移学习的精矿品位等级预测方法。首先，构建基于改进SE‑DenseNet的泡沫双模态图像深度学习网络模型，并借助RGB‑D大数据集对模型预训练；其次，构建不同加药状态下的小规模数据集对迁移后模型的最后卷积层、全连接层和softmax重新训练；最后，采用自适应深度核极限学习机代替全连接层和softmax进行再次迁移学习，得到各种加药状态下的精矿品位等级预测模型。本发明方法在小规模训练集条件下可有效扩大相邻品位等级图像特征的差异程度、降低误识别率，有效解决了单次迁移学习的过拟合问题，具有较高的预测精确度和召回率。

本发明授权一种双模态CNN二次迁移学习的精矿品位等级预测方法在权利要求书中公布了：1.一种双模态CNN二次迁移学习的精矿品位等级预测方法，其特征在于，包括以下步骤：步骤1：采集正常、过量、欠量3种加药状态下的泡沫双模态图像，根据现场化验室提供的加药状态和对应的精矿品位等级数据，构建3种加药状态下的双模态图像小规模数据集；步骤2：采用RGB-D大规模数据集训练双模态ISE-DenseNet网络模型，然后将预训练模型进行迁移，冻结预训练的第一个卷积层、前三个ISE-DenseBlock以及相应的3个过渡层和SE层；步骤3：分别采用3种加药状态下的双模态泡沫图像小规模数据集，对双模态ISE-DenseNet网络模型进行迁移学习训练，对迁移后模型的ISE-DenseBlock4以及全连接层和softmax进行训练学习，得到正常、过量、欠量3种加药状态下的双模态ISE-DenseNet预训练模型；步骤4：对3种加药状态下的双模态ISE-DenseNet预训练模型再次迁移学习训练，冻结预训练模型的第一个卷积层、前四个ISE-DenseBlock以及相应的过渡层和SE层，用自适应DTAE-KELM代替全连接层和softmax进行迁移学习训练；步骤5：迁移学习训练过程中采用量子狼群算法对DTAE-KELM的L、C、σ参数进行自适应优化，训练集识别准确率作为适应度，最后得到3种加药状态下的精矿品位等级预测模型；步骤6：实时采集浮选槽表面泡沫的可见光、红外图像，根据不同的加药状态，如果是故障状态则直接输出结果，否则采用相应加药状态下的模型进行精矿品位等级预测；构建泡沫图像双模态ISE-DenseNet网络模型具体为：对浮选槽表面的泡沫进行红外热成像，泡沫红外图像隐含着泡沫的动态特征信息，红外热成像能直接展现产生崩塌、合并的气泡，根据浮选生产工况将精矿品位等级分为优、良、中、合格、差、异常6个等级；综合提取泡沫可见光和红外热成像的双模态图像特征作为精矿品位等级预测的驱动特征；利用Inception-v3网络结构对SE-DenseNet进行改进，对DenseBlock中的卷积进行不对称操作，将1×1卷积和3×3卷积替换为1×3和3×1的卷积形式，将SENet嵌入到DenseBlock中，在DenseBlock中的1×3和3×1卷积层后增加SE模块，融合得到ISE-DenseBlock；综合提取泡沫可见光和红外图像的深度特征，在ISE-DenseBlock基础上，构建双模态ISE-DenseNet网络模型，DenseNet网络需要3通道的224×224图像作为输入，将双模态256×256图像通过NSST分解为低频图像和高频尺度图像，然后将原图像、低频图像、高频尺度图像插值处理成3张224×224图像作为DenseNet的输入，图像分解后进行CNN特征提取能够充分挖掘出图像的轮廓、纹理和边缘细节信息；构建的双模态ISE-DenseNet网络模型包含上下两个通道的ISE-DenseNet网络，去掉原DenseNet第一个卷积层之后的池化层，采用ISE-DenseBlock代替DenseNet中的DenseBlock结构，并在每个ISE-DenseBlock块的过渡层之后加入一个SE层，使每个通道具有不同的权重；上下每个ISE-DenseNet通道各包含四个ISE-DenseBlock块，以及三个过渡层和三个SE层，将两个通道的最后ISE-DenseBlock块池化后进行全连接，并级联拼接为FC0，然后再经过全连接层FC1、FC2进行特征融合和学习，最后采用softmax进行多分类；根据迁移学习思想，将源领域训练模型的部分参数直接迁移到目标领域模型中，RGB-D数据集包含RGB和景深两种模态图像，对双模态ISE-DenseNet网络模型预训练；采用RGB-D大数据集对双模态ISE-DenseNet模型预训练，然后将部分模型结构和参数迁移到泡沫精矿品位等级预测模型中，然后对模型进行二次训练；基于双模态ISE-DenseNet二次迁移学习的精矿品位等级预测具体为：首先，构建基于ISE-DenseNet的双模态ISE-DenseNet网络模型，并通过RGB-D大规模数据集对模型进行预训练；其次，采用3种加药状态下的小规模双模态数据集对初始的预训练模型进行迁移学习，对迁移后模型的ISE-DenseBlock4、全连接层和softmax重新训练，得到3种加药状态下的双模态ISE-DenseNet预训练模型；然后，采用自适应深度核极限学习机代替全连接层和softmax进行再次迁移学习，得到3种加药状态下的双模态ISE-DenseNet精矿品位等级预测模型；最后，根据加药状态识别结果，选择相应的双模态ISE-DenseNet二次迁移学习模型对精矿品位等级进行预测；将多个层次的极限学习机自编码器串联作为KELM的特征学习网络，极限学习机自编码器令输入与输出相等，通过前馈神经网络来完成高层次的特征提取，构建双隐层自编码极限学习机，两个隐层的节点数都为Nh，设置Nh的值大于输入接点数，随机生成第一、二隐层节点的输入权重向量w1、w2和偏置b1′、b2′，通过输入X、w1和b1′计算第一隐层的输出矩阵，然后通过第一隐层输出矩阵、w2和b2′计算第二隐层输出矩阵Hi，通过式1计算每个双隐层自编码极限学习机的输出权重矩阵βi的值： 将多个双隐层自编码极限学习机与核极限学习机KELM串联起来，构成深度双隐层自编码核极限学习机DTAE-KELM，每个隐含节点Hi的输入权值都是前一个输出权值的转置通过式2将原始输入数据通过L个双隐层自编码极限学习机的逐层抽象提取，然后通过KELM映射到更高维空间进行决策； 将预训练的双模态ISE-DenseNet模型进行迁移学习，冻结预训练的第一个卷积层、前三个DenseBlock：ISE-DenseBlock1～ISE-DenseBlock3，以及相应的3个过渡层和SE层，只对最后的ISE-DenseBlock4进行训练；模型迁移后只需对ISE-DenseBlock4、DTAE-KELM模型进行训练学习；采用量子狼群算法对DTAE-KELM模型的双隐层自编码极限学习机个数L、KELM的惩罚系数C和核函数参数σ进行自适应优化。

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福州大学，其通讯地址为：350108 福建省福州市闽侯县福州大学城乌龙江北大道2号福州大学；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”。