1.一种自适应阈值半监督的矿石分选方法,其特征在于,包括:
S1、采集矿石样本并对部分所述矿石样本进行标注获得标注矿石样本和未标注矿石样本;
S2、将标注矿石样本输入网络模型以获得第一预测结果,将所述第一预测结果与标注自适应阈值进行比较,丢弃大于所述标注自适应阈值α的所述第一预测结果,将剩余所述第一预测结果与其所属的真实标签求交叉熵损失;
S3、处理所述未标注矿石样本以获得第一处理样本、第二处理样本、第三处理样本和第四处理样本,将所述第一处理样本和所述第二处理样本输入所述网络模型以获得第一预测输出结果,将所述第三处理样本和所述第四处理样本输入所述网络模型以获得第二预测输出结果;
S4、基于所述第一预设输出结果和所述第二预测输出结果得到KL散度损失,将所述交叉熵损失和所述KL散度损失相加进行反向传播,以优化所述网络模型;
S5、调整所述网络模型的超参数学习率、优化器方法并重复执行所述步骤S2‑S4以训练所述网络模型,然后基于训练好的所述网络模型进行矿石分选。
2.根据权利要求1所述的自适应阈值半监督的矿石分选方法,其特征在于,在所述步骤S2中,所述标注自适应阈值α的取值范围如下:其中i表示当前迭代次数,取值为正整数;α(i)表示所述标注自适应阈值α在第i次迭代后生成值;k表示第k次迭代后开始呈现正弦式上升;μmin表示所述标注自适应阈值的最小值;μmax表示所述标注自适应阈值的最大值;
所述交叉熵失 其
中,N表示标注矿石样本的个数;xi表示第i个矿石样本;yi表示第i个样本的真实标签;P表示预测样本的最大类别概率。
3.根据权利要求1所述的自适应阈值半监督的矿石分选方法,其特征在于,所述步骤S3进一步包括:S31、对所述未标注矿石样本进行弱增强和强增强以分别获得第一处理样本和第二处理样本,在所述第一处理样本和所述第二处理样本中分别引入梯度噪声以生成所述第三处理样本和所述第四处理样本;
S32、将所述第一处理样本和所述第二处理样本输入所述网络模型以获得分别对应主分类器和辅助分类器的第一主分类预测结果、第二主分类预测结果、第一辅助分类预测结果和第二辅助分类预测结果;
S33、将所述第三处理样本和所述第四处理样本输入所述网络模型以获得分别对应主分类器和辅助分类器的第三主分类预测结果、第四主分类预测结果、第三辅助分类预测结果和第四辅助分类预测结果。
4.根据权利要求3所述的自适应阈值半监督的矿石分选方法,其特征在于,在所述步骤N*D
31中,令所述未标注矿石样本U=[U1,U2,...,UN]∈R ,其中R表示实数集,N表示样本个数,D表示特征维度;将符合标准正太分布的随机噪声γ注入所述未标注矿石样本U中,然后经过所述网络模型的反向传播求出梯度噪声其中Dkl为KL散度损失计算函数,i表示迭代次数,θ表示所述网络模型的权重,ui表示第i次迭代下的未标注矿石样本,γ表示正态分布的随机噪声;P(y|ui,θ)表示输入未标注矿石样本ui后得到输出类别为y的概率。
5.根据权利要求3所述的自适应阈值半监督的矿石分选方法,其特征在于,所述步骤S4进一步包括:S41、将所述第三主分类预测结果和所述第三辅助分类预测结果与未标注自适应阈值β进行比较,将大于所述未标注自适应阈值β的所述第三主分类预测结果和所述第三辅助分类预测结果保留,其余丢弃;
S42、将所述步骤S41获得的所述第三主分类预测结果和所述第三辅助分类预测结果与所述第一主分类预测结果和第一辅助分类预测结果做KL散度损失以获得第一KL散度损失;
S43、将所述第四主分类预测结果和所述第四辅助分类预测结果与所述未标注自适应阈值β进行比较,将大于所述未标注自适应阈值β的所述第四主分类预测结果和所述第四辅助分类预测结果保留,其余丢弃;
S44、将所述步骤S43获得的所述第四主分类预测结果和所述第四辅助分类预测结果与所述第二主分类预测结果和第二辅助分类预测结果做KL散度损失以获得第二KL散度损失;
S45、将所述第一主分类预测结果和第一辅助分类预测结果与所述第二主分类预测结果和第二辅助分类预测结果做KL散度损失以获得第三KL散度损失。
6.根据权利要求5所述的自适应阈值半监督的矿石分选方法,其特征在于,在所述步骤S4中,所述未标注自适应阈值β满足其中i表示迭代次数,c表示类别,τ为设定的固定阈值;
代表第i次迭代c类的伪标签个数, 为 为归一化结果
所述KL散度损失
N表示标注矿石样本的个数;ui表示第i次迭代下的未标注矿石样本;γ表示正态分布的随机噪声;d表示梯度噪声;P表示预测样本的最大类别概率。
7.根据权利要求1‑6中任意一项所述的自适应阈值半监督的矿石分选方法,其特征在于,所述网络模型包括ResNet‑CA‑AUX模型;
所述ResNet‑CA‑AUX模型包括第一主组件、两个第一ResNet‑CA组件、两个第二ResNet‑CA组件、两个第三ResNet‑CA组件、两个第四ResNet‑CA组件、第二主组件、主分类器、第一辅助组件、第二辅助组件、第三辅助组件和辅助分类器;
所述第一主组件依次连接所述两个第一ResNet‑CA组件、所述两个第二ResNet‑CA组件、所述两个第三ResNet‑CA组件、所述两个第四ResNet‑CA组件、所述第二主组件和所述主分类器;
所述第一辅助组件连接在第二ResNet‑CA组件和第三ResNet‑CA组件之间,并同时依次连接所述第二辅助组件、第三辅助组件和辅助分类器。
8.根据权利要求7所述的自适应阈值半监督的矿石分选方法,其特征在于,每个ResNet‑CA组件包括第一池化层、第二池化层、合并卷积层、批量归一激活层、第一卷积层、第二卷积层、第一激活层和第二激活层,以及输出层,所述第一池化层和第二池化层分别接收输入残差,并依次连接所述合并卷积层和所述批量归一激活层,所述第一卷积层连接所述批量归一激活层和所述第一激活层,所述第二卷积层连接所述批量归一激活层和所述第二激活层,所述第一激活层和所述第二激活层连接所述输出层。
9.根据权利要求7所述的自适应阈值半监督的矿石分选方法,其特征在于,所述第一主组件包括卷积层、归一化网络层、激活函数层和池化层;所述第二主组件包括自适应平均池化层和全连接层;所述第一辅助组件包括自适应池化层;所述第二辅助组件包括卷积层、归一化网络层和激活函数层;所述第三辅助组件包括第一全连接层、激活函数层、失活层和第二全连接层。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现根据权利要求1‑9中任意一项权利要求所述的自适应阈值半监督的矿石分选方法。