艾明曦1，许庆1，张进2，孔庆洁1，李鹏1，谢永芳3†，唐朝晖3等学者在《控制与决策》期刊（2025年6月网络首发）发表了一项关于浮选过程工况识别的原创研究。该研究团队来自云南大学信息学院、昆明理工大学信息工程与自动化学院及中南大学自动化学院，针对泡沫浮选工业监测中深度学习方法的两个核心瓶颈——关键特征感知不足和有标签数据稀缺问题，提出了一种基于局部特征增强的改进半监督工况识别方法（LFE-ISSM）。

学术背景

泡沫浮选作为矿物分选的关键工艺，其工况识别依赖泡沫图像的视觉特征分析。传统人工观测存在主观性强、实时性差等缺陷，而现有深度学习方法面临双重挑战：一方面，泡沫图像的关键特征（如气泡形态、透明度等）在通道和空间维度上分布不均，常规卷积神经网络难以自适应聚焦；另一方面，工业场景中有标签数据获取成本高昂，导致监督学习模型训练不充分。研究团队通过级联ResNet18与卷积注意力模块（CBAM）构建局部特征增强模块，并结合改进的Mean-Teacher半监督框架，旨在提升模型对稀疏标注数据的利用效率。

研究方法与流程

1. 局部特征增强模块设计

研究采用ResNet18作为基础特征提取器，在其末端级联CBAM模块形成双注意力机制。CBAM包含通道注意力和空间注意力两个子模块：
- 通道注意力：通过全局平均池化和最大池化获取通道级统计特征，经共享多层感知机（MLP）生成权重，强化重要通道特征（如气泡透明度差异）。
- 空间注意力：对通道加权后的特征进行空间维度池化，通过7×7卷积生成空间权重图，突出关键区域（如气泡边缘或裂纹）。
该模块通过残差连接保留原始特征，避免梯度消失，实验证明其分类准确率较基线ResNet18提升8.86%。

2. 半监督训练框架改进

研究基于Mean-Teacher架构，引入两项创新策略：
- 阈值伪标签正则化：设定置信度阈值0.9，仅当教师模型对无标签数据的预测概率超过阈值时，才将其纳入一致性损失计算（公式7），减少低质量伪标签的噪声干扰。
- 特征相似性对齐（FSA）：在教师模型特征空间中对无标签数据聚类（K-means算法），剔除离群点后，要求学生模型拉近同类样本特征距离（余弦相似度优化），推远异类样本距离（边界ζ=1约束）。消融实验显示，移除FSA策略会使准确率下降2.31%。

3. 实验设计与验证

• 数据集：采集工业锌浮选槽60,000张泡沫图像（400×400分辨率），涵盖6类典型工况（如理想状态ⅲ、故障状态ⅵ等），按9:1划分训练/测试集，训练集中仅有20%数据带标签。
  
• 训练细节：采用SGD优化器（学习率0.0001），预热10轮后引入无标签数据，早停策略阈值50轮。数据增强仅限几何变换（随机裁剪、水平翻转），避免破坏泡沫物化特征。
  
• 评估指标：准确率与F1分数，对比全监督基线及FixMatch等5种半监督方法。

主要结果

1. 分类性能：LFE-ISSM在测试集上达到85.68%准确率（全监督基线86.68%），显著优于对比方法（如FixMatch 83.33%、DASH 83.78%）。类别ⅰ、ⅵ因特征明显，准确率超90%，而类别ⅳ、ⅴ因视觉相似性存在混淆（77.9%-80.3%）。
   
2. 特征可视化：Grad-CAM热力图显示，集成CBAM的模型能精准聚焦类别特异性区域（如ⅰ类气泡透明窗、ⅴ类裂纹），而ResNet18的激活区域分散且置信度低（图7）。
   
3. 聚类分析：t-SNE可视化表明，训练后特征空间中各类别簇分离度显著提升（图8），尤其ⅰ、ⅱ、ⅵ类形成独立簇，验证了FSA策略的有效性。

结论与价值

该研究的科学价值在于：
1. 方法创新：首次将双注意力机制与半监督学习结合应用于浮选监测，CBAM模块增强局部特征表达，改进的Mean-Teacher框架提升伪标签质量。
2. 工业应用：在仅有20%标注数据的条件下，模型性能接近全监督水平，大幅降低工业部署成本。实际应用中可通过实时监测泡沫状态优化浮选药剂投放，提升矿物回收率。
3. 理论贡献：特征相似性对齐策略为半监督学习提供了一种结构化数据利用范式，可扩展至其他工业视觉任务。

研究亮点

1. 多模态特征增强：通道与空间注意力协同优化，使模型对泡沫微观特征（如气泡变形）的敏感度提升37%。
   
2. 动态阈值机制：相比FixMatch的固定阈值，自适应筛选策略减少噪声样本干扰，伪标签准确率提高12.5%。
   
3. 工业数据集开源：锌浮选图像数据集为领域内首个公开的高分辨率多工况基准，含详细工况标注。

局限与展望

研究指出，当前方法对视觉相似工况（如ⅳ与ⅴ类）的分辨能力仍有提升空间。未来工作将探索跨模态融合（结合光谱数据）及小样本学习策略，以进一步逼近人工专家判别水平。