文献

J-GLOBAL ID：202202259647482274   整理番号：22A1093746

浮選試薬制御のための生成敵対ネットワークベース画像レベル最適設定点計算【JST・京大機械翻訳】

Generative adversarial network-based image-level optimal setpoint calculation for flotation reagents control

著者 (5件)： Zhang Jin (School of Automation, Central South University, 410083 Changsha, China) ,  Tang Zhaohui (School of Automation, Central South University, 410083 Changsha, China) ,  Xie Yongfang (School of Automation, Central South University, 410083 Changsha, China) ,  Ai Mingxi (School of Automation, Central South University, 410083 Changsha, China) ,  Gui Weihua (School of Automation, Central South University, 410083 Changsha, China)
資料名： Expert Systems with Applications  (Expert Systems with Applications)
巻： 197  ページ： Null  発行年： 2022年 
JST資料番号： W0178A  ISSN： 0957-4174  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： フロス浮選は重要な鉱物濃度プロセスである。浮選プロセスの供給条件の変動のため,コンピュータビジョンベースの浮選試薬制御における設定点の調整は,生産における経済的最適を維持するために重要である。しかしながら,深い学習画像特徴の高次元特性のため,浮選プロセスの速度を満たすことができる深い学習画像特徴ベースの設定点を計算するのは難しい。既存の特徴レベル設定点計算法と異なり,本研究では,画像レベル最適設定点計算を研究し,生成敵対ネットワークベース集合点計算モデル(SetpointGAN)を開発した。広く使用された生成敵対損失の他に,著者らは,合成集合点と地上-真実集合点の間の視覚一貫性を奨励する特徴一貫性損失と,計算集合点の制御達成を保証するための供給一貫性損失を提案した。特徴レベル設定点計算法と比較して,SetpointGANの結果を,最適浮選状態の実際のフロス画像を収集するために,直観的に評価することができた。実際の亜鉛浮選データを用いて評価した実験は,提案したSetpointGANの有効性と既存の研究に対する利点を実証した。Copyright 2022 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 鉱物 ,  視覚 ,  亜鉛 ,  学習 ,  *ネットワーク ,  *浮遊選鉱 ,  フロス浮選 ,  画像特性 ,  コンピュータビジョン ,  高次元 ,  有効性 ,  計算モデル ,  一貫性 ,  機械学習
準シソーラス用語： 敵意 ,  深層学習 , 【Automatic Indexing@JST】

著者キーワード (5件)： コンピュータビジョン ,  生成敵対ネットワーク ,  設定点計算 ,  深層学習特徴 ,  フロス浮選

分類 (2件)： パターン認識  (JE07000S) ,  図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (5件)： 浮選 ,  試薬 ,  敵対 ,  設定点 ,  計算