泡沫浮选是一种广泛使用的选矿方法,通过充入空气并添加合适的浮选药剂从矿浆中分离有用矿物。泡沫浮选过程中药剂添加量的调控是否合理,直接影响生产过程的稳定性和矿物资源的回收率。当前,大量基于机器视觉的浮选加药量建模方法主要集中在建立单一泡沫图像特征与加药量之间的关系,这些方法难以准确建模浮选加药过程。为此,本文对浮选加药量与泡沫图像特征之间的相关性进行分析,提出一种基于生成对抗网络的浮选加药过程智能建模方法。本文的研究工作主要包括:针对泡沫图像复杂多变而导致的视觉特征难以有效提取的问题,利用卷积神经网络替代传统手工特征提取方法,获取泡沫图像的深度语义特征。同时,针对矿物浮选过程中加药量与泡沫图像特征之间的耦合关系复杂、难以精确建模的问题,提出一种加药量与泡沫图像特征之间互信息最大化的相关性建模方法,通过互信息变分下界近似求解加药量与泡沫图像深度特征之间的互信息,并以最大化互信息为目标优化神经网络参数,获得浮选加药量与泡沫图像特征的相关性。针对泡沫图像维度过高且传统建模方法难以直接基于泡沫图像构建加药量模型的问题,本文提出一种基于生成对抗网络的浮选加药过程建模方法。该方法直接以浮选加药量与泡沫图像作为模型输入构建浮选加药量模型。为了实现加药后泡沫图像的预测和特征分布差异的度量,合理设计模型的图像预测网络和图像判别网络。浮选加药量模型利用图像预测网络和图像判别网络的博弈对抗,实现浮选加药过程的精确建模。利用金锑浮选工业现场采集的工况数据,对本文所提出的模型进行单步加药过程和多步加药过程的模拟验证。单步加药结果表明模型预测泡沫图像能够有效建模实际的加药量调控作用对泡沫图像的影响,多步加药结果进一步表明模型具有不错的泡沫图像预测能力,能够根据加药量的多步调控预测出加药后泡沫图像。通过互信息损失的消融实验,进一步说明了融合互信息的浮选加药量模型能够实现浮选加药量与泡沫图像特征之间的潜在性关联建模。