基于自表示字典对的铝电解槽况识别方法、系统及设备

摘要

本公开实施例中提供了一种基于自表示字典对的铝电解槽况识别方法、系统及设备，属于图像处理技术领域，具体包括：采集多张目标铝电解槽内阳极电流的初始图像；得到样本数据矩阵；建立自表示字典对学习模型；对自表示字典对学习模型进行迭代训练，得到目标解析字典和目标特征权重矩阵；判断本次迭代的自表示字典对学习模型对应的目标函数与上次迭代的自表示字典对学习模型对应的目标函数之间的差值是否小于或等于预设阈值；若是，则根据目标解析字典和目标特征权重矩阵对阳极电流进行分类，得到目标铝电解槽对应的槽况识别结果；若否，则继续迭代训练自表示字典对学习模型。通过本公开的方案，提高了识别的效率、适应性和精度。

权利要求

1.一种基于自表示字典对的铝电解槽况识别方法，其特征在于，包括：采集多张包含目标铝电解槽内阳极电流的初始图像；

对全部所述初始图像进行预处理操作，得到样本数据矩阵；

根据所述样本数据矩阵建立自表示字典对学习模型，其中，所述自表示字典对学习模型包括初始合成字典、初始解析字典、变量矩阵和初始特征权重矩阵，所述自表示字典对学习模型为：T T T

s.t.eD＝e ,diag(R)＝0,XP≥0

其中，第一项为重构误差项，第二项是所述初始解析字典的稀疏约束项，第三项为正则d×n d×k d×k化自表示项，X∈R 为所述样本数据矩阵，d为样本维数，n为样本数，P∈R 和D∈R 分别d×d为所述初始解析字典和所述初始合成字典，k为字典原子数，R∈R 为特征加权矩阵，α和βT T是用于平衡各项的正参，e D＝e为对字典原子进行标准化处理的归一化约束，diag(R)＝0T为避免特征加权矩阵出现平凡解的约束，XP为编码系数；

对所述自表示字典对学习模型进行迭代训练，得到目标解析字典和目标特征权重矩阵；

判断本次迭代的自表示字典对学习模型对应的目标函数与上次迭代的自表示字典对学习模型对应的目标函数之间的差值是否小于或等于预设阈值；

若本次迭代的自表示字典对学习模型对应的目标函数与上次迭代的自表示字典对学习模型对应的目标函数之间的差值小于或等于所述预设阈值，则根据所述目标解析字典和所述目标特征权重矩阵对所述阳极电流进行分类，得到所述目标铝电解槽对应的槽况识别结果；

若本次迭代的自表示字典对学习模型对应的目标函数与上次迭代的自表示字典对学习模型对应的目标函数之间的差值大于所述预设阈值，则继续迭代训练所述自表示字典对学习模型直至所述差值小于或等于所述预设阈值。

2.根据权利要求1所述的方法，其特征在于,所述对全部所述初始图像进行预处理操作，得到样本数据矩阵的步骤，包括：对全部所述初始图像进行灰度化处理，得到灰度图像；

对全部所述灰度图像进行向量化处理，得到所述样本数据矩阵。

3.根据权利要求1所述的方法，其特征在于,所述根据所述样本数据矩阵建立自表示字典对学习模型的步骤之后，所述方法还包括：初始化所述初始合成字典、所述初始解析字典、所述变量矩阵和所述初始特征权重矩阵后，进行归一化处理。

4.根据权利要求3所述的方法，其特征在于,所述对所述自表示字典对学习模型进行迭代训练，得到目标解析字典和目标特征权重矩阵的步骤，包括：依次更新所述初始解析字典、所述变量矩阵、所述初始合成字典和所述初始特征权重矩阵，得到所述目标解析字典和所述目标特征权重矩阵。

5.根据权利要求1所述的方法，其特征在于,所述根据所述目标解析字典和所述目标特征权重矩阵对所述阳极电流进行分类，得到所述目标铝电解槽对应的槽况识别结果的步骤，包括：根据所述目标解析字典和所述目标特征权重矩阵计算指示向量；

根据所述指示向量从全部初始图像中选取多个阳极电流特征形成目标数据集；

将所述目标数据集输入预设分类器进行训练，得到所述槽况识别结果。

6.一种基于自表示字典对的铝电解槽况识别系统，其特征在于，包括：采集模块，用于采集多张包含目标铝电解槽内阳极电流的初始图像；

预处理模块，用于对全部所述初始图像进行预处理操作，得到样本数据矩阵；

建立模块，用于根据所述样本数据矩阵建立自表示字典对学习模型，其中，所述自表示字典对学习模型包括初始合成字典、初始解析字典、变量矩阵和初始特征权重矩阵；

训练模块，用于对所述自表示字典对学习模型进行迭代训练，得到目标解析字典和目标特征权重矩阵；

判断模块，用于判断本次迭代的自表示字典对学习模型对应的目标函数与上次迭代的自表示字典对学习模型对应的目标函数之间的差值是否小于或等于预设阈值；

若本次迭代的自表示字典对学习模型对应的目标函数与上次迭代的自表示字典对学习模型对应的目标函数之间的差值小于或等于所述预设阈值，则根据所述目标解析字典和所述目标特征权重矩阵对所述阳极电流进行分类，得到所述目标铝电解槽对应的槽况识别结果；

若本次迭代的自表示字典对学习模型对应的目标函数与上次迭代的自表示字典对学习模型对应的目标函数之间的差值大于所述预设阈值，则继续迭代训练所述自表示字典对学习模型直至所述差值小于或等于所述预设阈值。

7.一种电子设备，其特征在于，所述电子设备包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述权利要求1‑5中任一项所述的基于自表示字典对的铝电解槽况识别方法。

说明书

基于自表示字典对的铝电解槽况识别方法、系统及设备

技术领域

[0001] 本公开实施例涉及图像处理技术领域，尤其涉及一种基于自表示字典对的铝电解槽况识别方法、系统及设备。

背景技术

[0002] 目前，铝电解工艺流程复杂，生产过程中物质平衡和能量平衡不断变化。由于季节变化、工业设备老化等因素以及出铝、换极等不同操作模式的影响，铝电解槽常常运行于不同槽况(如阳极效应、冷槽和热槽等槽况)。同时，铝电解过程中存在干扰原始数据的奇异值和噪声，以及有标签的过程数据难以获取等问题。因此，实际生产过程中获取的阳极电流数据具有高维、多模态、少标签和冗余度高等特性。阳极电流信号与铝电解生产槽况的关系密切，对阳极电流的特征选择可以获取反映复杂槽况特征的信息。

[0003] 特征选择通过保留数据属性和去除冗余来搜索最具代表性和判别性的特征。根据标签信息的可用性，特征选择可以分为无监督、半监督和有监督三类。在实际生产过程中，从规模庞大的数据中获得有监督信息的训练样本是非常困难的，而且人为标记更是费时费力。

[0004] 现有的方法大多采用无监督特征选择方法，但是该方法中矩阵分解存在以下问题：(1)由于聚类指标矩阵的约束过于严格，分解误差较大；(2)学习到的基矩阵不能较好地模拟可能地数据变化；(3)聚类分布应遵循一定的数据先验分布，这些先验不能通过矩阵分解得到反映。

[0005] 可见，亟需一种适应性、识别效率和识别精度高的基于自表示字典对的铝电解槽况识别方法。

发明内容

[0006] 有鉴于此，本公开实施例提供一种基于自表示字典对的铝电解槽况识别方法、系统及设备，至少部分解决现有技术中存在适应性、识别效率和识别精度较低的问题。

[0007] 第一方面，本公开实施例提供了一种基于自表示字典对的铝电解槽况识别方法，包括：

[0008] 采集多张包含目标铝电解槽内阳极电流的初始图像；

[0009] 对全部所述初始图像进行预处理操作，得到样本数据矩阵；

[0010] 根据所述样本数据矩阵建立自表示字典对学习模型；

[0011] 对所述自表示字典对学习模型进行迭代训练，得到目标解析字典和目标特征权重矩阵；

[0012] 判断本次迭代的自表示字典对学习模型对应的目标函数与上次迭代的自表示字典对学习模型对应的目标函数之间的差值是否小于或等于预设阈值；

[0013] 若本次迭代的自表示字典对学习模型对应的目标函数与上次迭代的自表示字典对学习模型对应的目标函数之间的差值小于或等于所述预设阈值，则根据所述目标解析字典和所述目标特征权重矩阵对所述阳极电流进行分类，得到所述目标铝电解槽对应的槽况识别结果；

[0014] 若本次迭代的自表示字典对学习模型对应的目标函数与上次迭代的自表示字典对学习模型对应的目标函数之间的差值大于所述预设阈值，则继续迭代训练所述自表示字典对学习模型直至所述差值小于或等于所述预设阈值。

[0015] 根据本公开实施例的一种具体实现方式，所述对全部所述初始图像进行预处理操作，得到样本数据矩阵的步骤，包括：

[0016] 对全部所述初始图像进行灰度化处理，得到灰度图像；

[0017] 对全部所述灰度图像进行向量化处理，得到所述样本数据矩阵。

[0018] 根据本公开实施例的一种具体实现方式，所述自表示字典对学习模型包括初始合成字典、初始解析字典、变量矩阵和初始特征权重矩阵，所述根据所述样本数据矩阵建立自表示字典对学习模型的步骤之后，所述方法还包括：

[0019] 初始化所述初始合成字典、所述初始解析字典、所述变量矩阵和所述初始特征权重矩阵后，进行归一化处理。

[0020] 根据本公开实施例的一种具体实现方式，所述对所述自表示字典对学习模型进行迭代训练，得到目标解析字典和目标特征权重矩阵的步骤，包括：

[0021] 依次更新所述初始解析字典、所述变量矩阵、所述初始合成字典和所述初始特征权重矩阵，得到所述目标解析字典和所述目标特征权重矩阵。

[0022] 根据本公开实施例的一种具体实现方式，所述根据所述目标解析字典和所述目标特征权重矩阵对所述阳极电流进行分类，得到所述目标铝电解槽对应的槽况识别结果的步骤，包括：

[0023] 根据所述目标解析字典和所述目标特征权重矩阵计算指示向量；

[0024] 根据所述指示向量从全部初始图像中选取多个阳极电流特征形成目标数据集；

[0025] 将所述目标数据集输入预设分类器进行训练，得到所述槽况识别结果。

[0026] 第二方面，本公开实施例提供了一种基于自表示字典对的铝电解槽况识别系统，包括：

[0027] 采集模块，用于采集多张包含目标铝电解槽内阳极电流的初始图像；

[0028] 预处理模块，用于对全部所述初始图像进行预处理操作，得到样本数据矩阵；

[0029] 建立模块，用于根据所述样本数据矩阵建立自表示字典对学习模型；

[0030] 训练模块，用于对所述自表示字典对学习模型进行迭代训练，得到目标解析字典和目标特征权重矩阵；

[0031] 判断模块，用于判断本次迭代的自表示字典对学习模型对应的目标函数与上次迭代的自表示字典对学习模型对应的目标函数之间的差值是否小于或等于预设阈值；

[0032] 若本次迭代的自表示字典对学习模型对应的目标函数与上次迭代的自表示字典对学习模型对应的目标函数之间的差值小于或等于所述预设阈值，则根据所述目标解析字典和所述目标特征权重矩阵对所述阳极电流进行分类，得到所述目标铝电解槽对应的槽况识别结果；

[0033] 若本次迭代的自表示字典对学习模型对应的目标函数与上次迭代的自表示字典对学习模型对应的目标函数之间的差值大于所述预设阈值，则继续迭代训练所述自表示字典对学习模型直至所述差值小于或等于所述预设阈值。

[0034] 第三方面，本公开实施例还提供了一种电子设备，该电子设备包括：

[0035] 至少一个处理器；以及，

[0036] 与该至少一个处理器通信连接的存储器；其中，

[0037] 该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述第一方面或第一方面的任一实现方式中的基于自表示字典对的铝电解槽况识别方法。

[0038] 第四方面，本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述第一方面或第一方面的任一实现方式中的基于自表示字典对的铝电解槽况识别方法。

[0039] 第五方面，本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述第一方面或第一方面的任一实现方式中的基于自表示字典对的铝电解槽况识别方法。

[0040] 本公开实施例中的基于自表示字典对的铝电解槽况识别方案，包括：采集多张包含目标铝电解槽内阳极电流的初始图像；对全部所述初始图像进行预处理操作，得到样本数据矩阵；根据所述样本数据矩阵建立自表示字典对学习模型；对所述自表示字典对学习模型进行迭代训练，得到目标解析字典和目标特征权重矩阵；判断本次迭代的自表示字典对学习模型对应的目标函数与上次迭代的自表示字典对学习模型对应的目标函数之间的差值是否小于或等于预设阈值；若本次迭代的自表示字典对学习模型对应的目标函数与上次迭代的自表示字典对学习模型对应的目标函数之间的差值小于或等于所述预设阈值，则根据所述目标解析字典和所述目标特征权重矩阵对所述阳极电流进行分类，得到所述目标铝电解槽对应的槽况识别结果；若本次迭代的自表示字典对学习模型对应的目标函数与上次迭代的自表示字典对学习模型对应的目标函数之间的差值大于所述预设阈值，则继续迭代训练所述自表示字典对学习模型直至所述差值小于或等于所述预设阈值。

[0041] 本公开实施例的有益效果为：通过本公开的方案，根据处理后实时采集到初始图像得到数据矩阵，并据此建立自表示字典对学习模型，并对自表示字典对学习模型进行迭代训练去除不相关和冗余数据，得到目标解析字典和模板特征权重，从而对铝电解槽的槽况进行识别，提高了识别的效率、适应性和精度。

附图说明

[0042] 为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

[0043] 图1为本公开实施例提供的一种基于自表示字典对的铝电解槽况识别方法的流程示意图；

[0044] 图2为本公开实施例提供的一种基于自表示字典对的铝电解槽况识别方法的部分流程示意图；

[0045] 图3为本公开实施例提供的一种基于自表示字典对的铝电解槽况识别系统的结构示意图；

[0046] 图4为本公开实施例提供的电子设备示意图。

具体实施方式

[0047] 下面结合附图对本公开实施例进行详细描述。

[0048] 以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。

[0049] 需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。

[0050] 还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本公开的基本构想，图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

[0051] 另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践所述方面。

[0052] 铝电解工艺流程复杂，生产过程中物质平衡和能量平衡不断变化。由于季节变化、工业设备老化等因素以及出铝、换极等不同操作模式的影响，铝电解槽常常运行于不同槽况(如阳极效应、冷槽和热槽等槽况)。同时，铝电解过程中存在干扰原始数据的奇异值和噪声，以及有标签的过程数据难以获取等问题。因此，实际生产过程中获取的阳极电流数据具有高维、多模态、少标签和冗余度高等特性。阳极电流信号与铝电解生产槽况的关系密切，对阳极电流的特征选择可以获取反映复杂槽况特征的信息。

[0053] 特征选择通过保留数据属性和去除冗余来搜索最具代表性和判别性的特征。根据标签信息的可用性，特征选择可以分为无监督、半监督和有监督三类。在实际生产过程中，从规模庞大的数据中获得有监督信息的训练样本是非常困难的，而且人为标记更是费时费力。因此，在无标签数据普遍存在的情况下，无监督特征选择方法得到广泛研究并被证明在缓解维数灾难方面是有效的。

[0054] 在无监督场景中，特征选择的关键因素是局部保留、聚类结构和自表示，目前流行的一种方法是利用矩阵分解生成伪类标签。然而，现有的无监督特征选择方法中矩阵分解存在以下问题：(1)由于聚类指标矩阵的约束过于严格，分解误差较大；(2)学习到的基矩阵不能较好地模拟可能地数据变化；(3)聚类分布应遵循一定的数据先验分布，这些先验不能通过矩阵分解得到反映。本公开实施例提供一种基于自表示字典对的铝电解槽况识别方法，所述方法可以应用于铝电解工艺流程场景中的铝电解槽槽况分析过程。

[0055] 参见图1，为本公开实施例提供的一种基于自表示字典对的铝电解槽况识别方法的流程示意图。如图1所示，所述方法主要包括以下步骤：

[0056] S101，采集多张包含目标铝电解槽内阳极电流的初始图像；

[0057] 具体实施时，考虑到需要对所述目标电解槽内的槽况进行分析，采集的初始图像可以包含所述目标铝电解槽内阳极电流的图像，电子设备可以内置有图像采集模块或者外接图像采集装置，通过图像采集模块或者外接的图像采集装置对所述目标电解槽内阳极电流的图像进行实时采集，得到多张初始图像。在得到多张初始图像后，可以将全部所述初始图像发送至处理器进行分析处理，也可以将全部所述初始图像存储至预设的存储空间，在需要对所述目标电解槽的槽况进行分析时从所述预设的存储空间内提取。

[0058] S102，对全部所述初始图像进行预处理操作，得到样本数据矩阵；

[0059] 具体实施时，考虑到采集到的初始图像维度较高，将所述初始图像直接进行分析，会导致计算量较大，可以先对全部所述初始图像进行预处理操作，得到样本数据矩阵，以提高后续的计算效率。

[0060] S103，根据所述样本数据矩阵建立自表示字典对学习模型；

[0061] 在上述实施例的基础上，所述自表示字典对学习模型包括初始合成字典、初始解析字典、变量矩阵和初始特征权重矩阵，步骤S103所述的，根据所述样本数据矩阵建立自表示字典对学习模型之后，所述方法还包括：

[0062] 初始化所述初始合成字典、所述初始解析字典、所述变量矩阵和所述初始特征权重矩阵后，进行归一化处理。

[0063] 例如，将全部所述初始图像进行预处理操作后，得到所述样本数据矩阵，然后基于所述样本数据矩阵建立所述自表示字典对学习模型，所述自表示字典对学习模型可以为：

[0064]

[0065] 其中，第一项为重构误差项，第二项是所述初始解析字典的稀疏约束项，第三项为d×n d×k d×k正则化自表示项；X∈R 为所述样本数据矩阵，d为样本维数，n为样本数；P∈R 和D∈Rd×d
分别为所述初始解析字典和所述初始合成字典，k为字典原子数；R∈R 为特征加权矩阵；αT T
和β是用于平衡各项的正参。利用归一化约束eD＝e对字典原子进行标准化处理，从而避免T
平凡解。同理，使用diag(R)＝0约束来避免特征加权矩阵出现平凡解。以及，约束X P≥0用T
于确保编码系数XP的非负性。

[0066] 式(1)的目标函数一般是非凸的，可以引入变量矩阵A，进行凸松弛如下：

[0067]

[0068] 其中，A＝PTX,γ是一个标量常数。式(2)中最小化问题可以在以下步骤中迭代进行。

[0069] S104，对所述自表示字典对学习模型进行迭代训练，得到目标解析字典和目标特征权重矩阵；

[0070] 具体实施时，在得到所述自表示字典对学习模型后，为了保证对所述目标铝电解槽的槽况识别精度，可以对所述自表示字典对学习模型进行迭代训练，得到目标解析字典和目标特征权重矩阵。

[0071] S105，判断本次迭代的自表示字典对学习模型对应的目标函数与上次迭代的自表示字典对学习模型对应的目标函数之间的差值是否小于或等于预设阈值；

[0072] 在得到所述目标解析字典和所述目标特征权重矩阵后，可以再分别将所述目标解析字典和所述目标特征权重矩阵与上一次迭代得到的解析字典和特征权重矩阵进行计算，得到所述目标解析字典与上一次迭代的解析字典误差，以及，所述目标特征权重矩阵与上一次迭代的特征权重矩阵误差，例如，可以采用均方根误差法来计算误差，然后将所述目标解析字典与上一次迭代的解析字典误差与所述第一阈值进行比对，以及，将所述目标特征权重矩阵与上一次迭代的特征权重矩阵误差与所述第二阈值进行比对，从而确定下一步操作流程。

[0073] 若本次迭代的自表示字典对学习模型对应的目标函数与上次迭代的自表示字典对学习模型对应的目标函数之间的差值小于或等于所述预设阈值，则执行步骤S106，根据所述目标解析字典和所述目标特征权重矩阵对所述阳极电流进行分类，得到所述目标铝电解槽对应的槽况识别结果；

[0074] 具体实施时，当本次迭代的自表示字典对学习模型对应的目标函数与上次迭代的自表示字典对学习模型对应的目标函数之间的差值小于或等于所述预设阈值时，则可以判定所述自表示字典对学习模型训练后的收敛性已经符合要求，可以根据所述目标解析字典和所述目标特征权重矩阵对所述阳极电流进行分类，所述阳极电流的类型为所述目标铝电解槽的槽况主要影响因素，可以根据所述阳极电流的类型得到所述目标铝电解槽对应的槽况识别结果。

[0075] 若本次迭代的自表示字典对学习模型对应的目标函数与上次迭代的自表示字典对学习模型对应的目标函数之间的差值大于所述预设阈值，则执行步骤S107，继续迭代训练所述自表示字典对学习模型直至所述差值小于或等于所述预设阈值。

[0076] 具体实施时，当若本次迭代的自表示字典对学习模型对应的目标函数与上次迭代的自表示字典对学习模型对应的目标函数之间的差值大于所述预设阈值时，则可以判定所述自表示字典对学习模型还需要进一步收敛优化，则可以继续迭代训练所述自表示字典对学习模型直至所述差值小于或等于所述预设阈值。

[0077] 当然，还可以设置最大迭代次数，训练所述自表示字典对学习模型到达所述最大迭代次数后则停止迭代，迭代次数可以根据之前的测量数据或者根据测量的精度需求设定。

[0078] 本实施例提供的基于自表示字典对的铝电解槽况识别方法，通过根据处理后实时采集到初始图像得到数据矩阵，并据此建立自表示字典对学习模型，并对自表示字典对学习模型进行迭代训练去除不相关和冗余数据，得到目标解析字典和模板特征权重，从而对铝电解槽的槽况进行识别，提高了识别的效率、适应性和精度。

[0079] 在上述实施例的基础上，步骤S102所述的，对全部所述初始图像进行预处理操作，得到样本数据矩阵，包括：

[0080] 对全部所述初始图像进行灰度化处理，得到灰度图像；

[0081] 对全部所述灰度图像进行向量化处理，得到所述样本数据矩阵。

[0082] 具体实施时，在得到全部所述初始图像后，可以先对全部所述初始图像进行灰度化处理，突出图像中的阳极电流区域，然后对全部所述灰度图像进行向量化处理，提取全部所述阳极电流对应的向量，形成所述样本数据矩阵。

[0083] 进一步的，步骤S104所述的，对所述自表示字典对学习模型进行迭代训练，得到目标解析字典和目标特征权重矩阵，包括：

[0084] 依次更新所述初始解析字典、所述变量矩阵、所述初始合成字典和所述初始特征权重矩阵，得到所述目标解析字典和所述目标特征权重矩阵。

[0085] 例如，可以先固定D，R和A,更新P

[0086] 首先，通过固定所述初始合成字典D，所述特征加权矩阵R和所述变量矩阵A，可以得到关于所述初始解析字典P的问题表述如下：

[0087]

[0088] 根据l2,1范数的定义可以得到||AT‑XTP||2,1＝2tr[(A‑PTX)U(AT‑XTP)],其中，U是一T T i T T i个对角矩阵，其对角系数Uii＝1/[2||(A‑XP)||2]，(A‑XP)表示AT‑XTP的第i行。同理，||PT i i
||2,1＝2tr(P VP)，其中，对角矩阵V的对角系数为Vii＝1/(2||P ||2),P 表示P的第i行。然后，求得所述目标解析字典P的封闭解表示为：

[0089] P*＝(γXUXT+αV)‑1·(γXUAT)   (4)

[0090] 接着，通过固定其他变量来更新所述变量矩阵A。对于A的优化，其它变量都看作常数。从式(2)中移除与A无关的项，可以得到简化问题如下：

[0091]

[0092] 其中，||XT‑ATDT||2,1＝2tr[(X‑DA)M(XT‑ATDT)]，对角矩阵M的对角系数为Mii＝1/[2T T T i T T T i T T T||(X‑AD) ||2]，(X‑AD)表示X‑AD的第i行。设约束A≥0的拉格朗日乘子为Ψ＝[ψik]，则可以推导出式(5)的拉格朗日函数表示为

[0093]

[0094] 由式(6)可得，ζ对A的偏导表示为

[0095]

[0096] 根据KTT条件，即ψikAik＝0，可以得到关于Aik的等式如下：

[0097] ‑(4DTXM)ikAik+(4DTDAM)ikAik+(4γAU)ikAik‑(4γPTXU)ikAik＝0   (8)[0098] 从而可以得到A的第i行第k列元素更新如下：

[0099]

[0100] 在所述变量矩阵A完成更新后，对所述初始合成字典D进行更新。去掉与D无关的项，则关于所述初始合成字典D的问题可以重新表述如下：

[0101]

[0102] 即可以求得所述初始合成字典D的封闭解为

[0103] D*＝(XMAT)·(AMAT+τI)‑1,eTD*＝eT   (11)

[0104] 其中，τ是一个很小的常量，用于避免奇异值使得计算稳定，eTD*＝eT使得合成型字典D的原子标准化。

[0105] 最后，通过固定其它变量，去掉与所述特征权重矩阵R无关的项，可以得到以下简化问题：

[0106]

[0107] 其中，||XT‑XTR||2,1＝2tr[(X‑RTX)G(XT‑XTR)]，对角矩阵G的对角系数为T T i T T T(X‑X R) 表示X ‑XR的第i行；||R||2,1＝2tr(RQR),对角矩阵Q
i i
的对角系数为Qii＝1/(||R||2)，R表示R的第i行。即可以求得所述目标特征权重矩阵R的封闭解为：

[0108] R*＝(XGXT+Q)‑1·(XGXT)   (13)

[0109] 在上述实施例的基础上，如图2所示，步骤S106所述的，根据所述目标解析字典和所述目标特征权重矩阵对所述阳极电流进行分类，得到所述目标铝电解槽对应的槽况识别结果，包括：

[0110] S201，根据所述目标解析字典和所述目标特征权重矩阵计算指示向量；

[0111] 具体实施时，在迭代得到所述目标解析字典和所述目标特征权重矩阵后，根据所述目标解析字典和所述目标特征权重矩阵计算所述指示向量，则可计算用于特征选择的指示向量如下：

[0112]

[0113] 其中，ri表示R的第i行，pi表示P的第i行。

[0114] S202，根据所述指示向量从全部初始图像中选取多个阳极电流特征形成目标数据集；

[0115] 具体实施时，在得到所述指示向量后，通过式(14)得到的指示向量Id选择最具代表性和判别性的阳极电流特征，形成所述目标数据集。

[0116] S203，将所述目标数据集输入预设分类器进行训练，得到所述槽况识别结果。

[0117] 具体实施时，在得到所述目标数据集后，再将所选特征组合成的目标数据集放到常见的分类器如KNN和SVM中进行训练，得到所述阳极电流的特征类型，从而实现铝电解槽况识别。

[0118] 综上所述，本公开实施例提供的基于自表示字典对的铝电解槽况识别方法，用于无监督特征选择，有效解决了样本标签不足和维数灾难问题。在字典对学习中，合成型字典用于重构样本，目标解析字典对样本进行解析编码。与传统的矩阵分解方法相比，学习得到的目标解析字典可以选择更能保存数据分布的重要特征。将l2,1范数正则化约束施加于目标解析字典以获得更多稀疏解，确保对数据中噪声和异常值的鲁棒性。因此，由学习得到的目标解析字典计算特征选择的指示向量，可以更好地去除冗余特征来获得更具代表性和判别力的特征。在字典对学习模型中加入正则化自表示项，将训练得到的自表示矩阵以特征加权的形式与解析型字典结合，得到更准确的指示向量用于特征选择，从而进一步提高槽况识别的准确性。

[0119] 与上面的方法实施例相对应，参见图3，本公开实施例还提供了一种基于自表示字典对的铝电解槽况识别系统30，包括：

[0120] 采集模块301，用于采集多张包含目标铝电解槽内阳极电流的初始图像；

[0121] 预处理模块302，用于对全部所述初始图像进行预处理操作，得到样本数据矩阵；

[0122] 建立模块303，用于根据所述样本数据矩阵建立自表示字典对学习模型；

[0123] 训练模块304，用于对所述自表示字典对学习模型进行迭代训练，得到目标解析字典和目标特征权重矩阵；

[0124] 判断模块305，用于判断本次迭代的自表示字典对学习模型对应的目标函数与上次迭代的自表示字典对学习模型对应的目标函数之间的差值是否小于或等于预设阈值；

[0125] 若本次迭代的自表示字典对学习模型对应的目标函数与上次迭代的自表示字典对学习模型对应的目标函数之间的差值小于或等于所述预设阈值，则根据所述目标解析字典和所述目标特征权重矩阵对所述阳极电流进行分类，得到所述目标铝电解槽对应的槽况识别结果；

[0126] 若本次迭代的自表示字典对学习模型对应的目标函数与上次迭代的自表示字典对学习模型对应的目标函数之间的差值大于所述预设阈值，则继续迭代训练所述自表示字典对学习模型直至所述差值小于或等于所述预设阈值。

[0127] 图3所示系统可以对应的执行上述方法实施例中的内容，本实施例未详细描述的部分，参照上述方法实施例中记载的内容，在此不再赘述。

[0128] 参见图4，本公开实施例还提供了一种电子设备40，该电子设备包括：至少一个处理器以及与该至少一个处理器通信连接的存储器。其中，该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述方法实施例中的基于自表示字典对的铝电解槽况识别方法。

[0129] 本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述方法实施例中的基于自表示字典对的铝电解槽况识别方法。

[0130] 本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述方法实施例中的基于自表示字典对的铝电解槽况识别方法。

[0131] 下面参考图4，其示出了适于用来实现本公开实施例的电子设备40的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图4示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

[0132] 如图4所示，电子设备40可以包括处理装置(例如中央处理器、图形处理器等)401，其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中，还存储有电子设备40操作所需的各种程序和数据。处理装置401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。

[0133] 通常，以下装置可以连接至I/O接口405：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置406；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407；包括例如磁带、硬盘等的存储装置408；以及通信装置409。通信装置409可以允许电子设备40与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备40，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

[0134] 特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置409从网络上被下载和安装，或者从存储装置408被安装，或者从ROM 402被安装。在该计算机程序被处理装置401执行时，执行本公开实施例的方法中限定的上述功能。

[0135] 需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD‑ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

[0136] 上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

[0137] 上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备可以执行上述方法实施例的相关步骤。

[0138] 或者，上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备可以执行上述方法实施例的相关步骤。

[0139] 可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

[0140] 附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

[0141] 描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。

[0142] 应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。

[0143] 以上所述，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以权利要求的保护范围为准。