在煤炭开采过程中混入的异物可能会导致输送带连接处堵塞甚至输送带撕裂等事故，现有的煤流异物检测机器学习算法大多采用监督学习的方式自动识别物品类别，而在真实工矿场景下，异常样本稀缺，易导致建模数据集存在严重的样本分布不平衡且显著特征丢失的问题。针对上述问题，提出一种基于双注意力生成对抗网络(DA-GANomaly)的煤流异物智能检测方法。该方法采用半监督学习的方式，仅需要正常样本完成异物检测模型训练，有效解决了因样本分布不平衡造成的识别精度低、鲁棒性差的问题；在Skip-GANomaly的基础上引入双注意力机制，增强了编码器与解码器之间的信息交流，以抑制无关特征和噪声，同时突出有利于区分异常样本的感兴趣特征，进一步提高模型分类的准确性。实验结果表明：DA-GANomaly模型的分类精确率为79.5%，召回率为83.2%，精确率-召回率曲线下面积（AUPRC）为85.1%；与AnoGAN等5种经典异常检测模型相比，DA-GANomaly模型的综合性能最佳。

0 引言
1 方法原理
1.1 生成器
1.2 判别器
1.3 损失函数
1.4 异常分数
2 实验分析
2.1 实验数据
2.2 评价标准
2.3 实验结果
2.4 模型参数及速度测试
3 结语