1.一种矿物浮选泡沫图像颜色校正方法，其特征在于，包括以下步骤：

S1：基于工业现场搭建的矿物浮选泡沫图像视觉监控系统，收集各种光照下泡沫图像样本，将特定光照下的泡沫图像作为基准图像，建立泡沫图像基准色域样本集S；利用其它未知光照条件下的泡沫图像构成非标准色域样本集I；

S2：构建两个生成式对抗卷积网络A和B；网络A和B包含两个公用的生成器G1和G2，以及各自独立的判别器DA和DB；

S3：利用非标准色域泡沫图像样本集I与基准色域图像样本集S，对网络A和B进行迭代交叉训练；网络A和B训练好之后，G1将任意光照条件下具有色偏的泡沫图像，校正到基准色域下的颜色表示；

S4：对在线采集的未知光照下的泡沫图像，用训练好的生成器G1进行颜色校正；同时，利用该校正图像对生成式对抗网络A进行在线更新。

2.根据权利要求1所述的一种矿物浮选泡沫图像颜色校正方法，其特征在于，步骤S2中所述的生成式对抗卷积网络A的判别器DA的最终训练目标为：输入一张泡沫图像对其颜色进行评判，如果判定泡沫图像颜色为特定光照条件基准色域下所呈现出的颜色，则输出1，否则输出为0；对抗卷积网络B对应的判别器DB的最终训练目标为：输入一张泡沫图像对其颜色进行评判，如果判定泡沫图像颜色为特定光照条件基准色域下所呈现出的颜色，则输出0，否则输出1。

3.根据权利要求1所述的一种矿物浮选泡沫图像颜色校正方法，其特征在于，步骤S2中所述的生成器G1和G2采用U‑net网络实现图到图的颜色域的转换，具体包括：首先，采用卷积网络提取原始泡沫图像的轮廓特征图；然后，通过残差网络对轮廓特征图进行转换，在实现原始泡沫图像颜色向基准色域图像颜色转换的同时，保证原始泡沫图像的结构以及轮廓信息保持不变；最后，采用反卷积神经网络对转换后的轮廓特征图进行颜色细节信息填充；从而，在保证其轮廓不变的情况下，实现色偏图像颜色域的转换。

4.根据权利要求1所述的一种矿物浮选泡沫图像颜色校正方法，其特征在于，步骤S3中所述的对抗卷积网络A和B的迭代交叉训练的具体步骤如下：S31：利用基准色域样本集S与非标准色域样本集I训练生成式对抗网络A的鉴别器DA，最终，对于S中的样本S(S∈S)，使DA(S)输出为1，而对于I中的样本I(I∈I)，使DA(I)输出为0；

S32：对于任意一帧非标准色域泡沫图像样本I(I∈I)，将泡沫图像I输入至对抗卷积网络A的生成器G1获得校正结果O，采用DA对O进行鉴别，根据DA的判别结果，对生成器G1与判别器DA进行反向修正，具体步骤如下：S321:采用Wassertein距离计算图像I的颜色分布到O的颜色分布的最小损失作为生成器G1与判别器DA的对抗代价损失函数，表示如下：其中O＝G1(I)，L＝ES～Pdata(S)[DA(S)]‑EI～Pdata(I)[DA(I)]为1‑Lipschitz函数，Pdata(i)表示数据i的颜色分布，i∈{I,S}，E[·]表示数学期望；

S322：如果DA输出为0，则基于对抗损失函数JA(G1,DA,I,S)，采用RMSProp优化算法对G1进行反向修正；

S323：如果DA输出为1，则基于对抗损失函数JA(G1,DA,I,S)，采用RMSProp优化算法对DA进行反向修正；并将G1生成的泡沫图像O输入至生成器G2，获得还原图像I'，采用||I'‑I||1计算图像I与I'的差别作为循环一致性损失函数，即 或者JCA＝EI～Pdata(I)[||G2(G1(I))‑I||1]，并采用RMSProp优化算法对G1进行反向修正；其中||·||1表示1向量范数，在计算时图像已经表示成向量形式；

S33：重复S32，迭代修改网络A；

S34：利用泡沫图像基准色域样本集S与非标准色域泡沫图像样本集I训练生成式对抗网络B的鉴别器DB，最终使得DB对于S中的任意样本S(S∈S)，DB(S)输出为0，对于I中的任意样本I(I∈I)，DB(I)输出为1；

S35：对于任意特定光照条件下的基准泡沫图像样本S(S∈S)，将泡沫图像S输入至对抗卷积网络B的生成器G2中获得校正结果U，采用DB对U进行鉴别，根据DB的判别结果，对生成器G2与判别器DB进行反向修正，具体步骤如下：S351：采用Wassertein距离计算图像S的颜色分布到U的颜色分布的最小损失作为生成器G2与判别器DB的对抗代价损失函数，计算如下：其中U＝G2(S)，L＝EI～Pdata(I)[DB(I)]‑ES～Pdata(S)[DB(S)]为1‑Lipschitz函数，Pdata(i)表示数据i的颜色分布，i∈{I,S}；

S352：如果DB输出为0，则基于对抗损失函数JB(G2,DB,S,I)采用RMSProp优化算法对G2进行反向修正；

S353:如果DB输出为1，则采用RMSProp优化算法对DB进行反向修正，并将G2生成的泡沫图像U输入至生成器G1，获得还原图像S'，采用1范数||S'‑S||1计算图像S与S'的差别作为循环一致性损失函数，即 也即JCB＝ES～Pdata(S)[||G1(G2(S))‑S||1]，并采用RMSProp优化算法对G2进行反向修正；

S36：重复S35，迭代修改网络B；

S37：并发执行步骤S32‑S33与S35‑S36，直至整体目标函数收敛于某个极小值ε；整体目标函数如下：L(G1,G2,DA,DB)＝JA(G1,DA,I,S)+JB(G2,DB,S,I)+λ(JCA+JCB)其中调整参数λ代表循环损失函数的重要程度。

5.一种矿物浮选泡沫图像颜色检测系统，其特征在于，该系统由泡沫图像信号在线采集模块、泡沫图像颜色校正模块和泡沫图像颜色特征提取模块组成；

所述的泡沫图像信号在线采集模块用于获取浮选泡沫图像信号，由工控机、高频光源、工业摄像机、图像采集卡组成；其中，高频光源和工业摄像机安装在浮选机正上方，一起置于一物理遮光罩中；工业摄像机实时采集泡沫图像，工控机通过图像采集卡和光纤与工业摄像机进行互联，通过光纤通信将工业摄像机实时采集到的泡沫图像传输至工控机进行颜色校正；

工控机利用事先训练好的对抗网络生成器G1将实时采集的未知光照下的色偏泡沫图像校正到基准色域下特定光照下颜色表示；同时，利用该校正图像对生成式对抗网络A进行在线更新；

对校正到基准色域下的泡沫图像，启动泡沫图像颜色特征提取模块进行泡沫颜色检测，泡沫颜色特征提取的具体步骤如下：将颜色校正后的泡沫图像由RGB颜色空间转换至HSV和CIE Lab颜色空间表示，分别获取H，S，a，b颜色通道下的均值、标准差、偏度、峰度，四个参量共16个统计量组成泡沫颜色特征向量。