[发明专利]基于NSST形态特征及深度KELM的浮选加药异常检测方法

说明书

本发明涉及一种基于NSST形态特征及深度KELM的浮选加药异常检测方法。首先，实时采集浮选槽表面的气泡图像，将图像NSST分解，得到低频子带图像和多尺度高频子带；其次，对低频图像二值化提取气泡亮点，计算各亮点的个数、面积、标准差和椭圆率，计算各尺度高频子带系数的分形维数、均值和方差，构成气泡图像的多尺度形态特征；然后，在KELM算法基础上，借鉴深度学习思想构建一种深度KELM，将量子计算引入遗传算法的优化中，并用于优化深度KELM的参数，构建自适应深度KELM；最后，通过多尺度形态特征和自适应深度KELM建立浮选加药异常检测模型。本发明平均识别率和运行效率明显高于现有检测方法，更加符合浮选生产在线检测的需求，为后续的加药自动化控制打下基础。

技术领域

本发明涉及一种基于NSST形态特征及深度KELM的浮选加药异常检测方法。

背景技术

在矿物浮选过程中，浮选药剂是最为关键的控制量之一，加药量的好坏直接影响选矿生产指标，现有研究表明浮选槽表面气泡的形态、尺寸特征与加药量直接相关。正常药量时，气泡尺寸适中，大小分布均匀，气泡圆形度高；过药量时，气泡水化严重，流动性较强，以小尺寸气泡为主；欠药量时，气泡粘稠度较高，气泡圆形度低，大量气泡合并。目前选矿厂主要采用人工肉眼观察浮选槽表面气泡特征的变化来进行药剂量的调节，判断和控制滞后，而且主观随意性大。

近年来，已出现了几种基于气泡图像特征提取的浮选加药量状态识别方法。基于图像分割的方法，对气泡图像进行分割，统计气泡的形状和尺寸分布特征，然后采用贝叶斯对这些特征进行分类，或采用卷积神经网络进行特征训练和识别，进而判断加药量的状态，但这类方法的识别精度受限于气泡的分割效果,因受到光照环境的影响，而且气泡间边界不明显，容易出现过分割和欠分割，难以取得最佳的分割效果,影响了最终的识别精度。基于小波多尺度二值化的方法，气泡图像小波多尺度分解，对各尺度图像二值化，然后根据各尺度二值化结果计算等效尺寸分布特征，最后通过支持向量机进行特征训练和识别，该方法只提取等效的尺寸分布特征，没有提取相应的形状特征，缺乏形态学意义，而且支持向量机的训练和识别效率低。

基于机器视觉的浮选加药量状态识别主要包含气泡形态特征提取和识别模型两部分。现有技术在气泡形态特征提取方面，基于气泡图像分割的方法，因受到光照环境的影响,而且气泡间边界不明显，容易出现过分割和欠分割，难以取得最佳的分割效果,影响了最终的识别精度；基于小波多尺度二值化的方法，只提取等效的尺寸分布特征，没有提取相应的形状特征，缺乏形态学意义。现有技术在识别模型建立方面，贝叶斯分类方法在特征交叉边缘的识别精度低，采用卷积神经网络和支持向量机的训练和识别效率低，而浮选在线生产的实时性要求较高。

近几年，多尺度几何分析的发展为图像特征提取提供了新思路，常用的方法有小波变换、非下采样Contourlet变换(NSCT)，和非下采样Shearlet变换(NSST)。小波变换的方向性有限，不能有效的捕捉图像的细节，NSCT继承了Contourlet的多尺度多方向特性，且NSCT分解后的图像具有平移不变性，但是运算效率低，方向选择受限。NSST不仅具备多尺度多方向、平移不变和各向异性等特点，同时具备运算效率高、分解方向不受限制等特质，进而可以有针对性地提取浮选气泡图像的多尺度形态及细节信息。本发明采用NSST多尺度变换算法对浮选气泡图像进行分解，得到多尺度的高低频图像，采用二值化方法对低频图像进行亮点提取，然后提取多尺度形态特征，包括低频图像的亮点个数、面积、标准差和椭圆率以及高频尺度图像的分形维数、均值和方差，这些特征能全面表征气泡的大小和形状，不仅具有尺寸分布特征，还具有较强的形态学意义。