[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

摘要

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。

主权项

1.一种基于NSST形态特征及深度KELM的浮选加药异常检测方法，其特征在于，包括如下步骤，步骤S1、采集不同加药状态下的气泡图像作为图像库，并从浮选厂化验室获取对应的实际加药量；步骤S2、对图像库的气泡图像进行NSST多尺度分解，提取多尺度形态特征，将多尺度形态特征作为输入，对应的加药量作为输出，训练深度核极限学习机；步骤S3、将深度核极限学习机中的自编码器层数k、惩罚系数C和核函数σ进行量子比特编码操作，以浮选加药异常检测的准确率当作适应度函数，通过量子旋转门更新种群，优选出一组深度核极限学习机的最优参数，建立浮选加药异常检测模型；步骤S4、实时采集浮选表面的气泡图像，对气泡图像进行NSST多尺度分解，得到低频子带图像和多尺度高频子带图像；步骤S5、采用二值化方法提取低频子带图像的亮点，计算各个亮点的个数、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，获取气泡图像的多尺度形态特征；步骤S6、建立基于自适应深度核极限学习机的浮选加药异常检测模型，将多尺度形态特征作为输入，输出识别三种加药状态，异常状态下可进一步判别是加药过量还是欠量。