浮选过程泡沫大小动态分布特征及健康状态统计模式识别

浮选过程泡沫大小动态分布特征及健康状态统计模式识别

1基于泡沫大小动态分布特征的浮选工况分析浮选是固、液、气三个表面之间的连续物理过程。这是一种应用最广泛的过滤方法。通过添加特定的浮选剂，大多数矿石都可以选择。在浮选过程中，浮选剂是大多数选择厂最重要的控制量。虽然该药物的添加质量直接影响矿山的生产指标，但不同选择厂的药物添加自动控制水平较低，主要取决于人工精细观察浮选泡沫表面的视觉特性，并根据工作经验调整浮选药物的剂量。浮选基质的三维成像不能用于实时监测浮选现场中数十到100个浮采槽的数量。此外，人工观察的主观性差异导致的浮选过程中的生产指标频繁波动，浮选药物的工作量大，难以保证生产的稳定性和优化运行。特别是，我国的主要矿源厂普遍处于矿源不稳定和矿产重量低的状态。为了达到指定的矿产重量，必须调整药物的剂量。鉴于泡沫表面视觉特征与生产工况的密切关系,研究者和工程操作人员尝试将计算机视觉引入到矿物浮选过程监控中,通过自动获取泡沫表面视觉特征进行生产状态的机器判决,以期实现浮选过程的自动控制与优化运行.大量的研究表明,浮选泡沫大小分布与加药量是直接相关的.Xu等根据泡沫尺寸分布的特点提出了一种基于浮选气泡尺寸概率密度分布函数的浮选药剂量故障诊断方法,并进行了相应的仿真分析与实验,获得了较好的结果.现场有经验的操作工人也正是通过观察浮选气泡的大小分布特点来判断加药量的好坏程度,并进行下一步药剂量调整.因此,如果能通过计算机视觉自动获得浮选气泡大小分布特征,再根据气泡尺寸分布变化特点与典型药剂添加量健康状态下的泡沫尺寸分布特征进行对比分析,就可以实现浮选过程加药量健康状态的自动鉴别与合理评价,进而提醒生产者及时对浮选药剂量进行调整,以达到浮选生产的优化运行.基于泡沫大小动态分布特征的浮选工况分析,首先需要解决以下两个难题:1)气泡尺寸统计分布特征的准确获取.浮选气泡尺寸分布可以通过分割泡沫图像统计各独立气泡大小获得,因此准确的泡沫图像分割是关键.但是,泡沫图像是由大量的矿化气泡堆积而成,因其混合粘连特点,常用的图像分割算法难以实现浮选泡沫图像的准确分割;并且,如何根据拍摄视野中的矿化气泡大小统计量来准确估计浮选气泡尺寸概率密度函数是所面临的第一个难题.2)气泡尺寸的动态分布特征的有效表征问题.在浮选槽中,药剂与矿浆充分作用还需要一定的时间,再加上浮选机的搅拌作用,泡沫尺寸分布在浮选生产过程是一个缓慢渐变的动态过程.目前大多的文献都是针对单帧图像的气泡特点进行分析(仅能代表瞬时的气泡大小分布信息),难以获取生产工况过程有效的动态变化特征.因此,要想进一步分析浮选生产状态的变化,需要选用更加合理、有效的方法来描述泡沫尺寸分布的动态变化特征.本文针对浮选泡沫尺寸分布特征随着药剂量的改变而动态变化的特点,主要研究基于泡沫尺寸动态分布特征自学习的浮选生产过程药剂操作健康状态统计模式识别方法.鉴于泡沫大小动态分布特征在获取和表征中所存在的难题,通过研究准确的泡沫图像分割算法并结合非参数估计获得泡沫尺寸概率密度函数,采用无监督聚类学习方法获得典型药剂添加状态下的泡沫尺寸分布特征集,通过统计分布相似性计算获得检测时间段泡沫图像序列的动态特征分布标记,根据特征分布标记结果采用简单的贝叶斯推理规则即可推断出测试样本序列所对应的药剂量健康状态,并根据生产状态分析识别结果对各典型药剂健康状态下的气泡大小统计分布特征集进行在线修正,以应对复杂渐变的浮选工况状态.2浮选泡沫图像过分割算法浮选泡沫图像是由视野中各独立的矿化气泡组合堆积而成,是浮选生产工况的体现.浮选泡沫图像具有如下特点:1)浮选泡沫由大量大小不一、形状各异的矿化气泡随机堆积而成;2)各独立气泡之间界限不明显,但气泡边界包含丰富的光滑的几何边缘曲线;3)气泡间相互挤压,气泡形状极度不规则,且气泡坍塌、破碎、兼并严重;4)现场拍摄环境恶劣,粉尘多、雾气大,所拍摄的泡沫图像受多光照影响;5)泡沫表面呈现出凹凸不平视觉效果的独特纹理细节.泡沫图像的这些特点实际上也构成了泡沫分割的难点.研究表明,对于重金属浮选泡沫(比如铜浮选泡沫),因气泡相对较大、矿化气泡表面包含大量矿物粒子、加上气泡表面光照不均的影响,目前常用的分割方法极易造成浮选泡沫图像的过分割(将一个大泡误分成几个小的浮选气泡).泡沫图像的过分割严重影响了浮选气泡尺寸形状等几何参数的测量与统计,进而制约了浮选过程视觉监控的进一步发展与应用.针对目前的泡沫图像分割算法对重金属浮选气泡(比如铜浮选泡沫)容易产生过分割的问题,首先研究了一种基于气泡局部亮度统计分布的浮选泡沫图像分割方法以解决泡沫尺寸分布描述不准确问题;然后,再通过采用合理的非参数估计方法实现泡沫尺寸概率密度函数的准确估计,最终实现浮选气泡大小分布特征的准确描述.2.1矿化气泡表面高亮区域分散不连续性的优化方法由前面的分析可知,浮选泡沫中各独立矿化气泡形貌差异大、尺寸不一、气泡间界限不明显,且气泡边界包含丰富的几何边缘细节.浮选气泡几何边缘细节如图1(a)所示,从图中可以看出这些光滑的边缘细节缺乏梯度变化,传统的基于梯度的目标分割方法不能在泡沫图像上使用.目前常用的泡沫图像分割方法(分水岭分割和谷底边缘分割),都需依靠某种经验规则选择图像中一些像素点(区域)作为分割种子点(比如气泡全反射点或者高亮点),再通过一些特定的处理步骤来获得各气泡的边界.这些方法在种子点选择和边界处理时都没有考虑到泡沫区域与边界的连通性与光滑度,所获得的气泡边界极易造成浮选气泡的不准确分割.矿化气泡表面包含大量矿物粒子,加上泡沫图像采集现场受到包括自然光、图像采集系统的光照、选厂灯光照明、和现场各种机械设备光滑表面的反射光等多种光照共同影响,气泡上表面往往包含多个高亮区域.如图1(b)所示的矿化气泡就包含多个亮度峰值区域.且由于这些影响光源的角度和强度的不同,因此,各矿化气泡的表面光强并不相同.在进行图像分割时,如果通过阈值法、局部极大值法等方法自动选取这些高亮点作为种子点,往往会因这些多高亮区域的分散不连续性而将大的浮选气泡误分成多个小的浮选气泡,造成浮选泡沫图像分割不准确(如图1(d)所示).为了解决因矿化气泡表面高亮区域分散造成的浮选泡沫图像过分割问题,本文根据泡沫图像各局部区域的气泡亮度值统计分布特点,结合泡沫图像的几何边缘特性对气泡区域的全反射点进行亮值估计,获得各气泡表面平滑的亮度区域,去除分散不连续的全反射点对泡沫分割的影响.在解决了矿化气泡表面高亮区域分散不连续问题后,把二维图像的亮度值看作是测地学上的拓扑地貌,将各气泡作为集水盆,采用模拟洪水浸润过程的处理方法获得各气泡间的分水线,也就是各气泡的边界;最后再通过样条曲线逼近对气泡边界曲线进行再插值和校正以获得光滑的气泡边缘.设待处理的泡沫图像为I(x,y),图像分割的主要处理步骤如下:1)对任意像素I(i,j)点,估计以(i,j)为中心,宽为(Wi,Wj)的邻域像素光强的概率密度函数(I).该函数可以通过非参数方法(核密度方法)进行估计.设该邻域像素值序列为I1～In,共包含n个像素,那么该邻域像素灰度值的概率密度函数为其中:K(x)表示自变量为x的核函数,h为带宽,ωi为第i个核函数的系数.2)迭代处理.根据I(i,j)像素周围区域的像素概率密度函数估计出该点的不受光照影响的光强值(i,j),直到所估计出的像素点光强值稳定.如果假设局部区域中各像素的贡献程度一样,那么(i,j)在已知周围像素统计分布的情况下,其最优估计就是局部区域像素光强的数学期望.实际上,为了获得更好的估计结果一般通过对各像素赋予一定权重w(i,j),那么在对像素光强进行迭代估计时,将(i,j)作为(i,j)点的像素光强值估计,通过多次迭代估计,直到估计得出的像素值(i,j)稳定(前后相邻两次估计值之差的绝对值小于某个阈值,比如10-5).3)将最终的估计结果(i,j)作为(i,j)点像素的光强值.经过上一步的像素值迭代估计处理后,可以根据气泡的分布特点将单气泡上分散的多高亮点合并,从而为后面的气泡分割提供单一连续的高亮种子点集,减少浮选气泡因高亮点区域分散造成的浮选泡沫分割不准确的问题.对包含多亮点泡沫进行迭代处理后的最终映射结果如图1(c)所示,4)利用文献中描述的基于高低精度距离重构的图像预处理方法,对图像(i,j)进行形态学灰度重构,并获得各矿化气泡准确的特征标识.然后,将各浮选气泡等同为独立积水盆,采用模拟洪水浸润过程方法找到各气泡区域的边界曲线C(x,y).在进行图像高低距离重构时,首先采用基于面积重构的开闭操作对图像进行处理,再采用Ostu算法进行泡沫图像二值预分割处理;然后,通过采用不同的距离关系得到该二值图的不同精度的距离灰度变换图;最后,采用基于h-顶开重构变换为后续的分水岭变换提供准确的标识点.5)根据文献描述的曲线逼近方法,对C(x,y)进行平滑处理,获得最终的光滑边界.首先,采用动态分裂采样方法对平面曲线C(x,y)进行快速高精度重采样,获得气泡边缘曲线的细致高精度的采样点,然后对这些采样点进行排序根据采样点的独立连通点属性生成多个连通有序的采样点序列,最后采用B样条曲线逼近每个有序点序列,获得较为光滑的泡沫边缘曲线.泡沫图像最终的分割结果如图1(e)所示.2.2泡沫尺寸概率密度估计对泡沫图像进行准确分割之后,需要选用合适的方法对气泡尺寸统计分布进行描述,以实现后续的生产过程药剂量状态的自动识别.基于输出概率密度形状的过程控制、故障诊断的方法和思想受到研究者的广泛重视,并涌现出了一系列的系统建模与控制方法,为浮选过程药剂添加量健康状态识别提供了新的思路.由于泡沫尺寸分布属于左偏斜,长拖尾的分布无法用某个简单的经验统计分布函数来拟合,因此可以采用非参数的方法对泡沫尺寸分布进行估计.非参数估计中最简单的方法就是采用直方图进行统计描述,但是直方图描述方法对统计块的大小、边缘的选择太敏感,无法获得平滑的泡沫尺寸分布函数.本文采用核密度估计方法(kerneldensityestimation,KDE),KDE也称为Parzen窗估计,是一种非常有效的非参数估计方法.设S1,S2,S3,…,Sn是泡沫图像中n个泡沫的尺寸大小,那么泡沫大小概率密度函数f(s)可以用以下公式进行估计:式中:K(·)为核函数,为了满足估计概率密度函数的平滑性,一般固定所取的核函数为对称且满足∫K(x)dx=1的平滑非负函数,h为带宽,ωi为第i个核函数的系数.研究表明核函数的选择对概率密度函数的估计的结果影响不大,影响估计结果的主要是带宽参数h.选择h的具体方法有参数对照法、极大似然交叉验证法、最小二乘交叉实检验法(leastsquarecrosstest,LSCV).本文在进行气泡尺寸概率密度估计时,选择高斯核函数,通过最小化平均积分平方误差(meanintegratedsquareerror,MISE)获得带宽h,并且凭经验对h进行选取修正.本文经过多次的实验,每次实验都采用Kolmogorov-Smirnov(KS)检验方法对概率密度估计结果进行检验对比,最终发现选择h=100(单位:像素)时的泡沫尺寸概率密度估计效果最好.3泡沫尺寸累积分布特征统计学通过样本学习获得不同生产工况下泡沫尺寸分布特征是进行后续药剂添加健康状态识别的基础.由于泡沫大小统计分布的左偏性,拍摄视野中大尺度气泡分布较少,气泡尺寸分布的概率密度函数在大泡区域可能估计不准确.因此,本文通过计算气泡尺寸的累积分布函数来进行尺寸分布特征统计学习.尺寸累积分布实际是泡沫大小统计分布特征的另外一种表现形式,这样表示的好处是泡沫尺寸累积分布能降低大尺寸泡沫区域因气泡个数少所带来的统计不精确性.各典型药剂添加状态下的泡沫尺寸累积分布的聚类特征可以通过无监督的聚类学习方法得到.聚类是将数据对象分为多个类或簇的过程,通过聚类学习能获得各生产工况状态(不同的药剂添加状态)下的泡沫尺寸的典型分布特征.由于泡沫累积分布函数表现得比较紧凑,差别不是特别明显,且为了能对工况特征进行增量学习,本文采用最远邻聚类学习(farthestneighborclustering,FNC)的方法来进行对应工况下泡沫尺寸累积分布特征集学习.3.1实验2:fnp设为泡沫图像中气泡大小(气泡面积)为si的泡沫累积分布概率.为了方便泡沫尺寸分布的比较与聚类学习,在进行气泡尺寸统计分布特征集学习时,可以根据泡沫尺寸大小选择固定的气泡尺寸序列[s1,s2,s3,…,sn],获得对应尺寸大小的分布概率.在具体应用中,本文选用了一个包含256个气泡尺寸值的分布概率序列来进行后续的计算,也就是n=256,S1～sn等间隔地表示0～4000(单位:像素)气泡大小序列,序列表示对应的[s1,s2,s3,…,sn]气泡大小下累积分布概率序列.FNC实际上是层次聚类算法中进行距离计算的一种方法,它对噪声和孤立点不太敏感,倾向于找到一些紧凑的分类.采用该方法进行气泡大小统计分布特征的学习能获得较好的聚类结果,具体的步骤可以参考文献.FNC通过计算两簇中最远的距离作为簇间聚类,两簇Ci,Cj间的距离D(Ci,Cj)计算公式如下:获得各生产工况下的气泡大小分布特征集之后,测试样本序列(泡沫图像序列,表示某一小段时间的泡沫图像采集序列,比如4分钟的序列)通过通过分布相似性测量,就可以用典型药剂状态下的泡沫尺寸分布特征集的编号来表征该测试序列所代表的气泡尺寸分布的动态变化.比如含有4帧泡沫图像的测试序列,经过测试之后,其中第1帧的泡沫图像尺寸累积分布函数与F2最相似、第2帧和第3帧泡沫尺寸累积分布函数与F1最相似、第4帧泡沫尺寸累积分布函数与Ft最相似,那么该测试序列可以被标记为F2F1F1F7.3.2泡沫尺寸分布特征集在线修正在浮选生产过程中,浮选生产工作状态点会逐渐发生变化.特别是随着矿源的波动,加上浮选生产中其他操作和上道工序(磨矿环节)等多方面因素的影响,浮选泡沫尺寸分布在同种药剂添加健康状态下可能会发生一些分布上的改变.因此需要采用合理的方法对各工况条件下离线学习所得的泡沫尺寸分布特征集进行在线修正.主要步骤如下:a)首先根据当前工况识别结果,当发现工况状态点发生变化时,确定需要进行尺寸特征更新的工况类别ωi和对应的更新训练样本集Sf={Sf1,Sf2,…,Sfn};b)根据分布相似性测量,分别找出与Sfj对应的最相近的特征Fsj;c)如果Fsj属于ωi工况下的气泡尺寸分布特征,将Sfj.并入到Fsj对应的类别训练样本中;d)重新修正Sfj类的聚类中心,获得最新的统计分布特征.4独立生产状态的自动识别自动驾驶试验的自我处理能力4.1s100添加量健康状态的模拟本文以某铜浮选生产过程为具体研究与应用对象.在该选厂中,入选铜矿的主要金属矿物有:黄铜矿、黄铁矿、磁黄铁矿、墨铜矿等.在铜浮选过程中,药剂主要添加在铜粗选前面的搅拌桶,矿浆与药剂在搅拌桶中经过充分搅拌后首先泵入铜粗选首槽,铜粗选首槽的泡沫大小分布直接反映了药剂对浮选生产的影响.该铜浮选粗选过程主要受矿浆酸碱度和药剂Z200的影响.其中Z200属于捕收剂的一种,对矿物具有优良的选择性,Z200添加的好坏直接决定了铜浮选过程的铜矿回收水平.在该选厂的铜粗选首槽安装了一套浮选泡沫视觉监控系统,通过观察浮选泡沫表面视觉特征的变化来研究Z200药剂添加量健康状态的自动分析和识别方法.由于Z200需要在特定酸碱性条件下才能达到较好的浮选效果(矿浆的酸碱度通过添加石灰进行调节),本文主要分析在特定酸碱条件下Z200的添加量的健康状态.也就是通过收集相同酸碱度条件下(矿浆pH约为10.8～11.0)的浮选泡沫图像,重点研究Z200的不同添加量状态下的浮选气泡尺寸分布变化的特点,以进一步实现Z200添加健康状态的机器鉴别与客观评价.由于泡沫图像尺寸分布变化是渐变的,且拍摄视野中的浮选气泡只是浮选槽中气泡表面的一部分,如果仅仅采用单独某一帧泡沫图像来进行浮选生产工况分析可能会因各种原因产生误判,误判的结果将对基于机器视觉的浮选生产自动控制和调节产生极为不利的影响.为了最大限度地减少误判的发生,非常重要的一点就是要能准确获得气泡尺寸分布的动态变化,这就需要综合分析一个ΔT时间段之内的气泡尺寸分布的动态变化情况来进行生产工况识别分析.ΔT可以根据实际生产流程的情况自行选择(比如选择3～5min,其中每分钟采样图像10帧),这样将获得一个包含n帧图像的测试序列.图3显示了一个包含55帧采样图像序列的泡沫尺寸分布变化情况,通过获取该时间段的浮选气泡的分布的动态变化特点,可以对浮选生产工况进行机器鉴别.根据该铜浮选现场实际的生产状况,在深入分析药剂添加量、原矿的品位与粗选泡沫中的精矿品位的关系,并结合选厂的选矿生产指标、工艺过程参量与浮选气泡尺寸分布的相互关系,可以将药剂添加量健康状态预定义为4种工况状态ω1～ω4:ω1代表正常药剂量添加状态.在该种条件下浮选气泡较为均匀,气泡尺寸相对适中,浮选泡沫矿化程度较高,能产生最好的浮选性能.该工况下典型的泡沫图像样本如图4(a)所示.ω2表示药剂过量添加状态.在该种生产状态下,浮选气泡过小,小泡居多,部分区域呈棉絮状,这种情况会降低浮选精矿的品位,且造成浮选药剂的浪费.该工况下典型泡沫图像样本如图4(b)所示.ω3代表药剂添加过少.在这种药剂状态下,浮选气泡较大、虚泡多,泡沫矿化程度低,该工况下典型泡沫图像如图4(c)所示.这种情况下铜矿回收率低,极易造成矿物资源的浪费.ω4代表生产故障状态.该生产状态并不完全是由加药量引起的,但是一旦发生生产故障均需快速调整药剂量,以减少生产损失.比如断料和跑槽,对于断料情况,浮选槽中的泡沫会越来越大,并且随着液位的降低泡沫数目会越来越少,当液位低于某个值时,也就是泡沫液面可能不会出现在拍摄视野区.对于跑槽现象,此时泡沫可能会越来越来越小.这两种情况下的泡沫尺寸分布特征变化都比较明显,通过对泡沫尺寸分布特征的跟踪,能较好地对这种生产故障情况进行提前预警以减少生产损失.该工况下典型泡沫图像如图4(d)所示.4.2浮选过程药剂添加检测的结果与分析本文提出的泡沫浮选过程加药量健康状态分析和识别的主要实施步骤如下:1)收集各典型药剂添加健康状态ω1～ω4下大量的泡沫图像作为训练样本集.2)对每种生产工况下的泡沫图像样本集通过图像分割和核密度估计获得对应的气泡大小概率密度函数,进而计算出对应的气泡大小累积分布函数.采用第3.1节的最远邻聚类学习方法对各生产工况状态下的泡沫大小累积函数分布进行聚类学习,获得各种典型药剂添加健康状态下的气泡尺寸累积分布特征集.在实际操作中,各种药剂添加健康状态下的气泡尺寸统计分布被聚成6类,每类的聚类中心作为该状态下的一个累积分布特征.因此,每种药剂添加工况状态将获得6个累积分布特征向量,最终共获得24个累积分布特征向量F=[F1,F2,F3,…,F24].其中前两类的气泡尺寸累积分布特征集学习结果如图2所示.3)在进行药剂添加健康状态识别时,选取一个ΔT时间段共n帧泡沫图像序列进行气泡大小统计分布计算,设该时间段的测试样本序列为[I1,I2,I3,…,In].4)通过图像分割与核密度估计,获得测试样本序列[I1,I2,I3,…,In]的气泡尺寸概率密度函数,并计算出对应的累积分布函数[C(I1),C(I2),C(I3)…,C(In)].5)采用Kullback-Leiblerdivergence(KLD)的距离来计算累积分布函数[C(I1),(C(I2),C(I3),…,C(In)]与特征向量[F1,F2,F3,…,F24]间的相似度,获得每个分布函数的最相近分布特征.那么[I1,I2,I3,…,In]就可以用典型药剂添加状态下累积分布特征向量的标号来标识.比如C(I1)与F1最接近,那么图像I1将被标识为F1,从而测试时间段图像序列被简单地标识为一个分布特征符号序列{}图5显示了对图像序列进行尺寸分布特征集符合标记的流程示意图.6)计算各分布特征标号Fi上的泡沫图像出现的频度p(Fi|I),统计出当前泡沫图像序列对应于各典型药剂添加状态下的概率7)根据频度标识结果,采用贝叶斯推理方法就能推断出测量时间段的浮选生产药剂添加健康状态识别结果,获得对应的类别,从而识别出该测试时间段的药剂量状态为ωi.图6显示了对不同药剂添加状态下测试样本图像序列进行尺寸分布特征标识的结果.利用该频度标记结果就能较方便地进行生产工况识别.8)当某一时段的最大识别结果P(ωi|I)小于某个阈值T时,说明生产工况发生了些变化(比如原矿品位).如果监测到该过程多次出现该状况的系统警报将自动进行特征集校正.校正方法是将该时刻段的气泡尺寸分布信息也加入到训练样本中,实现该生产工况下的气泡大小统计分布特征自动更新.也就是将该时刻段的气泡统计累积分布序列加入到被识别的工况状态ωi的气泡统计分布特征集的训练和学习中,采用第3.2节中描述的气泡尺寸分布特征集修正方法自动更新ωi对应的气泡大小统计分布特征集,根据生产工况的变化自动更新各生产工况下的气泡统计分布特征集.9)重复2-8步骤,实现浮选生产过程药剂添加工况健康状态实时监测.4.3浮选泡沫表面视觉特征的计算采用本文提出的生产工况识别方法,对前面提到的铜浮选过程进行实际加药量健康状态分析.自2011年在该铜浮选厂搭建了泡沫图像视觉监控系统以来,收集了大量的工业现场浮选泡沫图像,并通过人工记录相应的药剂操作条件和手动化验分析泡沫精矿品位,记录相应的铜浮选工艺过程变量.表1是采用本文的方法对4种预定义的工况状态下的泡沫图像测试序列的气泡大小分布特征标记与生产状态识别结果.表1中测试集列括号中数值表示测试序列图像帧的数目,第3-6列中数据表示测试集图像序列中被标识为该特征子集区间的图像帧的数目.表1中的状态识别结果表明采用本文的方法进行药剂添加量健康状态识别能获得准确的识别结果.实际上,为了实现基于机器视觉的浮选生产工况状态自动鉴别,研究者根据泡沫图像表面视觉特征与浮选生产工况的关系,针对特定的浮选过程提出了多种相关的基于泡沫图像表面视觉特征的浮选生产工况自动识别方法.这些方法主要包括:基于灰度依赖矩阵的方法,基于图像小波变换的方法和基于傅里叶变换的浮选生产工况识别方法.Moolman提出了一种基于灰度依赖矩阵的浮选泡沫分类与生产工况识别方法,包括基于邻域灰度依赖矩阵(neighboringgrayleveldependencematrix,NGLDM)和空间灰度依赖矩阵(spatialgrayleveldependencematrix,SGLDM)的特征提取方法,该方法首先计算出泡沫图像的NGLDM或SGLDM,然后基于所提取的相关矩阵计算一组统计量作为泡沫表面的视觉特征向量,最后通过学习向量量化(LVQ)神经网络进行泡沫结构分类和生产工况识别.文献提出了一种基于Gabor小波变换的浮选生产工况分类识别方法,该方法首先通过Gabor小波变换获取了泡沫图像的多尺度多方向上的Gabor小波幅度谱,然后根据Gabor小波幅度谱的统计分布特点进行各种工况下泡沫表面视觉特征表示,再通过人工神经网络方法实现泡沫结构分类与生产工况识别.文献指出通过计算泡沫图像的频域环(fourierring)特征,可以有效的进行泡沫图像分类与生产工况识别.上述这些方法都是基于单帧泡沫图像特征的生产工况分与识别,都是首先采用某种方法对泡沫图像进行处理以获取这些图像的表面视觉特征,然后采用有监督的学习方法进行分类器的训练,最终实现浮选泡沫结构的分类与生产工况的识别.为了能进一步比较本文提出的工况识别方法与上述文献中的工况识别方法的性能的优劣,在所采集的工业数据中挑选了一个包含32000帧泡沫图像的测试集序列进行浮选生产药剂健康状态识别对比实验.测试用泡沫图像序列集由800个泡沫图像序列组成,每个序列与一种药剂添加健康状态相对应(这4种药剂添加健康状态分别包含209,190,217和184个测试序列),每个序列包含40帧图像,每个序列的采集时间大约为4min.分别采用这些方法进行泡沫图像特征提取并结合文献中提到的LVQ神经网络在本文选用的测试图像序列集上进行生产工况识别实验.这3种对比方法的浮选泡沫表面视觉特征的计算细节如下:a)NGLDM/SGLDM.首先将图像灰度值量化成64个灰度级别,计算出对应的NGLDM/SGLDM矩阵;然后计算基于NGLDM/SGLDM的能量、熵、惯性矩、局部相关性、粗度参数、细度参数作为泡沫图像的特征参量.b)Gabor.首先将泡沫图像进行多尺寸多方向的Gabor小波变换,设图像Gabor小波幅度谱服从Gamma分布f(x;α,β),获取了各子带的Gamma分布系数(α,β),每帧图像由一个(40+k*40)*2维的向量特征组成,40表示对图像进行5个尺寸和8个方向的Gabor子带分解,k=4,表示把图像分成了4个不重