[发明专利]基于泡沫图像多特征的分层工况感知判别方法

说明书

本发明公开了一种基于泡沫图像多特征的分层工况感知判别方法，其特征在于本发明针对其工况识别的小概率事件即落点在交界上，考虑到交界左右的区间的工况模糊性，采用分层工况识别，对于区间内部的工况确定地带进行一个基于模糊数学评判方法的快速的粗分类，而对于模糊地带采用分类更为细致且准确的卷积神经网络的特征提取，可以学习到不大容易被注意到的深度特征，从而对工况进行一个精确的工况识别分类。基于此，使用分层控制，通过模糊数学算法针对区间内部地点，无争议地带。通过使用深度学习，针对概率分析可得到工况交界点的模糊地带最小距离，进行细分类的标准使结果更为准确。

技术领域

本发明涉及泡沫浮选工艺技术领域，特别是涉及对于浮选过程中工况的判别方法。

背景技术

在泡沫浮选工艺中，在对锌浮选粗选槽出槽工况品位值的所属区间进行判定时，这些区间对应着一系列相接近的工况，当品位值变化较小的时候，从泡沫图像采集到的相关的物理特征值之间的区别很小，很难做出工况类别判断，甚至存在误分类的情况出现。

对于工况区间交接点或者区间交接点周围的一定范围内，工况所属类别存在争议，尤其是在交界点左右偏移的一定范围内，此时工况所对应的泡沫图像采集到的特征值存在很细微的差别，导致工况类别判别错误，而这种差别，一般会被人为忽视，若是对这类工况都采取忽略态度，那么对最后的品位值与回收率的控制将会产生较大的影响。或有人注意到了这类问题，但是由于没有有效解决此类分类模糊或者分类错误的情况的方法，而选择忽视。与此同时，本发明测量的是锌浮选粗选槽的出矿品位值，为后面的加药量进行一个有效指导，这期间是存在时间限制的，用时过长，容易错过药剂调整的时间。总而言之，受到种种限制，以致于大家选择忽视这类特殊的工况。

发明内容

本发明提供了一种基于泡沫图像分层工况感知方法。针对对象处于工况区间的交点或者处于工况的交界边缘时，工况类别判断存在一定的错误概率，其中存在误分类的可能。

本发明所采用的技术方案是：采用粗、细分层的方法来进行实时工况判别。具体步骤如下：

A.对锌浮选粗选槽的泡沫图像的物理特征进行提取，物理特征包括泡沫尺寸、对比度、熵值、相关系数和泡沫流速，用来表征浮选工况；通过对k个锌浮选泡沫图像P₁,P₂…P_k进行特征提取，泡沫尺寸特征通过图像分割得到具体数据集C₁＝(C₁₁…C_1k)，对比度、熵值、相关系数通过对泡沫图像的灰度共生矩阵进行计算得到具体数据集分别为C₂＝(C₂₁…C_2k)、C₃＝(C₃₁…C_3k)、C₄＝(C₄₁…C_4k)，泡沫流速通过对相邻两帧的图像进行特征点标记，进行相对应速度计算得到最后的数据集C₅＝(C₅₁…C_5k)；

B.通过对泡沫尺寸、对比度、熵值、相关系数、泡沫流速进行可信任度分配，通过改进的多种群自适应遗传算法，考虑到各个特征的重要度不同，各个特征所对应的权值分别为d₁、d₂、d₃、d₄、d₅，采用的以下适应度函数，即目标函数：