基于NSST形态特征及深度KELM的浮选加药异常检测方法技术

本发明专利技术涉及一种基于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。本发明专利技术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。

Anomaly Detection Method of Flotation Drug Addition Based on NSST Morphological Characteristics and Depth KELM

【技术实现步骤摘要】
基于NSST形态特征及深度KELM的浮选加药异常检测方法
本专利技术涉及一种基于NSST形态特征及深度KELM的浮选加药异常检测方法。
技术介绍
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。本专利技术采用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。2004年，Huang等提出了极限学习机(ELM)，相比于传统的神经网络，不用迭代调整，单单一步计算就可以解析出网络的输出权值，加快了网络的学习速度，再加上其泛化性能良好的优点，已经被使用于各种分类和回归拟合问题中。但是，ELM的输入权值和隐含层偏置随机选取，隐含层节点个数难以确定、过拟合等问题，会直接影响其稳定性和泛化能力。因此，Huang等在ELM算法中引入核函数，提出了核极限学习机(KELM)，增强了算法的泛化性能，但同时其性能易受惩罚系数C和核函数σ的影响。2006年GeoffreyHinton在《Science》上撰文，提出了深度置信网络，通过多层特征提取，在顶层形成一个更抽象，更适合模式分类的特征向量，开启了深度学习时代。因此，本专利技术将深度学习的思想引入KELM算法中，构建深度核极限学习机，兼具深度网络优秀的特征抽取能力以及KELM的快速训练优点。为提高深度核极限学习机的拟合性能，本专利技术采用量子遗传算法对网络深度、惩罚系数C和核函数σ等参数进行优化。
技术实现思路
本专利技术的目的在于提供一种基于NSST形态特征及深度KELM的浮选加药异常检测方法，为实现上述目的，本专利技术的技术方案是：一种基于NSST形态特征及深度KELM的浮选加药异常检测方法，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。在本专利技术一实施例中，所述步骤S2中，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的具体实现过程如下：(1)低频子带尺寸和形状特征提取对气泡图像进行NSST分解后得到的低频子带图像，采用最大类间方差得到最佳的分割阈值，对低频子带图像进行二值化以提取各个气泡的亮点，然后对亮点图像进行尺寸计算及形状特征计算；假设二值图像中包含N个气泡亮点，其中每一个亮点的面积各自表示成S1，S2，…SN，则亮点的面积平均值、方差分别为：区域的椭圆率是区域形状的重要描述，若将一个区域和一个等效椭圆对应起来，等效椭圆的焦距c和长半轴a，则区域的椭圆率为：对于灰度均匀的区域，椭圆率越大，则区域形状越接近椭圆形，以此用来区分椭圆形亮点居多的粘性气泡、正常气泡及水化气泡；(2)高频子带形态特征提取对气泡图像进行NSST分解后得到的高频子带图像，提取出浮选气泡各个高频子带图像中的均值、方差和分形维数，将这三个参数作为浮选气泡图像的高频尺度形态特征；假设气泡高频子带图像的尺寸为Q×Q，其中图像像素点(m,n)的灰度值为fm,n∈[0,1,···255]；通过下述两个公式各自计算出浮选气泡高子带频图像每一尺度中对应灰度值的平均值和方差：选取差分盒维法来完成高频子带图像中分形维数的计算，在不同的度量尺度r下，分别计算出该尺度下对应的盒子数Nr，对该组数据进行最小二乘法线性回归拟合，得到的斜率即为分形维数D，分形维数可表示为：在本专利技术一实施例中，所述步骤S2中，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的具体实现过程如下：极限学习机在训练过程中，只要输入层与隐含层间的连接权值ω和隐含层神经元的偏置b被选定，就可以保证得到的隐层输出矩阵H是唯一的，进而整个学习过程就相当于求解线性系统Hβ＝T，故隐含层和输出层间的连接权值本文档来自技高网...

【技术保护点】
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。

【技术特征摘要】
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。2.根据权利要求1所述的基于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，所述步骤S2中，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的具体实现过程如下：(1)低频子带尺寸和形状特征提取对气泡图像进行NSST分解后得到的低频子带图像，采用最大类间方差得到最佳的分割阈值，对低频子带图像进行二值化以提取各个气泡的亮点，然后对亮点图像进行尺寸计算及形状特征计算；假设二值图像中包含N个气泡亮点，其中每一个亮点的面积各自表示成S1，S2，…SN，则亮点的面积平均值、方差分别为：区域的椭圆率是区域形状的重要描述，若将一个区域和一个等效椭圆对应起来，等效椭圆的焦距c和长半轴a，则区域的椭圆率为：对于灰度均匀的区域，椭圆率越大，则区域形状越接近椭圆形，以此用来区分椭圆形亮点居多的粘性气泡、正常气泡及水化气泡；(2)高频子带形态特征提取对气泡图像进行NSST分解后得到的高频子带图像，提取出浮选气泡各个高频子带图像中的均值、方差和分形维数，将这三个参数作为浮选气泡图像的高频尺度形态特征；假设气泡高频子带图像的尺寸为Q×Q，其中图像像素点(m,n)的灰度值为fm,n∈[0,1,…255]；通过下述两个公式各自计算出浮选气泡高子带频图像每一尺度中对应灰度值的平均值和方差：选取差分盒维法来完成...

【专利技术属性】
技术研发人员：廖一鹏，郑绍华，杨洁洁，
申请(专利权)人：福州大学，
类型：发明
国别省市：福建,35