廖一鹏，陈诗媛，杨洁洁，王志刚，王卫星

（1. 福州大学 物理与信息工程学院，福建 福州350108；2. 福建金东矿业股份有限公司，福建 三明365101）

1 引 言

浮选生产是工业上从矿石中提炼出金属矿物的一种有效选矿方法，通过加入特定的化学药剂将金属从矿石中分离，药剂添加的好坏直接影响最终生产指标的高低。目前，浮选厂主要通过人眼观察泡沫表面状态的变化进行相应的药剂量调节，这种方式主观性强且实时性差。 近年来，研究人员通过机器视觉技术提取泡沫表面特征来进行加药状态预测，取得了一定成果：Zhang等［1］通过分水岭算法提取泡沫尺寸分布特征，并建立非线性预测模型实现加药状态的有效识别；Ai 等［2］提出一种基于泡沫形状加权大小分布特征的加药状态预测方法，进一步提高了预测准确度；Tang 等［3］提出一种基于泡沫大小累积分布特征的加药状态预测方法，减少了噪声干扰，提高了稳定性；Li 等［4］提出一种基于泡沫图像深度学习的加药故障状态检测方法，在大数据集条件下具有较高的识别精度。以上方法主要通过提取泡沫尺寸、形态特征进行加药状态预测，Cao 等［5］通过试验发现泡沫表面的流动特征与药剂添加量之间有较强的相关性，在不同加药状态下呈现不同的流动特性，增加泡沫流动特征作为加药状态识别的驱动，将有助于提高识别精度。

目前，国内外学者主要研究泡沫静态特征的提取，而对流动特征提取方法的研究较少，浮选过程中泡沫时刻发生着崩塌、合并、新产生等变化，而且浮选槽表面雾气大、粉尘多，采集的图像受光照和噪声影响大，流动特征检测困难。……