在泡沫浮选过程中,有经验的工人根据浮选泡沫的视觉状态调整浮选操作,自动化水平较低。将图像识别技术应用到浮选工艺中,提高浮选工艺水平,实现浮选过程的智能化操作与信息化展示,对浮选过程的自动化发展具有重要研究意义和应用价值。针对浮选泡沫图像的纹理、尺寸等视觉特征进行提取,通过建立机器学习分类模型进行浮选状态的识别。主要研究工作如下:在XFD单槽1.5升浮选机上进行煤泥浮选实验,通过相机、镜头与光源建立的机器视觉系统采集泡沫图像。将泡沫图像先后进行同态滤波、自适应形态学操作以及阈值分割等操作,较为准确的提取泡沫的数量特征以及亮点像素特征。采集以灰度矩阵为基础的像素均值、方差、峰度值方差的灰度特征。计算Tamura纹理特征参数为提取算法中的粗糙度、方向度和对比度三种参数。利用上述泡沫尺寸特征、灰度特征、纹理特征提取方法提取大中小三个类别各200幅图像的特征数据,建立泡沫工况识别的训练集与测试集。其中150幅泡沫图像进行模型训练,50幅图像验证分类结果。使用支持向量机、多层感知器两种分类算法进行分类训练与测试,得到单一特征与多泡沫特征融合的分类识别率。结果表明:多泡沫特征的支持向量机和多层感知器的分类识别正确率均优于单一图像特征的分类识别。使用Alex Net网络进行泡沫图像的进行分类识别实验,为有效防止过拟合以及梯度消失现象在神经网络的连接层加入dropout失活函数,得出0.5的丢失概率识别效果较好,将传统机器学习的支持向量机、多层感知器与卷积神经网络进行不同样本容量的泡沫图像识别的对比实验,结果表明SVM在低样本数量的条件下能够取得较好的分类结果;而Alex Net随着样本数量的增加,分类识别的准确率逐步上升;MLP对于样本数量的依赖程度介入两者之间。在现有最大图像样本的条件下,Alex Net网络的模型的分类性能最佳。图41幅;表7个;参73篇。