目前而言,由于机械开采的迅速推广,产出的细粒煤已经大致占到原煤总量的20%以上。选煤厂的浮选技术水平的高低,将直接影响煤炭资源的有效利用率和经济效益。随着计算机技术的迅猛发展,机器视觉技术用来代替人类视觉自动处理浮选泡沫图像已经成为可能,通过及时准确地提取泡沫图像特征参数,从而对浮选过程中泡沫进行实时检测和识别。然而浮选过程中各种操作变量的不断变化以及现场环境恶劣性对泡沫图像的获取、分割处理及表面视觉特征提取等带来了很大的挑战。因此,研究一套行之有效的泡沫图像处理及视觉特征提取方法,从而建立完善高效的浮选产品指标在线检测体系,有效地提高了浮选生产效率,降低了工人劳动强度,进一步提高矿产资源的回收率,具有非常重要的现实意义。本文首先归纳总结了煤泥浮选的现场环境、工艺特征及其泡沫图像的视觉特点,以实验室小浮选试验为基础研究手段,提出了适用于煤泥浮选泡沫的图像去噪、增强及分割算法。从图像中提取出能够有效反映煤质产量和灰分的相关特征参数,构建了煤泥浮选精煤灰分软测量模型。在此基础上,对浮选系统进行配置,并结合选煤厂的实际情况,搭建了煤泥浮选泡沫图像控制管理系统。实现了对现场精煤灰分的在线检测,验证了本研究的可靠性和有效性。本文的主要研究内容及创新性成果概括为以下几个方面:(1)针对煤泥浮选生产光分布不均匀、图像噪声污染严重、分割困难等问题,本文提出了一种基于全变分理论的混合去噪模型。基于暗原色先验原理、双平台直方图均衡化和递归分层的连通域均衡化原理,本文研究了一种综合图像增强技术,能够在保留图像细节前提下,有效地去除泡沫图像噪声,增强图像对比度。结合以上预处理的技术,设计了一种基于谷底边缘检测的泡沫图像分割算法。不仅保留图像中的非边缘像素,而且保留了真实的泡沫边缘像素点,对泡沫边界像素进行细化处理,从而得到真实的矿物泡沫图像边缘。(2)对不同入浮浓度、捕收剂用量、起泡剂用量和物料颗粒情况下浮选实验泡沫图像进行采集,并化验分析了样品的实验指标。提取了不同浮选实验条件下的泡沫图像纹理、颜色和形状特征,利用机器学习中的回归方法(支持向量机和随机森林等)通过三种特征融合的方式对浮选过程中的精煤产量、精煤灰分和尾煤灰分进行预测,结果表明本文提出的多特征融合的预测方法可以达到较好的预测性能。(3)为了提高精煤灰分的预测精度,本文基于图像灰度直方图和灰度共生矩阵等共提取了11个特征参数,并综合分析了各个特征值与浮选运行状态之间的关系。实验结果表明:基于灰度直方图提取的方差、基于灰度共生矩阵提取的能量以及泡沫大小与精煤灰分值之间存在着明显相关关系。而由灰度直方图提取的平滑度和三阶矩,则与精煤灰分值呈高度相关关系。由灰度直方图提取的熵、由灰度共生矩阵提取的对比度、熵与精煤灰分值呈适度相关。基于灰度直方图提取的一致性对灰分不敏感,相关性极弱。(4)采用多元线性回归分析法对样本数据进行了建模,对比了不同自变量作为模型输入值时的多元线性回归方程,选择方差、平滑度、三阶矩、能量、泡沫实际面积作为自变量,用于构建煤泥浮选灰分软测量模型,对比样品的实际化验结果与模型的预测结果,发现该模型对样品精煤灰分预测的绝对误差可以保证在±5%范围之内。根据经验公式,取得BP神经网络隐含层神经元的最优数量,从而搭建了灰分预测模型,通过测试集的验证,结果表明预测灰分与实际灰分之间的相对误差基本小于±10%,绝对误差可以达到±1%。其中,绝对误差小于±0.5%的样本占总预测的72%。在以上研究的基础上,考虑到现实选煤厂浮选车间的工作情况和机器视觉技术的配置,本文搭建了一套煤泥浮选泡沫图像控制系统。该套系统主要包括由彩色CCD相机、定焦镜头、环形光组成的图像采集系统和由图像预览、图像采集、图像处理、数据保存四个模块组成的图像处理系统,实现了对现场精煤灰分的在线检测。现场工业试验观察发现,基于该系统预测得到的数据与实际化验数据之间的误差可以达到±1.5%之间,达到了实时精确预测浮选精煤灰分,及时指导现场生产的目的。该论文有图62幅,表20个,参考文献146篇。