精矿品位是选矿产品最重要的品质指标。然而,到目前为止,浮选精矿品位还难以实现在线检测。在实际的工业浮选过程监测中,精矿品位主要依赖于人工采样实验室化验,造成品位监测结果滞后生产四五个小时,且每天只能检测出有限的几个精矿品位数据。因而,无法对浮选生产进行及时有效地调整,难以保证精矿指标的稳定,极易造成精矿品位低下或者矿物资源回收率不高。近年来,基于机器视觉的浮选过程监控被认为是实现工业浮选过程稳定优化生产的一种必不可少的工具。其原因是,大量的研究表明泡沫表面视觉特性包含大量的与选矿生产指标和浮选生产工况相关的信息。比如,浮选泡沫表面颜色被认为是精矿品位的最直接的即时指示器。因而,基于机器视觉的精矿产品品位软测量和过程监控受到国内外广泛重视。然而,浮选泡沫表面颜色特征是一种极易受光照干扰的图像特征。受开放式的泡沫图像信号采集环境的影响,不确定的光源、空气中的粉尘和雾气、以及同一天不同时刻的光照强度和入射角度都会对泡沫图像的颜色信息造成严重的干扰,导致提取的颜色特征难以真实有效的反应泡沫层中所含精矿品位。此外,泡沫图像特征与选矿工艺参量特征中存在大量的冗余和噪声干扰,过程序列数据的动态与非线性行为使得传统的软测量模型难以直接应用于精矿品位软测量。因此,针对上述基于机器视觉的浮选过程精矿品位监测中存在的问题,本文主要开展以下研究:1、针对实际采集的泡沫图像信号存在严重色偏而难以实现泡沫颜色准确测量的问题,提出了一种基于Wasserstein距离的结构保持循环对抗神经网络(Wasserstein distance-based structure-preserving CycleGAN,WDSPCGAN),用于光照不变的泡沫颜色特征检测。WDSPCGAN由两个GAN网络组成,通过对两个GANs的对抗博弈训练,WDSPCGAN可以将任意光照下泡沫图像的颜色域映射到参考光照下的颜色域,同时保持泡沫图像空间结构和表面纹理的不变。所提出的方法在真实的浮选过程中得到验证。结果表明,WDSPCGAN可以在各种未知光照条件下实现泡沫图像颜色的光照不变特性,并保持其结构不变,从而为基于机器视觉的矿物浮选过程关键性指标的在线监测提供有效、客观的评价信息。2、针对工业浮选过程中工艺参量数据和泡沫图像特征存在信息冗余与噪声干扰造成传统的软测量模型精度不高且难以实现精矿品位在线监测的问题,提出一种融合状态转移算法(States Transition Algorithm,STA)与自适应前置稀疏神经模糊推理系统(Adaptive Pre Sparse Neural Fuzzy Inference System,APSNFIS)的软传感器建模方法(STA-APSNFIS)用于浮选过程中精矿品位软测量。STA-APSNFIS首先采用前置稀疏神经网络对传统的ANFIS模型进行改进,有效减少工业浮选过程参数的冗余以及工业过程参量检测中产生的一系列噪声,从而降低模糊推理系统模型的复杂度,以加快网络的收敛速度和在线检测速度。同时,为避免软测量模型陷入局部最优,本文采用STA优化算法取代传统的梯度下降算法对APSNFIS模型参数进行求解。实验结果表明,该方法比ANFIS模型、改进的PSO-ANFIS、GA-ANFIS、以及现有的一些软测量模型都具有更好的稳定性和有效性。3、以一真实的铅锌矿浮选工业过程为具体的研究和应用对象,将本文所提出的泡沫颜色校正方法和精矿品位软测量方法应用到铅锌浮选过程自动化监测中。在铅锌浮选现场建立了一个基于机器视觉的锌浮选品位在线监测系统。该系统的实际的应用结果表明,所提方法能实时的校正泡沫图像颜色特征,并有效的监测出泡沫层所含锌精矿品位,为后续的锌浮选工艺过程控制奠定了基础。