浮选是利用矿物颗粒表面润湿性的不同来实现矿物分选的一门技术,其泡沫的表面视觉特征直接反映浮选生产工况。目前,国内大多数选厂对浮选状态的判别仍然停留在人工观测的基础上,极大地限制了浮选技术的推广和发展。将图像识别技术引入浮选不但可以有助于浮选作业的稳定优化运行,而且可以解放出大量的人力和物力,对其的后续发展具有十分重要的意义。本文以“赵楼煤矿浮选加药自动控制系统”项目为背景,对煤泥浮选泡沫图像识别系统进行了深入的研究,有效地克服了传统浮选工艺所固有的弊病,其研究内容主要可概括为如下几个方面:1)针对煤泥浮选泡沫图像易受到混合噪声,特别是高斯-椒盐混合噪声,干扰的情况,提出了一种新型滤波算法,其不仅在去除泡沫图像的混合噪声上要明显优于传统滤波算法,而且可以满足一定的实时性需求。2)对煤泥浮选泡沫图像的特征提取算法进行了研究,并选择纹理、尺寸和速度特征参数作为系统的输入。其中,本文分析和总结了传统分水岭算法的不足之处,并对其进行了相关改进,基本实现了煤泥浮选泡沫图像的精准分割。3)通过经验公式和相关实验,确定了BP神经网络隐含层神经元的最优数目,并在相同网络参数下,对比了BP神经网络和遗传BP神经网络的性能。进一步确定了遗传BP神经网络作为本系统的识别算法。4)出于对浮选车间工作环境等方面的考虑,对工业相机进行了合理的选型,并根据系统需求,对其后台数据库和前台界面进行了设计和介绍。