CN110287975A - 基于nsst形态特征及深度kelm的浮选加药异常检测方法 - Google Patents

Abstract

本发明涉及一种基于NSST形态特征及深度KELM的浮选加药异常检测方法。首先，实时采集浮选槽表面的气泡图像，将图像NSST分解，得到低频子带图像和多尺度高频子带；其次，对低频图像二值化提取气泡亮点，计算各亮点的个数、面积、标准差和椭圆率，计算各尺度高频子带系数的分形维数、均值和方差，构成气泡图像的多尺度形态特征；然后，在KELM算法基础上，借鉴深度学习思想构建一种深度KELM，将量子计算引入遗传算法的优化中，并用于优化深度KELM的参数，构建自适应深度KELM；最后，通过多尺度形态特征和自适应深度KELM建立浮选加药异常检测模型。本发明平均识别率和运行效率明显高于现有检测方法，更加符合浮选生产在线检测的需求，为后续的加药自动化控制打下基础。

Description

基于NSST形态特征及深度KELM的浮选加药异常检测方法

技术领域

本发明涉及一种基于NSST形态特征及深度KELM的浮选加药异常检测方法。

背景技术

在矿物浮选过程中，浮选药剂是最为关键的控制量之一，加药量的好坏直接影响选矿生产指标，现有研究表明浮选槽表面气泡的形态、尺寸特征与加药量直接相关。正常药量时，气泡尺寸适中，大小分布均匀，气泡圆形度高；过药量时，气泡水化严重，流动性较强，以小尺寸气泡为主；欠药量时，气泡粘稠度较高，气泡圆形度低，大量气泡合并。目前选矿厂主要采用人工肉眼观察浮选槽表面气泡特征的变化来进行药剂量的调节，判断和控制滞后，而且主观随意性大。

近年来，已出现了几种基于气泡图像特征提取的浮选加药量状态识别方法。基于图像分割的方法，对气泡图像进行分割，统计气泡的形状和尺寸分布特征，然后采用贝叶斯对这些特征进行分类，或采用卷积神经网络进行特征训练和识别，进而判断加药量的状态，但这类方法的识别精度受限于气泡的分割效果,因受到光照环境的影响，而且气泡间边界不明显，容易出现过分割和欠分割，难以取得最佳的分割效果,影响了最终的识别精度。基于小波多尺度二值化的方法，气泡图像小波多尺度分解，对各尺度图像二值化，然后根据各尺度二值化结果计算等效尺寸分布特征，最后通过支持向量机进行特征训练和识别，该方法只提取等效的尺寸分布特征，没有提取相应的形状特征，缺乏形态学意义，而且支持向量机的训练和识别效率低。

基于机器视觉的浮选加药量状态识别主要包含气泡形态特征提取和识别模型两部分。现有技术在气泡形态特征提取方面，基于气泡图像分割的方法，因受到光照环境的影响,而且气泡间边界不明显，容易出现过分割和欠分割，难以取得最佳的分割效果,影响了最终的识别精度；基于小波多尺度二值化的方法，只提取等效的尺寸分布特征，没有提取相应的形状特征，缺乏形态学意义。现有技术在识别模型建立方面，贝叶斯分类方法在特征交叉边缘的识别精度低，采用卷积神经网络和支持向量机的训练和识别效率低，而浮选在线生产的实时性要求较高。

近几年，多尺度几何分析的发展为图像特征提取提供了新思路，常用的方法有小波变换、非下采样Contourlet变换(NSCT)，和非下采样Shearlet变换(NSST)。小波变换的方向性有限，不能有效的捕捉图像的细节，NSCT继承了Contourlet的多尺度多方向特性，且NSCT分解后的图像具有平移不变性，但是运算效率低，方向选择受限。NSST不仅具备多尺度多方向、平移不变和各向异性等特点，同时具备运算效率高、分解方向不受限制等特质，进而可以有针对性地提取浮选气泡图像的多尺度形态及细节信息。本发明采用NSST多尺度变换算法对浮选气泡图像进行分解，得到多尺度的高低频图像，采用二值化方法对低频图像进行亮点提取，然后提取多尺度形态特征，包括低频图像的亮点个数、面积、标准差和椭圆率以及高频尺度图像的分形维数、均值和方差，这些特征能全面表征气泡的大小和形状，不仅具有尺寸分布特征，还具有较强的形态学意义。

2004年，Huang等提出了极限学习机(ELM)，相比于传统的神经网络，不用迭代调整，单单一步计算就可以解析出网络的输出权值，加快了网络的学习速度，再加上其泛化性能良好的优点，已经被使用于各种分类和回归拟合问题中。但是，ELM的输入权值和隐含层偏置随机选取，隐含层节点个数难以确定、过拟合等问题，会直接影响其稳定性和泛化能力。因此，Huang 等在ELM算法中引入核函数，提出了核极限学习机(KELM)，增强了算法的泛化性能，但同时其性能易受惩罚系数C和核函数σ的影响。2006年Geoffrey Hinton在《Science》上撰文，提出了深度置信网络，通过多层特征提取，在顶层形成一个更抽象，更适合模式分类的特征向量，开启了深度学习时代。因此，本发明将深度学习的思想引入KELM算法中，构建深度核极限学习机，兼具深度网络优秀的特征抽取能力以及KELM的快速训练优点。为提高深度核极限学习机的拟合性能，本发明采用量子遗传算法对网络深度、惩罚系数C和核函数σ等参数进行优化。

发明内容

本发明的目的在于提供一种基于NSST形态特征及深度KELM的浮选加药异常检测方法，

为实现上述目的，本发明的技术方案是：一种基于NSST形态特征及深度KELM的浮选加药异常检测方法，包括如下步骤，

步骤S1、采集不同加药状态下的气泡图像作为图像库，并从浮选厂化验室获取对应的实际加药量；

步骤S2、对图像库的气泡图像进行NSST多尺度分解，提取多尺度形态特征，将多尺度形态特征作为输入，对应的加药量作为输出，训练深度核极限学习机；

步骤S3、将深度核极限学习机中的自编码器层数k、惩罚系数C和核函数σ进行量子比特编码操作，以浮选加药异常检测的准确率当作适应度函数，通过量子旋转门更新种群，优选出一组深度核极限学习机的最优参数，建立浮选加药异常检测模型；

步骤S4、实时采集浮选表面的气泡图像，对气泡图像进行NSST多尺度分解，得到低频子带图像和多尺度高频子带图像；

步骤S5、采用二值化方法提取低频子带图像的亮点，计算各个亮点的个数、面积、标准差和椭圆率，计算各尺度高频子带系数的分形维数、均值和方差，获取气泡图像的多尺度形态特征；

步骤S6、建立基于自适应深度核极限学习机的浮选加药异常检测模型，将多尺度形态特征作为输入，输出识别三种加药状态，异常状态下可进一步判别是加药过量还是欠量。

在本发明一实施例中，所述步骤S2中，对图像库的气泡图像进行NSST多尺度分解，提取多尺度形态特征的具体实现过程如下：

(1)低频子带尺寸和形状特征提取

对气泡图像进行NSST分解后得到的低频子带图像，采用最大类间方差得到最佳的分割阈值，对低频子带图像进行二值化以提取各个气泡的亮点，然后对亮点图像进行尺寸计算及形状特征计算；假设二值图像中包含N个气泡亮点，其中每一个亮点的面积各自表示成S₁，S₂，…S_N，则亮点的面积平均值、方差分别为：

区域的椭圆率是区域形状的重要描述，若将一个区域和一个等效椭圆对应起来，等效椭圆的焦距c和长半轴a，则区域的椭圆率为：

对于灰度均匀的区域，椭圆率越大，则区域形状越接近椭圆形，以此用来区分椭圆形亮点居多的粘性气泡、正常气泡及水化气泡；

(2)高频子带形态特征提取

对气泡图像进行NSST分解后得到的高频子带图像，提取出浮选气泡各个高频子带图像中的均值、方差和分形维数，将这三个参数作为浮选气泡图像的高频尺度形态特征；

假设气泡高频子带图像的尺寸为Q×Q，其中图像像素点(m,n)的灰度值为 f_m,n∈[0,1,···255]；通过下述两个公式各自计算出浮选气泡高子带频图像每一尺度中对应灰度值的平均值和方差：

选取差分盒维法来完成高频子带图像中分形维数的计算，在不同的度量尺度r下，分别计算出该尺度下对应的盒子数N_r，对该组数据进行最小二乘法线性回归拟合，得到的斜率即为分形维数D，分形维数可表示为：

在本发明一实施例中，所述步骤S2中，将多尺度形态特征作为输入，对应的加药量作为输出，训练深度核极限学习机的具体实现过程如下：

极限学习机在训练过程中，只要输入层与隐含层间的连接权值ω和隐含层神经元的偏置b 被选定，就可以保证得到的隐层输出矩阵H是唯一的，进而整个学习过程就相当于求解线性系统Hβ＝T，故隐含层和输出层间的连接权值β可以通过下式进行计算：

H⁺的求解方式可以有多种，一般常使用正交投影法进行计算矩阵H的广义逆，可得：

H⁺＝H^T(HH^T)^-1

按照岭回归理论，若在HH^T对角线上加一个正数可以让解更稳定、泛化性更强

极限学习机的输出函数可表示为：

上式中：I为对角矩阵；C为惩罚系数；但是，极限学习机的输入权值和隐含层偏置随机选取，隐含层节点个数难以确定，会直接影响其稳定性和泛化能力；为了消除隐含层函数不确定所带来的影响，通过核函数替换HH^T，根据Mercer条件来定义核矩阵：

因此，核极限学习机KELM的输出表达式为：

而后，采用多层的极限学习机自编码器作为深度学习网络，在核极限学习机KELM输入之前加入深度学习网络，构建深度核极限学习机。

在本发明一实施例中，所述步骤S3的具体实现过程如下：

步骤S31、种群Q(t₀)按照小生境协同进化策略实现初始化，通过对自编码器层数k、惩罚系数C和核函数σ实行量子比特编码，产生对应的染色体；

步骤S32、确定适应度函数，以浮选加药异常检测的准确率当作适应度函数；

步骤S33、测量初始化种群Q(t₀)中的所有个体，以此获取一组解集P(t₀)；调用深度极限学习机模型进行训练，按照适应度函数对P(t₀)中的每一个解的适应度完成评估；记下最优结果；若满足结束条件则转步骤S35，否则进行步骤S34；

步骤S34、测量种群Q(t)中的所有个体，产生一组解集P(t)；评估P(t)中的各个解的适应度；种群个体通过自适应量子旋转门U(t)操作更新，以此产生下一代种群Q(t+1)；记下最优结果，并将进化代数g加1，直到满足循环终止条件，则转步骤S35，否则接着计算；

步骤S35、将最终获取的三个参数最优值赋给深度核极限学习机，建立浮选加药异常检测模型。

相较于现有技术，本发明具有以下有益效果：本发明方法提取的多尺度形态特征能全面表征气泡的大小和形状，不仅具有尺寸分布特征，还具有较强的形态学意义，基于自适应深度核极限学习机的浮选加药异常检测模型，兼具深度网络优秀的特征抽取能力以及KELM的快速训练优点，平均识别率和运行效率明显高于现有的几种检测方法，更加符合浮选生产在线检测的需求，为后续的加药自动化控制打下基础。

附图说明

图1为核极限学习机网络结构图。

图2为极限学习机自编码器。

图3为多层极限学习机自编码器。

图4为深度核极限学习机。

图5为浮选加药异常检测实现流程图。

图6为三种药量下气泡图像多尺度分解及亮点提。

图7为各类方法检测结果。

具体实施方式

下面结合附图，对本发明的技术方案进行具体说明。

本发明提供了一种基于NSST形态特征及深度KELM的浮选加药异常检测方法，包括如下步骤，

步骤S1、采集不同加药状态下的气泡图像作为图像库，并从浮选厂化验室获取对应的实际加药量；

步骤S2、对图像库的气泡图像进行NSST多尺度分解，提取多尺度形态特征，将多尺度形态特征作为输入，对应的加药量作为输出，训练深度核极限学习机；

步骤S3、将深度核极限学习机中的自编码器层数k、惩罚系数C和核函数σ进行量子比特编码操作，以浮选加药异常检测的准确率当作适应度函数，通过量子旋转门更新种群，优选出一组深度核极限学习机的最优参数，建立浮选加药异常检测模型；

步骤S4、实时采集浮选表面的气泡图像，对气泡图像进行NSST多尺度分解，得到低频子带图像和多尺度高频子带图像；

步骤S5、采用二值化方法提取低频子带图像的亮点，计算各个亮点的个数、面积、标准差和椭圆率，计算各尺度高频子带系数的分形维数、均值和方差，获取气泡图像的多尺度形态特征；

步骤S6、建立基于自适应深度核极限学习机的浮选加药异常检测模型，将多尺度形态特征作为输入，输出识别三种加药状态，异常状态下可进一步判别是加药过量还是欠量。

以下为本发明的具体实现过程。

本发明是一种基于多尺度形态特征及自适应深度KELM的浮选加药异常检测方法。首先，实时采集浮选槽表面的气泡图像，将图像NSST分解，得到低频子带图像和多尺度高频子带；其次，对低频图像二值化提取气泡亮点，计算各亮点的个数、面积、标准差和椭圆率，计算各尺度高频子带系数的分形维数、均值和方差，构成气泡图像的多尺度形态特征；然后，在KELM 算法基础上，借鉴深度学习思想构建一种深度KELM，将量子计算引入遗传算法的优化中，并用于优化深度KELM的参数，构建自适应深度KELM；最后，通过多尺度形态特征和自适应深度KELM建立浮选加药异常检测模型，具体如下。

1、气泡图像多尺度形态特征提取

(1)低频子带尺寸和形状特征提取

对NSST分解后得到的低频子带图像，采用最大类间方差得到最佳的分割阈值，对低频图像进行二值化以提取各个气泡的亮点，然后对亮点图像进行尺寸计算及形状特征计算。假设二值图像中包含N个气泡亮点，其中每一个亮点的面积各自表示成S₁，S₂，…S_N，则亮点的面积平均值、方差分别为：

区域的椭圆率是区域形状的重要描述，若将一个区域和一个等效椭圆对应起来，等效椭圆的焦距c和长半轴a，则区域的椭圆率为：

对于灰度均匀的区域，椭圆率越大，则区域形状越接近椭圆形，以此用来区分椭圆形亮点居多的粘性气泡、正常气泡及水化气泡；

(2)高频子带形态特征提取

高频子带图像主要体现各个气泡的边缘和纹理特征。分形维数方法在多分辨率和多尺度中具有不变性，并且符合人类视觉感知图像表面纹理粗糙度的程度，分形维数可以较好地描述气泡高频图像分量中的边缘粗细和纹理，还有均值与方差这两个参数可以描述出高频子带图像中纹理和边缘深浅性。因此本发明提取出浮选气泡各个高频子带图像中的均值、方差和分形维数，将这三个参数作为浮选气泡图像的高频尺度形态特征。

假设气泡高频子带图像的尺寸为Q×Q，其中图像像素点(m,n)的灰度值为 f_m,n∈[0,1,···255]；通过下述两个公式各自计算出浮选气泡高子带频图像每一尺度中对应灰度值的平均值和方差：

选取差分盒维法来完成高频子带图像中分形维数的计算，在不同的度量尺度r下，分别计算出该尺度下对应的盒子数N_r，对该组数据进行最小二乘法线性回归拟合，得到的斜率即为分形维数D，分形维数可表示为：

2、自适应深度核极限学习机构建

(1)深度核极限学习机

极限学习机(ELM)作为一类性能优良的新型单隐含层前馈神经网络，相比于传统的神经网络，它不用迭代调整，单单一步计算就可以解析出网络的输出权值，这样子加快了网络的学习速度，再加上其泛化性能良好的优点，已被使用于各种分类和回归拟合问题中。极限学习机在训练过程中，只要输入层与隐含层间的连接权值ω和隐含层神经元的偏置b被选定，就可以保证得到的隐层输出矩阵H是唯一的，进而整个学习过程就相当于求解线性系统Hβ＝T，故隐含层和输出层间的连接权值β可以通过下式进行计算。

H⁺的求解方式可以有多种，一般常使用正交投影法进行计算矩阵H的广义逆，可得：

H⁺＝H^T(HH^T)^-1

按照岭回归理论，若在HH^T对角线上加一个正数可以让解更稳定、泛化性更强

极限学习机的输出函数可表示为：

上式中：I为对角矩阵；C为惩罚系数；但是，极限学习机的输入权值和隐含层偏置随机选取，隐含层节点个数难以确定，会直接影响其稳定性和泛化能力；为了消除隐含层函数不确定所带来的影响，通过核函数替换HH^T，根据Mercer条件来定义核矩阵：

因此，核极限学习机(KELM)的输出表达式为：

具体的网络结构图如图1所示。

在KELM算法中，不受隐含层函数、输入层与隐含层间的连接权重、隐含层神经元的偏置以及隐节点个数等参数的影响，只需要选择相应的核函数即可。本发明选择径向基核函数(RBF) 作为KELM的核函数。虽然KELM引入RBF核函数和惩罚参数解决了ELM的输入权值随机初始化问题，并增强了算法的泛化性能，但同时其性能易受惩罚系数C和核函数σ的影响。

KELM算法是单隐含层前馈神经网络，特征抽取能力有限，本发明将深度学习的思想引入 KELM算法中，构建深度核极限学习机，兼具深度网络优秀的特征抽取能力以及KELM的快速训练优点。在KELM输入之前加入深度学习网络，本发明采用多层的极限学习机自编码器作为深度学习网络，极限学习机自编码器是无监督的预训练，在训练中，网络的输出和输入相同，图2为极限学习机自编码器的结构。

利用数据训练这个网络，使网络具有学习x→h→x的能力。将h当做输入，训练一个新的网络，得到新的特征表达，多层极限学习机自编码器如图3所示。

整个网络的训练不是一蹴而就的，而是逐层训练，多层极限学习机自编码器的训练首先训练x→h1→x的网络，得到x→h1的变换，然后再训练h1→h2→h1的网络，得到h1→h2的变换，再训练h2→h3→h2的网络，得到h2→h3的变换,即x→h1→h2→h3…→hn,堆叠成多层极限学习机自编码器，构成深度网络。

深度核极限学习机有两个过程，第一过程无监督训练，即输入等于输出的多层极限学习机自编码器；第二过程是有监督训练的核极限学习机。深度极限学习机的构成如图4所示：

经过多层极限学习机自编码器对输入X进行逐层提取从而得到更为有效的特征，有利于区分容易混淆的类型，再将得到的更为有效的特征hn作为核极限学习机的输入，对其进行训练学习，经过多层隐含层以后得到的输出能反映初始输入的特征和信息，兼具深度网络优秀的特征抽取能力以及KELM的快速训练优点，提高整体网络的性能。

(2)量子遗传算法优化深度KELM参数

构建的深度核极限学习机兼具深度网络优秀的特征抽取能力以及KELM的快速训练优点，但是整体网络的性能取决于自编码器层数k、受惩罚系数C和核函数σ参数的选取，为了获取最优的检测性能，本发明使用量子遗传算法进行参数优化。量子遗传算法是量子计算与遗传算法相结合的产物。相比较遗传算法而言，该算法在种群多样性、收敛速度和精度方面都有所提高。本发明将深度核极限学习机中的自编码器层数k、惩罚系数C和核函数σ进行量子比特编码操作，以浮选加药异常检测的准确率当作适应度函数，通过量子旋转门更新种群，优选出一组最优参数。预先确定寻优参数的范围，即：1≤k≤30,0.1≤C≤1000，0.01≤σ≤100；种群数量p＝ 40；量子染色体长度m＝20；最大的迭代次数N＝300。具体实现流程如下：

Step1：种群Q(t₀)按照小生境协同进化策略实现初始化，通过对自编码器层数k、惩罚系数 C和核函数σ实行量子比特编码，产生对应的染色体；

Step2：确定适应度函数，以浮选加药异常检测的准确率当作适应度函数；

Step3：测量初始化种群Q(t₀)中的所有个体，以此获取一组解集P(t₀)；调用深度KELM模型进行训练，按照事先规定的适应度函数对P(t₀)中的每一个解的适应度完成评估；记下最优结果。若满足结束条件则转Step5，否则进行Step4；

Step4：测量种群Q(t)中的所有个体，产生一组解集P(t)；评估P(t)中的各个解的适应度；种群个体通过自适应量子旋转门U(t)操作更新，以此产生下一代种群Q(t+1)；记下最优结果，并将进化代数g加1，直到满足循环终止条件，则转Step5，否则接着计算；

Step5：将最终获取的三个参数最优值赋给深度核极限学习机，建立浮选加药异常检测模型。

3、整体实现流程与步骤

综上所述，基于多尺度形态特征及自适应深度KELM的浮选加药异常检测方法流程如图5 所示，具体实现步骤如下：

步骤1采集不同加药状态下的气泡图像作为图像库，并从浮选厂化验室获取对应的实际加药量。

步骤2对图像库的气泡图像进行NSST多尺度分解，提取多尺度形态特征，将多尺度形态特征作为输入，对应的加药量作为输出，训练深度核极限学习机。

步骤3将深度核极限学习机中的自编码器层数k、惩罚系数C和核函数σ进行量子比特编码操作，以浮选加药异常检测的准确率当作适应度函数，通过量子旋转门更新种群，优选出一组深度核极限学习机的最优参数，建立浮选加药异常检测模型。

步骤4实时采集浮选表面的气泡图像，对气泡图像进行NSST多尺度分解，得到低频子带图像和多尺度高频子带。

步骤5采用二值化方法提取低频子带图像的亮点，计算各个亮点的个数、面积、标准差和椭圆率，计算各尺度高频子带系数的分形维数、均值和方差，获取气泡图像的多尺度形态特征。

步骤6建立基于自适应深度核极限学习机的浮选加药异常检测模型，将多尺度形态特征作为输入，输出识别三种加药状态，异常状态下可进一步判别是加药过量还是欠量。

4、具体的实施例及说明

选取铅矿浮选泡沫图像进行实验，如图6所示，正常药量、欠药量和过药量状态下的气泡图像如图6(a)所示，气泡进行NSST分解后，得到一个低频子带图像6(b)和5个尺度高频子带，其中第一尺度高频子带如图6(c)，由图可以看出，三类气泡的气泡尺寸大小和形态特征各不相同，通过NSCT变换后可以体现得更加明显、直观。对低频子带二值化处理后的亮点图像如图 6(d)，正常加药状态的气泡图像亮点尺寸较大，形状大小分布较均匀；欠药量下的气泡图像气泡粘度很高，气泡挤压，甚至呈现长椭圆亮点；过药量下的气泡图像以小尺寸的气泡为主，流动性较强，气泡分布密集。提取的亮点包含了气泡的尺寸和形状特征，亮点的形态特征可等效气泡形态特征。

三类图像的多尺度形态特征统计如表1所示。三类气泡的低频子带4类特征都存在着较明显的差异，其中过药量气泡的亮点个数与其他两种类型的气泡差异最大，区分性也最好；亮点平均面积和标准差的差异次之，但也有较好的区分性；欠药量气泡由于气泡挤压呈椭圆状，椭圆率较大，通过该特征可以较好地与其他两种气泡区分开来。高频多尺度图像的3类形态特征，由于高频图像主要包含边缘细节和轮廓信息，主要提取了均值、方差及分形维3类轮廓特征。相对于低频亮点特征，高频特征的差异性有所降低，但综合3类特征，还是能对图像分类产生有效的数据，有一定的区分度。结合以上7类多尺度特征，就可以更深层次、更全面地分析气泡图像，提高分类的准确率。

表1三种药量下气泡多尺度形态特征统计

从图像库中选取450张气泡图像，每种加药状态的图像各150张，并从化验室获取相应时间点的加药量，然后随机选取390组数据样本作为训练集，对识别模型进行训练，最后用剩余的60组样本数据进行测试。分别采用气泡分割与贝叶斯推理方法、气泡分割与卷积神经网络方法、小波多尺度二值化与支持向量机方法、本文发明方法进行试验。检测结果如图7所示，其中图中纵坐标1表示正常加药状态，2表示欠药量状态，3表示过药量状态。

通过对上述4种检测方法的测试结果进行统计，具体数据见表2，本发明提取的多尺度形态特征能全面表征气泡的大小和形状，不仅具有尺寸分布特征，还具有较强的形态学意义，建立的自适应深度核极限学习机，兼具深度网络优秀的特征抽取能力以及KELM的快速训练优点，本发明方法平均识别率为95％，运行效率高，明显高于现有的其他几种检测方法，更加符合工业浮选生产在线检测的要求。

表2检测结果比对

5、本发明的优点及用途

在矿物浮选过程中,浮选药剂是最为关键的控制量之一,加药量的好坏直接影响选矿生产指标，现有研究表明浮选槽表面气泡的形态、尺寸特征与加药量直接相关。本发明是一种基于NSST 多尺度形态特征及自适应深度KELM的浮选加药异常检测方法。本发明提取的多尺度形态特征能全面表征气泡的大小和形状，不仅具有尺寸分布特征，还具有较强的形态学意义，基于自适应深度核极限学习机的浮选加药异常检测模型，兼具深度网络优秀的特征抽取能力以及KELM 的快速训练优点，平均识别率和运行效率明显高于现有的几种检测方法，更加符合浮选生产在线检测的需求，为后续的加药自动化控制打下基础。

以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。

Claims (4)

1.一种基于NSST形态特征及深度KELM的浮选加药异常检测方法，其特征在于，包括如下步骤，

步骤S1、采集不同加药状态下的气泡图像作为图像库，并从浮选厂化验室获取对应的实际加药量；

步骤S2、对图像库的气泡图像进行NSST多尺度分解，提取多尺度形态特征，将多尺度形态特征作为输入，对应的加药量作为输出，训练深度核极限学习机；

步骤S3、将深度核极限学习机中的自编码器层数k、惩罚系数C和核函数σ进行量子比特编码操作，以浮选加药异常检测的准确率当作适应度函数，通过量子旋转门更新种群，优选出一组深度核极限学习机的最优参数，建立浮选加药异常检测模型；

步骤S4、实时采集浮选表面的气泡图像，对气泡图像进行NSST多尺度分解，得到低频子带图像和多尺度高频子带图像；

步骤S5、采用二值化方法提取低频子带图像的亮点，计算各个亮点的个数、面积、标准差和椭圆率，计算各尺度高频子带系数的分形维数、均值和方差，获取气泡图像的多尺度形态特征；

步骤S6、建立基于自适应深度核极限学习机的浮选加药异常检测模型，将多尺度形态特征作为输入，输出识别三种加药状态，异常状态下可进一步判别是加药过量还是欠量。

2.根据权利要求1所述的基于NSST形态特征及深度KELM的浮选加药异常检测方法，其特征在于，所述步骤S2中，对图像库的气泡图像进行NSST多尺度分解，提取多尺度形态特征的具体实现过程如下：

(1)低频子带尺寸和形状特征提取

对气泡图像进行NSST分解后得到的低频子带图像，采用最大类间方差得到最佳的分割阈值，对低频子带图像进行二值化以提取各个气泡的亮点，然后对亮点图像进行尺寸计算及形状特征计算；假设二值图像中包含N个气泡亮点，其中每一个亮点的面积各自表示成S₁，S₂，…S_N，则亮点的面积平均值、方差分别为：

区域的椭圆率是区域形状的重要描述，若将一个区域和一个等效椭圆对应起来，等效椭圆的焦距c和长半轴a，则区域的椭圆率为：

对于灰度均匀的区域，椭圆率越大，则区域形状越接近椭圆形，以此用来区分椭圆形亮点居多的粘性气泡、正常气泡及水化气泡；

(2)高频子带形态特征提取

对气泡图像进行NSST分解后得到的高频子带图像，提取出浮选气泡各个高频子带图像中的均值、方差和分形维数，将这三个参数作为浮选气泡图像的高频尺度形态特征；

假设气泡高频子带图像的尺寸为Q×Q，其中图像像素点(m,n)的灰度值为f_m,n∈[0,1,…255]；通过下述两个公式各自计算出浮选气泡高子带频图像每一尺度中对应灰度值的平均值和方差：

选取差分盒维法来完成高频子带图像中分形维数的计算，在不同的度量尺度r下，分别计算出该尺度下对应的盒子数N_r，对该组数据进行最小二乘法线性回归拟合，得到的斜率即为分形维数D，分形维数可表示为：

3.根据权利要求1所述的基于NSST形态特征及深度KELM的浮选加药异常检测方法，其特征在于，所述步骤S2中，将多尺度形态特征作为输入，对应的加药量作为输出，训练深度核极限学习机的具体实现过程如下：

极限学习机在训练过程中，只要输入层与隐含层间的连接权值ω和隐含层神经元的偏置b被选定，就可以保证得到的隐层输出矩阵H是唯一的，进而整个学习过程就相当于求解线性系统Hβ＝T，故隐含层和输出层间的连接权值β可以通过下式进行计算：

H⁺的求解方式可以有多种，一般常使用正交投影法进行计算矩阵H的广义逆，可得：

H⁺＝H^T(HH^T)^-1

按照岭回归理论，若在HH^T对角线上加一个正数可以让解更稳定、泛化性更强

极限学习机的输出函数可表示为：

上式中：I为对角矩阵；C为惩罚系数；但是，极限学习机的输入权值和隐含层偏置随机选取，隐含层节点个数难以确定，会直接影响其稳定性和泛化能力；为了消除隐含层函数不确定所带来的影响，通过核函数替换HH^T，根据Mercer条件来定义核矩阵：

因此，核极限学习机KELM的输出表达式为：

而后，采用多层的极限学习机自编码器作为深度学习网络，在核极限学习机KELM输入之前加入深度学习网络，构建深度核极限学习机。

4.根据权利要求1所述的基于多尺度形态特征及KELM的浮选加药异常检测方法，其特征在于，所述步骤S3的具体实现过程如下：

步骤S31、种群Q(t₀)按照小生境协同进化策略实现初始化，通过对自编码器层数k、惩罚系数C和核函数σ实行量子比特编码，产生对应的染色体；

步骤S32、确定适应度函数，以浮选加药异常检测的准确率当作适应度函数；

步骤S33、测量初始化种群Q(t₀)中的所有个体，以此获取一组解集P(t₀)；调用深度极限学习机模型进行训练，按照适应度函数对P(t₀)中的每一个解的适应度完成评估；记下最优结果；若满足结束条件则转步骤S35，否则进行步骤S34；

步骤S34、测量种群Q(t)中的所有个体，产生一组解集P(t)；评估P(t)中的各个解的适应度；种群个体通过自适应量子旋转门U(t)操作更新，以此产生下一代种群Q(t+1)；记下最优结果，并将进化代数g加1，直到满足循环终止条件，则转步骤S35，否则接着计算；

步骤S35、将最终获取的三个参数最优值赋给深度核极限学习机，建立浮选加药异常检测模型。