针对浮选泡沫表面图像动态变化、光照影响、噪声干扰导致流动特征难于提取的问题, 提出了一种在 NSST域改进 ORB的泡沫流动特征提取方法, 并应用于浮选加药状态识别。对相邻两帧泡沫图像 NSST分解, 对多尺度高频子带先通过尺度相关系数去除噪声再分为多个内层和外层, 在各内层通过方向模极大值检测提取兴趣点, 然后在本层和上下层通过非极大值抑制提取特征点, 采用多尺度 BRIEF描述子对特征点描述, 结合泡沫的运动趋势动态调整搜索的匹配区域, 根据匹配结果计算泡沫流动特征。最后, 构建行列自编码极限学习机对泡沫形态、尺寸分布特征和流动特征进行融合, 然后通过自适应随机森林对加药状态分类识别。实验结果表明, 改进的 ORB受噪声和光照影响小, 流动特征检测精度和效率较现有方法有较大提高, 能准确地表征不同加药状态下泡沫表面的流动特性, 加药状态的平均识别精度达 97. 85%, 较现有文献方法有较大提升, 为后续的加药量优化控制奠定基础。

针对可见光图像特征驱动的浮选工况识别方法的不足, 提出一种基于双模态图像多尺度CNN特征及自适应深度自编码核极限学习机(Kernel Extreme Learning Machine, KELM)的浮选工况识别方法。先对泡沫的可见光、红外图像进行非下采样剪切波多尺度分解, 设计双通道CNN网络对双模态多尺度图像进行特征提取及融合, 将多个双隐层自编码极限学习机串联成深度学习网络对CNN特征逐层抽象提取, 然后通过核极限学习机映射到更高维空间进行决策, 最后改进量子细菌觅食算法并应用于深度自编码KELM识别模型参数优化。实验结果表明: 采用双模多尺度CNN特征较单模多尺度、双模单尺度CNN特征的识别精度提高了2.65%, 自适应深度自编码KELM模型具有较好的分类精度和泛化性能, 各工况识别的平均准确率达到95.98%, 识别精度和稳定性较现有方法有较大提升。

有效学习丰富的表征信息在RGB-D目标识别任务中至关重要, 是实现高泛化性能的关键。针对卷积神经网络训练时间长的问题, 提出了一种混合卷积自编码极限学习机(HCAE-ELM)结构, 包括卷积神经网络(CNN)和自编码极限学习机(AE-ELM), 该结构合并了CNN的有效性和AE-ELM快速性的优点。它使用卷积层和池化层分别从RGB和深度图来有效提取低阶特征, 然后在共享层合并两种模型特征, 输入到自编码极限学习机中以得到高层次的特征, 最终的特征使用极限学习机(ELM)进行分类, 以获得更好的快速泛化能力。文中在标准的RGB-D数据集上进行了评估测试, 其实验结果表明, 相比较深度学习和其他的ELM方法, 文中的混合卷积自编码极限学习机模型取得了良好的测试准确率, 并且有效地缩减了训练时间。