廖一鵬，陳詩媛，楊潔潔，王志剛，王衛(wèi)星

（1. 福州大學 物理與信息工程學院，福建 福州350108；2. 福建金東礦業(yè)股份有限公司，福建 三明365101）

1 引 言

浮選生產(chǎn)是工業(yè)上從礦石中提煉出金屬礦物的一種有效選礦方法，通過加入特定的化學藥劑將金屬從礦石中分離，藥劑添加的好壞直接影響最終生產(chǎn)指標的高低。目前，浮選廠主要通過人眼觀察泡沫表面狀態(tài)的變化進行相應的藥劑量調(diào)節(jié)，這種方式主觀性強且實時性差。 近年來，研究人員通過機器視覺技術提取泡沫表面特征來進行加藥狀態(tài)預測，取得了一定成果：Zhang等［1］通過分水嶺算法提取泡沫尺寸分布特征，并建立非線性預測模型實現(xiàn)加藥狀態(tài)的有效識別；Ai 等［2］提出一種基于泡沫形狀加權大小分布特征的加藥狀態(tài)預測方法，進一步提高了預測準確度；Tang 等［3］提出一種基于泡沫大小累積分布特征的加藥狀態(tài)預測方法，減少了噪聲干擾，提高了穩(wěn)定性；Li 等［4］提出一種基于泡沫圖像深度學習的加藥故障狀態(tài)檢測方法，在大數(shù)據(jù)集條件下具有較高的識別精度。以上方法主要通過提取泡沫尺寸、形態(tài)特征進行加藥狀態(tài)預測，Cao 等［5］通過試驗發(fā)現(xiàn)泡沫表面的流動特征與藥劑添加量之間有較強的相關性，在不同加藥狀態(tài)下呈現(xiàn)不同的流動特性，增加泡沫流動特征作為加藥狀態(tài)識別的驅動，將有助于提高識別精度。

目前，國內(nèi)外學者主要研究泡沫靜態(tài)特征的提取，而對流動特征提取方法的研究較少，浮選過程中泡沫時刻發(fā)生著崩塌、合并、新產(chǎn)生等變化，而且浮選槽表面霧氣大、粉塵多，采集的圖像受光照和噪聲影響大，流動特征檢測困難。陳良琴等［6］結合氣泡亮點跟蹤和相位相關法估計氣泡的流動速度，該方法采用Otsu 分割氣泡亮點，分割精度受氣泡形變和光照的影響，而且相位相關法計算獲取的是兩幀圖像的相對位移，不能精確描述泡沫的局部運動特征；WANG 等［7］將SIFT（Scale Invariant Feature Transform）算法應用到泡沫流動特征的檢測中，根據(jù)匹配結果計算流動特征，提取的流動特征在各加藥狀態(tài)下有一定的區(qū)分度，但SIFT 計算復雜，實時性不強；Nakhaei等［8-9］采用像素點跟蹤技術計算連續(xù)幀間的平均流動速度，該方法運行效率高，但是像素值在流動過程容易受噪聲和光照影響而產(chǎn)生變化，導致像素點跟蹤出錯。

Roblee 等［10］提 出 的ORB（Oriented Fast and Rotated Brief）算法具有旋轉不變性和運算效率高的優(yōu)點，適用于實時性要求高的應用場合，解決了SIFT 在實時性方面的不足，但該算法提取的特征點容易出現(xiàn)簇集現(xiàn)象，而且抗噪聲和尺度變換的能力差，有待改善。近幾年，多尺度幾何分析的發(fā)展為圖像處理領域開辟了新的研究方向 ，非 下 采 樣Shearlet 變 換［11］（NSST，Nonsubsampled Shearlet Transform）具有多尺度多方向特性，分解后的圖像具有平移不變性，而且具備運算效率高、分解方向不受限制等特質(zhì)，可將NSST 引入到ORB 算法的改進，提高算法整體的魯棒性。

鑒于上述分析，本文提出一種基于NSST 域改進ORB 算法的泡沫流動特征提取方法，并用于加藥狀態(tài)識別。在NSST 域先采用尺度相關性去除噪聲，在各個內(nèi)層通過方向模極大值檢測提取邊緣區(qū)域的興趣點，然后在本層和上下層通過非極大值抑制進一步提取特征點，解決特征點的簇集現(xiàn)象和尺度不變性。采用多尺度BRIEF（Binary Robust Independent Elementary Features）描述子對特征點進行描述，結合泡沫流動趨勢動態(tài)調(diào)整搜索的匹配區(qū)域，以提高匹配效率和精度，根據(jù)匹配結果計算泡沫流動特征。 最后，構建行列自編碼極限學習機對泡沫形態(tài)、尺寸分布特征和流動特征進行融合，然后通過自適應隨機森林算法進行加藥狀態(tài)識別。

2 NSST 域改進ORB 的流動特征提取

2.1 多尺度域噪聲去除

NSST 是對剪切波變換的優(yōu)化改進［11］，去掉了下采樣環(huán)節(jié)使圖像具有平移不變性和抑制偽吉布斯效應，泡沫圖像通過k 級分解，得到1個低頻圖像和k 個不同尺度的高頻子帶圖像，各高頻子帶圖像可再分解為多個方向子帶，且所有分解圖像大小相同。泡沫圖像的3 級NSST 多尺度分解如圖1 所示，分解后的低頻子帶保留泡沫的輪廓信息，而泡沫紋理、邊緣細節(jié)和噪聲點被分解到各高頻方向子帶，可在多尺度高頻子帶進行噪聲去除和特征點檢測。

圖1 泡沫圖像NSST 多尺度分解Fig. 1 Foam image NSST multiscale decomposition

泡沫圖像在光源的作用下，每個氣泡表面呈現(xiàn)高亮區(qū)，流動過程中受光照影響大，而氣泡邊緣像素點受光照影響小，可將NSST 域多尺度邊緣帶作為特征點檢測區(qū)域，以減少光照影響，同時解決特征點的簇集現(xiàn)象。在進行邊緣系數(shù)檢測前，先進行噪聲去除處理，隨著分解尺度的加深，噪聲系數(shù)在尺度間是弱相關的，會迅速衰減，邊緣系數(shù)強相關而保持穩(wěn)定［12］，可根據(jù)尺度間系數(shù)相關強弱將噪聲點從邊緣中分離。定義像素點( i，j ) 在k 尺 度l 方 向 子 帶 上 的 系 數(shù) 為clk( i，j )，尺 度 相 關 系 數(shù) 為Corrkl(i，j)，K個 尺 度 間 的 系 數(shù)為 第k尺 度 上 第l方 向 子 帶的 系 數(shù) 能 量 ，是 歸 一 化 處 理 ，則 像 素 點(i，j) 的 尺度相關系數(shù)為：

如果該點的原系數(shù)大于尺度相關系數(shù)，則該點為噪聲點，將該系數(shù)值置零，否則系數(shù)值保持不變：

2.2 改進ORB 特征點檢測方法

為保證尺度不變性，在NSST 域對ORB 特征點檢測方法進行改進，借鑒BRISK（Binary Robust Invariant Scalable Keypoints）［13］特 征 點 檢 測方法，特征點檢測在尺度空間上進行，把NSST多尺度高頻子帶分為多個內(nèi)層和外層，在各個內(nèi)層的邊緣區(qū)域提取興趣點，然后在本層和上下層通過非極大值判斷進行特征點檢測：計算內(nèi)層上(i，j) 點在各個方向分量的模值，假設l方向的模值mod [clk(i，j) ] 最大，以該點為中心，計算半徑為3 的圓上16 個系數(shù)點在l方向的模值，如果16個模值至少有9 個的值小于mod [clk(i，j) ]，則該點為潛在的興趣點。然后該興趣點在本層和上下層通過非極大值抑制進行特征點判斷，同層中該點的l方向的模值mod [clk(i，j) ]必須要大于其余八鄰域中的點，上下層對應的2×9 個點的l方向的模值也必須小于mod [clk(i，j) ]，特征點P(i，j)的檢測公式如式（3）所示：

其中：m∈[-1，1 ]，n∈[-1，1 ]。

2.3 多尺度BRIEF 特征描述方法

為使特征點描述具有旋轉不變性，必須先規(guī)定特征點的主方向，ORB 將特征點與鄰域質(zhì)心的夾角定義為主方向［14］，特征點鄰域圖像矩定義為：

其中：I(i，j)為像素點(i，j)的灰度值，mpq為p+q階矩。特征點鄰域圖像質(zhì)心為：

特征點與質(zhì)心的夾角為特征點的主方向：

獲取特征點主方向后，本文采用多尺度系數(shù)進行特征描述，在特征點周圍選取M對隨機點，將M對隨機點旋轉σ 角度后，對每對點的低頻子帶梯度以及高頻子帶系數(shù)進行比較，將比較結果組合起來作為描述子，定義比較準則：

其中：I(a) 和I(b) 為隨機點對a和b的低頻子帶梯度，P(a) 和P(b) 為全方向的K個尺度系數(shù)乘積之和。通過M對隨機點的比較，構成M維的二進制特征描述子：

2.4 結合運動趨勢的特征點匹配

每個特征點對應的描述符B均為M位的二進制比特串，匹配時采用異或操作計算對應描述符B1和B2之間的漢明距離HD，用于衡量兩個特征點間的近似度，值越大代表相似度越小，反之越大：

浮選槽表面的泡沫受刮板的作用其流動方向和速度在短時間內(nèi)相對穩(wěn)定，相對于前一幀圖像中的特征點，后一幀圖像的匹配點應落于沿泡沫流動方向的一定范圍內(nèi)，可根據(jù)這特性縮小匹配的搜索區(qū)域，假設vx和vy分別為前兩幀圖像所有匹配點的水平速度和豎直速度的均值，其合成速度為v。定義搜索區(qū)域為以當前特征點p為圓心，以r為半徑的圓，搜索區(qū)域的半徑公式為：

其中：nr為區(qū)域擴大系數(shù)，初始值為1，在搜索區(qū)域中找到與該點漢明距離最近的關鍵點p1和近次的關鍵點p2，并將p1，p2與p 的漢明距離分別記為HD1和HD2，如果滿足HD1/ HD2＜0.5，則接受p1為匹配點，反之依據(jù)式（11）循環(huán)擴大搜索范圍直至找到匹配點或搜索至全圖。最后計算匹配點對間線段的長度和斜率，將一定長度和斜率范圍的點作為RANSAC［15］內(nèi)點，剔除誤匹配點，提高匹配精度。

2.5 泡沫流動特征計算

假設時間間隔為△t 的連續(xù)兩幀圖像It和It+1共有N 對匹配點，它們在It和It+1的位置分別水平流動速度vnx和垂直流動速度vny，通過式（13）計算平均水平流動速度vx和平均垂直流動速度vy：

通過式（14）計算當前的泡沫平均流動速度和方向，假設前一時刻檢測的水平流動速度為vx′，垂直流動速度為vy′，通過式（15）計算當前的水平流動加速度ax和垂直流動加速度ay，通過式（16）計算流動速度和方向的無序度，-v 和方向-θ為前一段時間的平均流動速度和方向。

假設攝像機鏡頭到目標物體的物距為S，鏡頭焦距為f，攝像機的光學放大倍率為μ，焦距和物距的關系為：

式中：vT為泡沫表面流動速度實際值，由此可推出泡沫流動速度與攝像機高度及鏡頭焦距的關系式為：

3 浮選加藥狀態(tài)識別

根據(jù)精礦品位和尾礦品位的等級，將浮選加藥狀態(tài)分為正常、過量、欠量、故障等4 種狀態(tài)［4］。泡沫表面的形態(tài)、尺寸分布特征是加藥狀態(tài)評判的重要依據(jù)，研究發(fā)現(xiàn)泡沫表面流動特征與藥劑添加狀態(tài)也有較強的相關性［5］，本文綜合考慮兩類特征作為加藥狀態(tài)評判的依據(jù)。黃凌霄等［16］在多尺度域提取泡沫的亮點個數(shù)、平均面積、標準差、橢圓率和分形維數(shù)作為等效形態(tài)、尺寸特征，提取的特征與泡沫類別的相關性較高，本文采用這5 個特征作為泡沫表面的形態(tài)、尺寸分布特征，結合提取的6 個流動特征作為加藥狀態(tài)評判的依據(jù)。

隨機森林（Random Forest，RF）［17］是基于多決策樹的集成學習算法，對異常值不敏感，抗噪聲能力強，具有很好的分類性能。為了提升決策樹的多樣性，降低樹之間的相似性，避免產(chǎn)生過擬合現(xiàn)象，先對形態(tài)、尺寸分布特征和流動特征進行融合和維度擴展。自編碼極限學習機［18］令輸入與輸出相等，通過前饋神經(jīng)網(wǎng)絡來完成高層次的特征提取，具有較高的特征抽取和學習能力：

式中：β 是隱含層和輸出層間的連接權值矩陣，X表示與輸入相等的輸出值，H 表示隱層單元的輸出矩陣。隨機生成輸入與隱層間的權重和偏置可得隱層輸出矩陣H，通過式（20）求得輸出權重矩陣β：

經(jīng)過訓練后，隱層節(jié)點H 的輸入是輸出權重的轉置βT，通過式（21）對原始特征進行高維特征抽取：

為實現(xiàn)特征融合和高維擴展，如圖2 所示，先通過兩個自編碼極限學習機分別對形態(tài)、尺寸分布特征和流動特征進行學習和抽取，得到N1維特征向量H1和N2維特征向量H2，然后通過式（22）將向量H1和向量H2的轉置進行叉乘，將兩類特征融合在一起，得到N3（N3= N1× N2）維特征向量E，有助于擴大不同決策樹間樣本采樣和特征選取的差異程度，提升決策準確率。

隨機森林采用有放回抽樣的方式隨機從訓練樣本中抽取Nt個樣本子集建立Nt棵決策樹，在決策樹的創(chuàng)建過程中，從所有特征中隨機選取比例為Pm的特征變量創(chuàng)建決策樹，Nt和Pm在模型中都是超參數(shù)，不同組合對最終的分類效果產(chǎn)生重要影響。本文以測試樣本集的識別精度作為適應度，采用量子菌群算法［19］對兩個超參數(shù)進行優(yōu)化。浮選加藥狀態(tài)識別的具體步驟如下：

Step 1：采集不同加藥狀態(tài)下浮選槽表面的泡沫圖像，并將視頻圖像分類存儲。

Step 2：對不同加藥狀態(tài)下的泡沫視頻圖像，在NSST 域提取泡沫的6 個等效形態(tài)、尺寸分布特征，以及5 個流動特征。

Step 3：對不同加藥狀態(tài)下視頻圖像提取的等效形態(tài)、尺寸分布特征和流動特征，分別通過自編碼極限學習機進行學習和抽取，然后將兩組特征行列矩陣相乘進行特征融合，創(chuàng)建樣本數(shù)據(jù)集。

Step 4：通過樣本數(shù)據(jù)集訓練隨機森林多分類器，并采用量子菌群算法［19］對Nt和Pm兩個超參數(shù)進行自適應優(yōu)化。

Step 5：實時采集浮選槽表面的泡沫圖像，提取泡沫的形態(tài)、尺寸分布特征和流動特征，然后通過行列自編碼極限學習機對特征進行抽取和融合，最后采用訓練的自適應隨機森林進行決策分類。

4 實驗結果與分析

為驗證本文方法的性能，以福建金東礦業(yè)股份有限公司的鉛礦浮選槽作為實驗對象，在精選槽泡沫表面溢流口上方80 cm 處安裝工業(yè)CCD攝像機及光源，實驗硬件平臺為Intel（R）Core（TM）i7-9700 CPU@3 GHz ，8 GB（RAM），軟件運行環(huán)境為Windows 7 Matlab 2014a。

4.1 NSST 域ORB 算 法 改 進 效 果

在NSST 域進行ORB 算法改進實驗，并與SIFT 算法、ORB 算法的實驗結果比較，結果如圖3 所示。抽取間隔△t=0. 5 s 的連續(xù)兩幀256×256 圖像It和It+1，NSST 分解得到1 個低頻圖像和5 個尺度高頻子帶，把第2，4 尺度高頻子帶定為內(nèi)層，而第1，3，5 尺度高頻子帶定為外層。兩個內(nèi)層提取的特征點如圖3（b），（c），（f）和（g）所示，融合后得到特征點檢測結果如圖3（d）和（h）所示，大部分特征點都均勻分布在泡沫邊緣區(qū)域，有效解決了簇集現(xiàn)象。對各特征點采用多尺度BRIEF 描述子進行特征描述，并結合前兩幀圖像檢測的流動速度（33. 99 pixel/s）和方向（21. 54°）動態(tài)調(diào)整搜索的匹配區(qū)域，匹配結果如圖3（i）所示，因循環(huán)擴大搜索的匹配范圍而出現(xiàn)了誤匹配點，通過RANSAC 算法進一步剔除了所有誤匹配點。傳統(tǒng)SIFT 算法的檢測結果如圖3（k）所示，匹配點對較多且分布均勻，但出現(xiàn)了誤匹配點。傳統(tǒng)ORB 算法的檢測結果如圖3（l）所示，匹配點對較少且簇集，也出現(xiàn)了少量誤匹配點。

為驗證本文改進ORB 算法的抗噪聲和尺度變換性能，分別對100 對疊加均值為0、不同方差的高斯白噪聲圖像和100 對不同尺度比例的圖像進行匹配實驗，并與近年所提出的改進SIFT［20］和ORB［14］算法進行結果比較分析，平均匹配精度（正確匹配點對數(shù)與總匹配點對數(shù)的比率）和運行時間如表1 所示，在噪聲方差為10%、尺度比為1∶2 情況下：改進的SIFT 較原SIFT 的運算時間較少了一半，抗噪聲和尺度變換性能較好，平均匹配精度較高，但是運算效率有待進一步提高；改進的ORB 算法的抗噪聲和尺度變換性大大提升，而且保持較高的運算效率；本文改進ORB 算法的抗噪聲和尺度變換能力大大提升，抗噪聲性能優(yōu)于改進的SIFT 和ORB 算法，抗尺度變換性能與改進SIFT 相當，但是運算效率高于改進的SIFT 算法。當噪聲方差增加到30%、尺度比增大到1∶8 情況下：3 種算法的匹配性能都大幅度下降，但是本文改進ORB 算法保持高于85% 的匹配精度，具有較優(yōu)的抗噪聲和尺度變換能力。

圖3 改進ORB 的實驗結果及比較Fig. 3 Improved ORB algorithm experimental results and comparison

表1 匹配精度及運行時間比較Tab. 1 Comparison of matching accuracy and running time

4.2 流動特征提取性能及比較

為驗證本文流動特征檢測的精度，從采集的圖像庫中，人工截取實際位移為（20，20）的兩幀256×256 圖像It和It+1進行仿真實驗，計算速度大 小v、方 向θ、相 對 誤 差Ev=|v-v0|/v0×100% 和Eθ=|θ-θ0|/θ0× 100%（v0和θ0為 實際值），以及運行時間，并與現(xiàn)有文獻方法進行比較分析，實驗結果如圖4 所示，結果數(shù)據(jù)統(tǒng)計如表2 所示：文獻［6］方法的實驗結果如圖4（f），對大津閾值分割的氣泡圖像進行相位相關計算，運算效率高，但獲取的是兩幀圖像的整體相對位移，檢測精度低；文獻［7］方法的匹配結果和速度矢量圖如圖4（g）所示，速度矢量圖上的帶箭頭線段代表各個特征點的速度矢量，檢測范圍廣且分布均勻，但是SIFT 算法的運算效率低。文獻［8-9］方法的像素跟蹤結果和速度矢量圖如4（h）所示，跟蹤錯誤率低、檢測效率高，但是跟蹤點較少、分布不均勻。本文方法的實驗結果如圖4（e）所示，匹配點多且分布較為均勻，Ev=0. 012 0%，Eθ=0. 045 3%，檢測精度高，而且運算效率較文獻［7］方法有較大提高。

表2 特征檢測結果及比較Tab. 2 Feature detection results and comparison

為驗證本文方法的抗噪聲和光照影響的性能，對圖像疊加均值為0、方差為20% 的高斯白噪聲，如圖5（a）和（b）所示，對It+1通過伽馬校正進行亮度非線性調(diào)整，如圖5（c）所示。采用不同方法對兩種圖像進行實驗，結果如圖5（d）～圖5（g）所示，數(shù)據(jù)統(tǒng)計如表2 所示：文獻［6］方法的功率譜峰值圖如5（d）所示，獲取的是兩幀圖像的整體相對位移，運算效率高，但氣泡分割結果受噪聲和光照變化影響大，導致檢測精度不高；文獻［7］方法的速度矢量圖如5（e）所示，檢測范圍廣且分布均勻，抗噪性能好，但是運算效率低，光照影響下的檢測精度不高；文獻［8-9］方法的像素跟蹤矢量圖如5（f）所示，檢測效率高，但是跟蹤點較少、分布不均勻，在噪聲和光照變化的干擾下跟蹤容易出錯，導致檢測精度低。本文方法的結果如圖5（g）所示，匹配點多且分布均勻，在噪聲和光照變化影響下匹配點減少但分布均勻，相對誤差Ev和Eθ都較小，仍然保持較高的檢測精度，抗噪聲和光照影響能力強。

圖4 特征檢測效果及比較Fig. 4 Feature detection effect and comparison

圖5 抗噪聲和光照影響性能Fig. 5 Noise and light resistance affect performance

4.3 浮選加藥狀態(tài)識別

為了使相機鏡頭不受其氣泡飛濺礦漿的影響，浮選表面離相機鏡頭的距離為80 cm，匹配鏡頭為CMP 百萬級工業(yè)鏡頭M0814-MP，調(diào)節(jié)鏡頭的焦距位8 mm。 采集鉛礦精選槽在正常加藥、欠量、過量、故障等4 種狀態(tài)下的泡沫視頻圖像，然后進行泡沫形態(tài)、尺寸分布特征和流動特征提取，以平行刮板轉軸的方向為X軸方向、流溢口的方向為Y軸方向，實驗結果如圖6 所示：正常加藥下泡沫流動速度保持在20～50 pixel/s 之間且變化緩慢，流動方向為75°～100°，大部分朝著流溢口的方向流動，加速度較小且變化不大，流動速度和方向有一定無序度；加藥過量下泡沫流動速度處在5～25 pixel/s，流動緩慢且曲線呈現(xiàn)周期性的上下波動，流動方向穩(wěn)定在90°附近，加速度較小且波動不大，但速度呈現(xiàn)極大的無序性；欠藥量下泡沫流動速度在40～60 pixel/s 之間且上下波動較大，流動方向穩(wěn)定在70°左右，加速度較大且變化幅度大，速度和方向的無序度小；故障狀態(tài)下泡沫流動速度在50～70 pixel/s之間，流動快且上下波動較大，流動方向在50°～70°之間來回變化，加速度較大且變化幅度大，流動方向呈現(xiàn)較大的無序性。實驗數(shù)據(jù)表明：提取的流動特征與實際加藥狀態(tài)下的泡沫流動趨勢吻合，實現(xiàn)了流動特征的定量描述，能準確表征各加藥狀態(tài)下泡沫的流動特性，且在各狀態(tài)下具有一定的區(qū)分度，可作為加藥狀態(tài)預測的有效特征。

圖6 不同加藥狀態(tài)下的流動特征提取結果Fig. 6 Extraction results of flow characteristics under different dosing states

采集4 種加藥狀態(tài)下各2 500 組泡沫圖像，其中2 000×4 組作為訓練集，其他500×4 組作為測試集，提取各組圖像的5 個形態(tài)、尺寸分布特征和6 個流動特征，然后通過行列自編碼極限學習機對這些特征學習和抽取，設置自編碼極限學習機的隱含節(jié)點與輸入節(jié)點數(shù)相同（N1=6，N2=5），兩組特征行列矩陣相乘后得到30 維的特征向量。為驗證本文行列自編碼極限學習機的性能，分別采用原始的11 個特征和融合后的30 個特征對隨機森林進行訓練和測試，參數(shù)Nt取值范圍：100～900，Pm取值范圍：0. 1～0. 9，在取值范圍內(nèi)調(diào)整兩個參數(shù)進行實驗，兩種方法的測試準確率曲面圖如圖7（a），（b）所示：本文通過行列自編碼極限學習機的特征學習和抽取，將兩類特征進行融合及維度擴展，有助于擴大不同決策樹間樣本采樣和特征選取的差異程度，避免產(chǎn)生過擬合現(xiàn)象，整體準確率大大提升，分類精度受Nt和Pm的影響而產(chǎn)生的波動小，穩(wěn)定性好。 為驗證本文加藥狀態(tài)識別效果，訓練過程中采用量子菌群算法自適應獲取隨機森林算法的最優(yōu)參數(shù)Nt=503，Pm=0. 6，各加藥狀態(tài)的識別結果如表3 所示，本文方法能有效識別4 種不同的加藥狀態(tài)，平均識別準確率達到97. 85%。

圖7 測試準確率曲面圖Fig. 7 Surface diagram of test accuracy

表3 加藥狀態(tài)識別結果Tab. 3 Identification results of dosing status

為驗證本文方法抗噪聲和光照變化影響性能，對測試集圖像疊加均值0、方差5% ～40% 的高斯白噪聲，采用伽馬校正對圖像非線性亮度調(diào)整模擬光照變化影響，測試結果如表4 所示：當高斯白噪聲方差＜25% 時，保持較高的識別精度，抗噪聲性能好；當伽馬校正系數(shù)在0. 8～1. 3 之間，保持較高的識別精度，抗光照變化影響能力強；當噪聲方差＞40% 時，或伽馬校正系 數(shù)＞1. 5、＜0. 7 時，泡沫形態(tài)、尺寸和流動特征檢測誤差大而導致識別精度急劇下降。

表4 噪聲與光照變化測試結果Tab. 4 Test results of noise and light change

為進一步驗證本文方法的優(yōu)勢，采用相同的數(shù)據(jù)集對現(xiàn)有文獻方法進行試驗，統(tǒng)計各方法的平均識別精度、標準差以及平均運行時間，實驗結果如表5 所示：文獻［1］采用分水嶺分割方法提取泡沫大小分布特征，建立Hammerstein-Wiene非線性模型對泡沫加藥狀態(tài)進行預測，運算效率高，識別精度達到90% 以上，但是提取的特征單一，且識別精度受分割精度影響大，識別精度有待進一步提高，穩(wěn)定性差；文獻［2］采用形狀加權大小分布來表征泡沫特征，通過最小二乘支持向量機對泡沫加藥狀態(tài)進行識別，進一步提高了識別精度，標準差也較??；文獻［3］基于時間序列圖像提取泡沫大小累積分布特征，采用形狀加權大小分布來表征泡沫特征，建立XGBoost 非線性模型實現(xiàn)泡沫加藥狀態(tài)識別，具有較高的識別精度，穩(wěn)定性好，但是運算效率低；文獻［4］構建CNN 網(wǎng)絡提取泡沫圖像特征，通過訓練的SVM進行浮選加藥狀態(tài)判別，大規(guī)模數(shù)據(jù)集訓練下具有較高的識別率，但是在等同的小樣本數(shù)據(jù)集下識別精度較低；本文方法的流動特征提取精度高，構建行列自編碼極限學習機對泡沫形態(tài)、尺寸分布特征和流動特征進行融合，然后通過自適應隨機森林對加藥狀態(tài)識別，擴大了決策樹間樣本采樣和特征選取的差異程度，泛化性能好，平均識別率達97. 85%，標準差為1. 01%，識別精度和穩(wěn)定性較文獻［1，2，4］方法有較大提升，與文獻［3］方法的識別精度相當，但提高了運算效率。

表5 不同方法的識別效果Table 5 Recognition effect of different methods

5 結 論

本文提出了一種基于NSST 域改進ORB 算法的泡沫流動特征提取及加藥狀態(tài)識別方法。對各高頻方向子帶采用尺度相關性去除噪聲系數(shù)，有效提高了算法的抗噪性能。在多尺度域結合方向模極大值檢測和非極大值抑制在邊緣區(qū)域提取特征點，采用多尺度BRIEF 描述子對特征點描述，解決了特征點的簇集現(xiàn)象和尺度不變性，使特征點描述具有旋轉不變性，改進的ORB算法的抗噪聲和尺度變換性能增強。構建行列自編碼極限學習機對泡沫形態(tài)、尺寸分布特征和流動特征進行融合，然后通過自適應隨機森林對加藥狀態(tài)識別，擴大了決策樹間樣本采樣和特征選取的差異程度，以減少過擬合現(xiàn)象，提升決策準確率。本文方法實現(xiàn)了泡沫流動特征的定量描述，受噪聲和光照影響小，檢測精度和運算效率較現(xiàn)有方法有較大提高，能準確地表征不同加藥狀態(tài)下泡沫表面的流動特性，并應用于加藥狀態(tài)識別，平均識別精度達97. 85%，較現(xiàn)有文獻方法有較大提升，為后續(xù)的加藥量優(yōu)化控制奠定基礎。