一种基于深浅层特征融合的浮选过程工况识别方法

本技术涉及泡沫浮选，具体公开了一种基于深浅层特征融合的浮选过程工况识别方法。

背景技术：

1、泡沫浮选是矿物富集的主要工艺，其通过给浮选槽内通入空气，在浮选机叶轮的搅拌与切割下生成大量的气泡，疏水性强的有价矿物单质粘附于气泡上并上浮形成泡沫层，并通过溢流得到高品位的精矿产品。观察泡沫形态，颜色、纹理和尺寸等浅层特征来对浮选过程工况进行识别，进而调节空气鼓入量等操作参数是过程优化控制的主要途径。但提取的纹理、尺寸等浅层特征不一定能完全准确描述浮选过程的运行状态，制约优化控制效果。因此，有效提升浮选过程的工况识别性能势在必行；

2、随着深度学习技术的不断发展，可基于深度学习网络对复杂工业过程进行深层特征提取，并用于过程工况识别，取得了很好的应用效果。因此，浅层特征、深层特征是复杂工业过程工况识别的两类主要特征。在示例[1]中，研究人员设计了基于浅层特征的浮选过程工况识别方法，其核心算法为最小二乘支持向量机(least square support vectormachine)，属于经典的机器学习方法。具体而言，研究人员针对浮选过程工况识别问题，首先，基于颜色值、概率密度函数、非参数核密度估计等分析方法提取了泡沫纹理、尺寸等浅层特征。在此基础上，建立了稀疏多核最小二乘支持向量机的分类模型，从而实现工况识别；

3、示例[1]：mingfang he,chunhua yang,xiaoli wang,et al.nonparametricdensity estimation of froth colour texture distribution for monitoringsulphur flotation process[j].minerals engineering,2023,53:203-212.

4、目前存在的问题：示例[1]所给出的估计方法存在一定的局限性。方法泡沫纹理、尺寸特征提取方法都是基于一些常规的统计量对纹理和尺寸进行描述，难以完整准确地表征各工况下泡沫图像的局部差异。另外，提取的浮选泡沫图像浅层特征不够细致全面，且具有较多的冗余信息和噪声信息。因此，对浅层特征进行更精细化的提取处理，同时将其和深层特征进行融合对提高工况识别性能至关重要。

5、总的来说，浅层特征较直观的反映了浮选泡沫图像的表观特征，但不一定能捕获模型需要的所有相关信息，并且还会包含过多的冗余信息和噪声信息，导致识别准确率低。另外，对于一些较复杂且表观相似的工况，浅层特征缺乏足够的细节信息来对工况进行区分，而深度神经网络可以自动地提取预测模型所需要的特征作为预测因子来对工况进行识别，与浅层特征相比，深度神经网络提取的深层特征具备更多的细节信息。因此，同时考虑浅层特征和深层特征是非常重要的。这两类特征的融合能提高描述的全面性和准确性，弥补基于单一浅层特征进行工况识别的不足。

技术实现思路

1、本发明提供一种基于深浅层特征融合的浮选过程工况识别方法，解决现有方法只提取浅层特征进行工况识别的限制，此发明能够包含更多的工况细节信息和更深层次的表征工况变化的信息，更准确地表征各工况下泡沫图像的局部差异，消除浅层特征冗余和噪声信息，从而提高浮选过程工况识别的精度。

2、为了达到上述目的，本发明提供以下基础方案：

3、一种基于深浅层特征融合的浮选过程工况识别方法，该方法依据浮选泡沫图像的表观特征与浮选工况、硫精矿品位的关联性，提出了将深浅层特征融合后送入密集连接网络决策树分类模型进行分类的浮选工况识别方法。首先，在得到浮选泡沫图像的颜色纹理和尺寸分布的基础上，利用改进的非参数核密度估计方法来对泡沫的颜色纹理分布和尺寸分布进行逼近，提取唯一变动的权系数向量，用来表征浮选泡沫图像的颜色纹理特征和尺寸特征。然后，基于密集连接网络和迁移学习的深层特征提取方法，通过实现密集连接网络模型的迁移学习有效地提取了浮选泡沫图像的深层特征。在此基础上，提出了基于串行连接堆叠自编码器的二阶段多特征融合方法对泡沫图像的颜色纹理特征，尺寸特征和深层特征进行深浅层融合降维，全面地描述特征信息，消除特征冗余和噪声信息。然后将融合后的特征送入密集连接网络决策树模型进行工况识别。

4、本基础方案的原理及效果在于：

5、1.与现有技术相比，针对现有的泡沫纹理、尺寸特征提取方法都是基于一些常规的统计量对纹理和尺寸进行描述，难以完整准确地表征各工况下泡沫图像的局部差异的问题，在得到浮选泡沫图像的颜色纹理和尺寸分布的基础上，利用改进的非参数核密度估计方法来对泡沫的颜色纹理分布和尺寸分布进行逼近，提取唯一变动的权系数向量，用来表征浮选泡沫图像的颜色纹理特征和尺寸特征。

6、2.与现有技术相比，针对提取的浮选泡沫图像特征不够细致全面的问题，提出基于密集连接网络和迁移学习的深层特征提取方法，通过实现密集连接网络模型的迁移学习有效地提取了浮选泡沫图像的深层特征。

7、3.与现有技术相比，针对提取的浮选泡沫图像特征具有较多的冗余信息和噪声信息的问题，提出了基于串行连接堆叠自编码器的二阶段多特征融合方法对泡沫图像的颜色纹理特征，尺寸特征和深层特征进行深浅层融合降维，全面地描述了特征信息，消除了特征冗余和噪声信息。然后将融合后的特征送入基于密集连接网络决策树的分类模型进行工况识别，有效地提升了工况识别的准确率。

8、进一步，在步骤s01中的颜色特征提取，把浮选现场采集到的泡沫图像根据式(1)从rgb空间转换到hsv空间；

9、式(1)：

10、其中，r、g、b分别指代表红、绿、蓝三个通道的颜色，h、s、v分别指色彩、深浅、明暗三个直观颜色特性。

11、进一步，在步骤s01中的纹理特征提取，定义纹理单元tu＝(e1…e8)，其中ei的计算如式(2)所示：

12、

13、定义ntu为纹理单元数，则由式(3)可知其范围为[0,6560]：

14、

15、假设浮选动态系统的输入为u(t)∈rm，输出为x(t)∈[a,b]，则输出x(t)在[a,b]范围的概率如式(4)所示：

16、

17、其中，u(t)是控制输入，即浮选过程中的矿浆底流流量调节值，反映在泡沫层厚度的变化上；x(t)是浮选泡沫图像的实际纹理单元数；fker(x,u)为泡沫图像的实际纹理单元分布(即纹理单元数的概率密度分布)。

18、通过式(5)可估计实际纹理单元分布：

19、

20、其中，为逼近的泡沫纹理单元分布函数，是第i个核函数，h是核函数的带宽，wi是对应于第i个核函数的权值，xi是对应于第i个核函数的x轴中心点，

21、进一步，关于颜色纹理特征提取，将摄像机采集的rgb泡沫图像按照式(1)转换到hsv颜色空间，获得了泡沫图像中每个像素点的色调h、饱和度s以及亮度v三个分量。然后对hsv空间进行非等间隔量化，h、s、v分别被量化为34级(0-33)、10级(0-9)、7级(0-6)。然后，通过式(6)构建一个新的颜色变量：

22、c＝6h+5s+2v   (6)

23、其中，c的取值范围为[0,255]。并基于式(5)获得泡沫图像颜色纹理分布。

24、进一步，关于尺寸分布特性提取：先将工业现场采集的泡沫图像转换为灰度图像；在灰度图像的基础上，分别进行形态学腐蚀和膨胀操作；以膨胀后的图像作为标记，对图像进行形态学闭重构操作；在对图像进行平滑处理以后，再结合不同精度下的距离变换及分水岭分割算法对图像进行分割。根据数理统计原理，对分割后每个区域的尺寸大小进行统计，利用每个区域的尺寸大小值的数量来描述尺寸分布。

25、进一步，在步骤s02中，具体如下：首先将泡沫图像的大小调整为512×512，然后对其进行中心裁剪操作，得到泡沫的尺寸为224×224，最后将图像进行归一化处理。接着就是将预处理完的图像数据按每批次32张样本图像随机送入预训练的densenet121模型进行训练，提取浮选泡沫图像的深层特征。通过记录全连接层的节点输出，得到了三个特征向量，维度分别为1×1000、1×512和1×4，这些特征将会用于后续工况识别的判别，通过将所得特征用于分类器模型对工况进行分类，当把1×512维的特征向量用于分类器进行工况识别时，得到的识别准确率最高，说明此时特征所包含的信息更能反映浮选过程的工况信息，因此将维度维1×512的特征向量作为浮选泡沫图像的深层特征。

26、进一步，基于串行连接-堆叠自编码器的二阶段多特征融合：将颜色纹理、尺寸等浅层特征进行融合，然后再将融合后的浅层特征与深层特征进行融合，首先将各单一特征向量进行串行连接得到具有更多图像信息的高维特征向量，然后通过堆叠自编码器将含有大量信息冗余和噪声的高维特征数据进行降维，用低维的向量表示原始数据，去除变量之间的相关性和冗余信息，通过串行连接、堆叠自编码器二阶段多特征融合方法对特征进行融合降维。

27、进一步，工况识别：基于密集连接网络决策树的工况识别的核心在于构建特定损失函数最小的决策树，考虑由n个样本组成的训练集d，d＝{(x1,y1),(x2,y2),...,(xn,yn)}，其中x表示输入，y表示标签，x中有许多属性，属性集a＝{a1,a2,…,am}，其中a表示某一个属性，m表示属性的个数。将训练集d和属性集a作为输入训练决策树模型。

28、训练决策树的关键在于如何选择最优划分属性。采用信息熵来划分属性，假定当前样本集合d中第k类样本所占的比例为pk(k＝1,2,…,y)，则d的信息熵定义由式(17)给出：

29、

30、其中ent(d)的值越小，则d的纯度越高。

31、信息增益直接以信息熵为基础，计算当前划分对信息熵所造成的变化。以属性a对样本集d进行划分所获得的信息增益如式(18)所示：

32、

33、其中，离散属性a的取值为{a1,a2,…,av,…,av}，av为属性a的第v个属性值，属性a中总共有v个属性值。信息增益越大，则使用属性a来进行划分所获得的纯度提升越大。在构建了特定损失函数最小的决策树的基础上，则可使用分类模型对浮选工况进行识别。