浮选气泡表面视觉特征是浮选工况和工艺指标的直接指示器。在实际矿物分选生产中,浮选气泡表面视觉特征依靠人工观察,主观性强、误差大、效率低。这样无法实现浮选状态的客观评价,进而造成生产成本的增加。随着计算机的飞速发展,数字图像处理技术越来越多地被应用于浮选自动化监控研究中。本文借助非下采样Contourlet变换及二值化等图像处理技术对浮选气泡的多尺度特征进行分析处理,并建立这些参数与浮选工况之间的关系,结合改进核极限学习机(KELM)模型识别浮选生产工况。主要的研究内容包括:1、浮选气泡图像预处理:针对气泡特征提取不准确的问题,利用非下采样Contourlet变换对浮选气泡图像进行多尺度分解,形成一个低频子带和多个高频子带图像。重点研究高低频子带图像的组成部分,通过改变非下采样Contourlet变换的参数对浮选气泡图像信息的多尺度分布进行调整。低频子带图像进行增强处理后,改善了明暗度且突出亮点信息。高频子带图像进行去噪处理后,去除亮点边缘噪声且尽可能保留气泡边缘细节。该方法可以为后续的多尺度特征提取提供更丰富的有效信息。2、浮选气泡图像多尺度特征提取:针对浮选气泡图像信息的多尺度分布情况,先利用二值化方法对低频子带图像和高频子带尺度一图像进行亮点提取,接着对亮点图像提取出气泡等效尺寸和形态特征,并提取高频子带中的均值、方差和分形维数等纹理特征。然后对多尺度特征进行分析,表明浮选气泡的状态识别不能依靠单一的某个特征,需要结合多个图像特征。最后通过与传统特征完成对比实验,结果表明本文提出的非下采样Contourlet多尺度特征预测准确性更高和跟踪变化趋势的能力更强。3、评判模型的建立:针对极限学习机存在的学习参数随机选取而影响其稳定性和泛化能力的问题,提出基于KELM建立图像类别评判模型。为了解决KELM的学习参数敏感性问题,利用改进的量子遗传算法来优化KELM的学习参数。利用UCI数据库中的数据集进行检验改进KELM模型的评判性能。实验结果表明相比较其他模型,改进KELM模型的识别效果有所提高。因此,将新模型应用在浮选工况评判时具有更大的优势。4、浮选工况评判:针对浮选气泡图像数据存在异常的问题,则对数据进行剔除和规格化等预处理操作。通过得到的正常数据进行训练建立改进KELM评判模型,并采用建立的模型对测试集进行识别与分析。最终通过实验对比证明本文提出的模型提高了浮选工况识别率。