全世界每年经浮选处理的矿石和物料有数十亿吨。工人依据个人经验操作浮选控制变量不仅会使浮选效果难以保证,而且会造成矿物资源、药剂和人力的浪费,增加企业生产成本,降低企业竞争力。因此,必须解决多年来选矿监控主要依赖于人工视觉的现状。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。本文借助Contourlet变换及特征点检测等图像处理技术对浮选气泡的运动特性进行分析处理,并建立这些参数与浮选指标之间的关系,结合基于模糊数学的评价方法将浮选过程中的异常情况及时反映出来。主要的研究内容包括:1、气泡谷底图像提取:针对气泡边界提取过程复杂的问题,利用Contourlet变换对浮选图像在频域进行边界提取,形成谷底图像。重点研究谷底图像的组成部分,通过改变Contourlet变换的参数对谷底图进行精确度的调整。经过参数的准确调整和去噪处理后,Contourlet变换提取出的气泡谷底图像不含亮点和暗点等难以去除的信息,并且能够尽可能保留边缘细节。该方法在节省时间的同时,为后续的关键点匹配提供更丰富的有效信息。2、气泡关键点匹配:采用改进的SIFT算法对气泡谷底图像进行关键点匹配。针对SIFT计算量大的问题,根据速度值为关键点设定不同的搜索区间。此外,谷底图像的运用能够很好地解决光噪点(气泡的亮点和暗点)被误匹配的问题,但一些难以去除的噪声(除光噪点)仍会严重影响气泡运动特征的判断。基于此,运用斜率判别法和RANSAC算法剔除噪声匹配点。RANSAC算法的优点是能够稳定的估计模型参数,但其计算量会比较大,因此,加入斜率判别法以减少RANSAC算法的计算量。3、气泡速度的提取和优化:采用基于谷点检测和Contourlet变换的方法提取浮选气泡速度的相关数据,并利用卡尔曼滤波器对浮选气泡速度数据进行优化,提供更接近真实值的数据。主要研究浮选的主要噪声源以及在浮选速度模型复杂的情况下卡尔曼滤波器的输入内容。经过卡尔曼滤波的优化,浮选气泡速度及加速度都表现出更加平稳的变化形式,更符合实际情况。4、浮选状态评判:利用浮选气泡图像速度特征的分析结果,综合浮选图像的气泡尺寸、纹理特征等参数,以模糊数学的理论方法为基础确定浮选状态。模糊综合评判的方法的使用使浮选状态客观化和数据化,且其变化过程能够被图表准确地表现出来,进而使分析结果更容易反馈为调整方案,并且容易被机器执行。