[發(fā)明專利]基于NSST形態(tài)特征及深度KELM的浮選加藥異常檢測方法

有效

• 申請?zhí)枺?/td>: 201910573323.2
• 申請日: 2019-06-28
• 公開（公告）號: CN110287975B
• 公開（公告）日: 2022-05-13
• 發(fā)明（設計）人: 廖一鵬;鄭紹華;楊潔潔
• 申請（專利權）人: 福州大學
• 主分類號: G06V10/40
• 分類號: G06V10/40;G06N20/00
• 代理公司: 福州元創(chuàng)專利商標代理有限公司 35100
• 代理人: 陳明鑫;蔡學俊

1.一種基于NSST形態(tài)特征及深度KELM的浮選加藥異常檢測方法，其特征在于，包括如下步驟，

步驟S1、采集不同加藥狀態(tài)下的氣泡圖像作為圖像庫，并從浮選廠化驗室獲取對應的實際加藥量；

步驟S2、對圖像庫的氣泡圖像進行NSST多尺度分解，提取多尺度形態(tài)特征，將多尺度形態(tài)特征作為輸入，對應的加藥量作為輸出，訓練深度核極限學習機；

步驟S3、將深度核極限學習機中的自編碼器層數k、懲罰系數C和核函數σ進行量子比特編碼操作，以浮選加藥異常檢測的準確率當作適應度函數，通過量子旋轉門更新種群，選出一組深度核極限學習機的最優(yōu)參數，建立浮選加藥異常檢測模型；

步驟S4、實時采集浮選表面的氣泡圖像，對氣泡圖像進行NSST多尺度分解，得到低頻子帶圖像和多尺度高頻子帶圖像；

步驟S5、采用二值化方法提取低頻子帶圖像的亮點，計算各個亮點的個數、面積、標準差和橢圓率，計算各尺度高頻子帶系數的分形維數、均值和方差，獲取氣泡圖像的多尺度形態(tài)特征；

步驟S6、建立基于自適應深度核極限學習機的浮選加藥異常檢測模型，將多尺度形態(tài)特征作為輸入，輸出識別三種加藥狀態(tài)，所述三種加藥狀態(tài)包括正常加藥、欠藥量異常、過藥量異常；

所述步驟S3的具體實現過程如下：

步驟S31、種群Q(t₀)按照小生境協同進化策略實現初始化，通過對自編碼器層數k、懲罰系數C和核函數σ實行量子比特編碼，產生對應的染色體；

步驟S32、確定適應度函數，以浮選加藥異常檢測的準確率當作適應度函數；

步驟S33、測量初始化種群Q(t₀)中的所有個體，以此獲取一組解集P(t₀)；調用深度極限學習機模型進行訓練，按照適應度函數對P(t₀)中的每一個解的適應度完成評估；記下最優(yōu)結果；若滿足結束條件則轉步驟S35，否則進行步驟S34；

步驟S34、測量種群Q(t)中的所有個體，產生一組解集P(t)；評估P(t)中的各個解的適應度；種群個體通過自適應量子旋轉門U(t)操作更新，以此產生下一代種群Q(t+1)；記下最優(yōu)結果，并將進化代數g加1，直到滿足循環(huán)終止條件，則轉步驟S35，否則接著計算；

步驟S35、將最終獲取的三個參數最優(yōu)值賦給深度核極限學習機，建立浮選加藥異常檢測模型。

2.根據權利要求1所述的基于NSST形態(tài)特征及深度KELM的浮選加藥異常檢測方法，其特征在于，所述步驟S2中，對圖像庫的氣泡圖像進行NSST多尺度分解，提取多尺度形態(tài)特征的具體實現過程如下：

(1)低頻子帶尺寸和形狀特征提取

對氣泡圖像進行NSST分解后得到的低頻子帶圖像，采用最大類間方差得到最佳的分割閾值，對低頻子帶圖像進行二值化以提取各個氣泡的亮點，然后對亮點圖像進行尺寸計算及形狀特征計算；假設二值圖像中包含N個氣泡亮點，其中每一個亮點的面積各自表示成S₁，S₂，…S_N，則亮點的面積平均值、方差分別為：

區(qū)域的橢圓率是區(qū)域形狀的重要描述，若將一個區(qū)域和一個等效橢圓對應起來，等效橢圓的焦距c和長半軸a，則區(qū)域的橢圓率為：

對于灰度均勻的區(qū)域，橢圓率越大，則區(qū)域形狀越接近橢圓形，以此用來區(qū)分橢圓形亮點居多的粘性氣泡、正常氣泡及水化氣泡；

(2)高頻子帶形態(tài)特征提取

對氣泡圖像進行NSST分解后得到的高頻子帶圖像，提取出浮選氣泡各個高頻子帶圖像中的均值、方差和分形維數，將這三個參數作為浮選氣泡圖像的高頻尺度形態(tài)特征；

假設氣泡高頻子帶圖像的尺寸為Q×Q，其中圖像像素點(m,n)的灰度值為f_m,n∈[0,1,···255]；通過下述兩個公式各自計算出浮選氣泡高子帶頻圖像每一尺度中對應灰度值的平均值和方差：

選取差分盒維法來完成高頻子帶圖像中分形維數的計算，在不同的度量尺度r下，分別計算出該尺度下對應的盒子數N_r，對該組數據進行最小二乘法線性回歸擬合，得到的斜率即為分形維數D，分形維數表示為：

3.根據權利要求1所述的基于NSST形態(tài)特征及深度KELM的浮選加藥異常檢測方法，其特征在于，所述步驟S2中，將多尺度形態(tài)特征作為輸入，對應的加藥量作為輸出，訓練深度核極限學習機的具體實現過程如下：

極限學習機在訓練過程中，只要輸入層與隱含層間的連接權值ω和隱含層神經元的偏置b被選定，就能夠保證得到的隱含層輸出矩陣H是唯一的，進而整個學習過程即為求解線性系統(tǒng)Hβ＝T，故隱含層和輸出層間的連接權值β通過下式進行計算：

H⁺的求解方式使用正交投影法進行計算矩陣H的廣義逆，得：

H⁺＝H^T(HH^T)^-1

按照嶺回歸理論，在HH^T對角線上加一個正數

極限學習機的輸出函數表示為：

上式中：I為對角矩陣；C為懲罰系數；為了消除隱含層函數不確定所帶來的影響，通過核函數替換HH^T，根據Mercer條件來定義核矩陣：

因此，核極限學習機的輸出表達式為：

而后，采用多層的極限學習機自編碼器作為深度學習網絡，在核極限學習機KELM輸入之前加入深度學習網絡，構建深度核極限學習機。