基于多尺度卷积神经网络和LBP算法的浮选工况识别

作者：蒋小平; 刘俊威; 王乐乐; 雷震彬; 胡明振

来源：矿业科学学报, 2022, 1-11.

DOI：10.19606/j.cnki.jmst.2023.02.008

• 图像处理
• 卷积神经网络
• 非下采样Shearlet变换
• 局部二值模式
• 随机权神经网络

针对泡沫浮选加药状态检测困难、识别效率低和主观性强等问题,提出了一种结合多尺度巷积神经网络（CNN）特征及改进局部二值模式（LBP）计算方法的核随机权神经网络（K-RVFLNs）浮选工况识别方法。首先,对泡沫浮选图像进行非下采样Shearlet多尺度分解,将原始图像分解为不同频率尺度,设计多通道CNN网络对多尺度图像进行特征提取;再通过改进LBP算法提取特征作为补充,将CNN提取的图像特征与LBP特征进行融合;最后,通过核随机权神经网络映射到更高维空间进行分类决策,实现浮选加药状态的精确识别。实验结果表明,采用多尺度CNN及LBP-TOP特征融合的方法识别的精度比传统LBP算法提高了5.34%,比采用单CNN特征的方法提高了3.76%,结合K-RVFLNs实现浮选工况分类准确率高达96.38%,识别精度和稳定性较现有方法有较大提升,且减少了人工干预,有利于提高生产效率。

• 单位
  中国矿业大学（北京）; 广西华锡集团股份有限公司