NSST 域改進ORB 的泡沫流動特征提取及加藥狀態識別

廖一鵬，陳詩媛，楊潔潔，王志剛，王衛星

（1. 福州大學 物理與信息工程學院，福建 福州350108；2. 福建金東礦業股份有限公司，福建 三明365101）

1 引 言

浮選生產是工業上從礦石中提煉出金屬礦物的一種有效選礦方法，通過加入特定的化學藥劑將金屬從礦石中分離，藥劑添加的好壞直接影響最終生產指標的高低。目前，浮選廠主要通過人眼觀察泡沫表面狀態的變化進行相應的藥劑量調節，這種方式主觀性強且實時性差。 近年來，研究人員通過機器視覺技術提取泡沫表面特征來進行加藥狀態預測，取得了一定成果：Zhang等［1］通過分水嶺算法提取泡沫尺寸分布特征，并建立非線性預測模型實現加藥狀態的有效識別；Ai 等［2］提出一種基于泡沫形狀加權大小分布特征的加藥狀態預測方法，進一步提高了預測準確度；Tang 等［3］提出一種基于泡沫大小累積分布特征的加藥狀態預測方法，減少了噪聲干擾，提高了穩定性；Li 等［4］提出一種基于泡沫圖像深度學習的加藥故障狀態檢測方法，在大數據集條件下具有較高的識別精度。以上方法主要通過提取泡沫尺寸、形態特征進行加藥狀態預測，Cao 等［5］通過試驗發現泡沫表面的流動特征與藥劑添加量之間有較強的相關性，在不同加藥狀態下呈現不同的流動特性，增加泡沫流動特征作為加藥狀態識別的驅動，將有助于提高識別精度。

目前，國內外學者主要研究泡沫靜態特征的提取，而對流動特征提取方法的研究較少，浮選過程中泡沫時刻發生著崩塌、合并、新產生等變化，而且浮選槽表面霧氣大、粉塵多，采集的圖像受光照和噪聲影響大，流動特征檢測困難。陳良琴等［6］結合氣泡亮點跟蹤和相位相關法估計氣泡的流動速度，該方法采用Otsu 分割氣泡亮點，分割精度受氣泡形變和光照的影響，而且相位相關法計算獲取的是兩幀圖像的相對位移，不能精確描述泡沫的局部運動特征；WANG 等［7］將SIFT（Scale Invariant Feature Transform）算法應用到泡沫流動特征的檢測中，根據匹配結果計算流動特征，提取的流動特征在各加藥狀態下有一定的區分度，但SIFT 計算復雜，實時性不強；Nakhaei等［8-9］采用像素點跟蹤技術計算連續幀間的平均流動速度，該方法運行效率高，但是像素值在流動過程容易受噪聲和光照影響而產生變化，導致像素點跟蹤出錯。

Roblee 等［10］提 出 的ORB（Oriented Fast and Rotated Brief）算法具有旋轉不變性和運算效率高的優點，適用于實時性要求高的應用場合，解決了SIFT 在實時性方面的不足，但該算法提取的特征點容易出現簇集現象，而且抗噪聲和尺度變換的能力差，有待改善。近幾年，多尺度幾何分析的發展為圖像處理領域開辟了新的研究方向 ，非 下 采 樣Shearlet 變 換［11］（NSST，Nonsubsampled Shearlet Transform）具有多尺度多方向特性，分解后的圖像具有平移不變性，而且具備運算效率高、分解方向不受限制等特質，可將NSST 引入到ORB 算法的改進，提高算法整體的魯棒性。

鑒于上述分析，本文提出一種基于NSST 域改進ORB 算法的泡沫流動特征提取方法，并用于加藥狀態識別。在NSST 域先采用尺度相關性去除噪聲，在各個內層通過方向模極大值檢測提取邊緣區域的興趣點，然后在本層和上下層通過非極大值抑制進一步提取特征點，解決特征點的簇集現象和尺度不變性。采用多尺度BRIEF（Binary Robust Independent Elementary Features）描述子對特征點進行描述，結合泡沫流動趨勢動態調整搜索的匹配區域，以提高匹配效率和精度，根據匹配結果計算泡沫流動特征。 最后，構建行列自編碼極限學習機對泡沫形態、尺寸分布特征和流動特征進行融合，然后通過自適應隨機森林算法進行加藥狀態識別。

2 NSST 域改進ORB 的流動特征提取

2.1 多尺度域噪聲去除

NSST 是對剪切波變換的優化改進［11］，去掉了下采樣環節使圖像具有平移不變性和抑制偽吉布斯效應，泡沫圖像通過k 級分解，得到1個低頻圖像和k 個不同尺度的高頻子帶圖像，各高頻子帶圖像可再分解為多個方向子帶，且所有分解圖像大小相同。泡沫圖像的3 級NSST 多尺度分解如圖1 所示，分解后的低頻子帶保留泡沫的輪廓信息，而泡沫紋理、邊緣細節和噪聲點被分解到各高頻方向子帶，可在多尺度高頻子帶進行噪聲去除和特征點檢測。

圖1 泡沫圖像NSST 多尺度分解Fig. 1 Foam image NSST multiscale decomposition

泡沫圖像在光源的作用下，每個氣泡表面呈現高亮區，流動過程中受光照影響大，而氣泡邊緣像素點受光照影響小，可將NSST 域多尺度邊緣帶作為特征點檢測區域，以減少光照影響，同時解決特征點的簇集現象。在進行邊緣系數檢測前，先進行噪聲去除處理，隨著分解尺度的加深，噪聲系數在尺度間是弱相關的，會迅速衰減，邊緣系數強相關而保持穩定［12］，可根據尺度間系數相關強弱將噪聲點從邊緣中分離。定義像素點( i，j ) 在k 尺 度l 方 向 子 帶 上 的 系 數 為clk( i，j )，尺 度 相 關 系 數 為Corrkl(i，j)，K個 尺 度 間 的 系 數為 第k尺 度 上 第l方 向 子 帶的 系 數 能 量 ，是 歸 一 化 處 理 ，則 像 素 點(i，j) 的 尺度相關系數為：

如果該點的原系數大于尺度相關系數，則該點為噪聲點，將該系數值置零，否則系數值保持不變：

2.2 改進ORB 特征點檢測方法

為保證尺度不變性，在NSST 域對ORB 特征點檢測方法進行改進，借鑒BRISK（Binary Robust Invariant Scalable Keypoints）［13］特 征 點 檢 測方法，特征點檢測在尺度空間上進行，把NSST多尺度高頻子帶分為多個內層和外層，在各個內層的邊緣區域提取興趣點，然后在本層和上下層通過非極大值判斷進行特征點檢測：計算內層上(i，j) 點在各個方向分量的模值，假設l方向的模值mod [clk(i，j) ] 最大，以該點為中心，計算半徑為3 的圓上16 個系數點在l方向的模值，如果16個模值至少有9 個的值小于mod [clk(i，j) ]，則該點為潛在的興趣點。然后該興趣點在本層和上下層通過非極大值抑制進行特征點判斷，同層中該點的l方向的模值mod [clk(i，j) ]必須要大于其余八鄰域中的點，上下層對應的2×9 個點的l方向的模值也必須小于mod [clk(i，j) ]，特征點P(i，j)的檢測公式如式（3）所示：

其中：m∈[-1，1 ]，n∈[-1，1 ]。

2.3 多尺度BRIEF 特征描述方法

為使特征點描述具有旋轉不變性，必須先規定特征點的主方向，ORB 將特征點與鄰域質心的夾角定義為主方向［14］，特征點鄰域圖像矩定義為：

其中：I(i，j)為像素點(i，j)的灰度值，mpq為p+q階矩。特征點鄰域圖像質心為：

特征點與質心的夾角為特征點的主方向：

獲取特征點主方向后，本文采用多尺度系數進行特征描述，在特征點周圍選取M對隨機點，將M對隨機點旋轉σ 角度后，對每對點的低頻子帶梯度以及高頻子帶系數進行比較，將比較結果組合起來作為描述子，定義比較準則：

其中：I(a) 和I(b) 為隨機點對a和b的低頻子帶梯度，P(a) 和P(b) 為全方向的K個尺度系數乘積之和。通過M對隨機點的比較，構成M維的二進制特征描述子：

2.4 結合運動趨勢的特征點匹配

每個特征點對應的描述符B均為M位的二進制比特串，匹配時采用異或操作計算對應描述符B1和B2之間的漢明距離HD，用于衡量兩個特征點間的近似度，值越大代表相似度越小，反之越大：

浮選槽表面的泡沫受刮板的作用其流動方向和速度在短時間內相對穩定，相對于前一幀圖像中的特征點，后一幀圖像的匹配點應落于沿泡沫流動方向的一定范圍內，可根據這特性縮小匹配的搜索區域，假設vx和vy分別為前兩幀圖像所有匹配點的水平速度和豎直速度的均值，其合成速度為v。定義搜索區域為以當前特征點p為圓心，以r為半徑的圓，搜索區域的半徑公式為：

其中：nr為區域擴大系數，初始值為1，在搜索區域中找到與該點漢明距離最近的關鍵點p1和近次的關鍵點p2，并將p1，p2與p 的漢明距離分別記為HD1和HD2，如果滿足HD1/ HD2＜0.5，則接受p1為匹配點，反之依據式（11）循環擴大搜索范圍直至找到匹配點或搜索至全圖。最后計算匹配點對間線段的長度和斜率，將一定長度和斜率范圍的點作為RANSAC［15］內點，剔除誤匹配點，提高匹配精度。

2.5 泡沫流動特征計算

假設時間間隔為△t 的連續兩幀圖像It和It+1共有N 對匹配點，它們在It和It+1的位置分別水平流動速度vnx和垂直流動速度vny，通過式（13）計算平均水平流動速度vx和平均垂直流動速度vy：

通過式（14）計算當前的泡沫平均流動速度和方向，假設前一時刻檢測的水平流動速度為vx′，垂直流動速度為vy′，通過式（15）計算當前的水平流動加速度ax和垂直流動加速度ay，通過式（16）計算流動速度和方向的無序度，-v 和方向-θ為前一段時間的平均流動速度和方向。

假設攝像機鏡頭到目標物體的物距為S，鏡頭焦距為f，攝像機的光學放大倍率為μ，焦距和物距的關系為：

式中：vT為泡沫表面流動速度實際值，由此可推出泡沫流動速度與攝像機高度及鏡頭焦距的關系式為：

3 浮選加藥狀態識別

根據精礦品位和尾礦品位的等級，將浮選加藥狀態分為正常、過量、欠量、故障等4 種狀態［4］。泡沫表面的形態、尺寸分布特征是加藥狀態評判的重要依據，研究發現泡沫表面流動特征與藥劑添加狀態也有較強的相關性［5］，本文綜合考慮兩類特征作為加藥狀態評判的依據。黃凌霄等［16］在多尺度域提取泡沫的亮點個數、平均面積、標準差、橢圓率和分形維數作為等效形態、尺寸特征，提取的特征與泡沫類別的相關性較高，本文采用這5 個特征作為泡沫表面的形態、尺寸分布特征，結合提取的6 個流動特征作為加藥狀態評判的依據。

隨機森林（Random Forest，RF）［17］是基于多決策樹的集成學習算法，對異常值不敏感，抗噪聲能力強，具有很好的分類性能。為了提升決策樹的多樣性，降低樹之間的相似性，避免產生過擬合現象，先對形態、尺寸分布特征和流動特征進行融合和維度擴展。自編碼極限學習機［18］令輸入與輸出相等，通過前饋神經網絡來完成高層次的特征提取，具有較高的特征抽取和學習能力：

式中：β 是隱含層和輸出層間的連接權值矩陣，X表示與輸入相等的輸出值，H 表示隱層單元的輸出矩陣。隨機生成輸入與隱層間的權重和偏置可得隱層輸出矩陣H，通過式（20）求得輸出權重矩陣β：

經過訓練后，隱層節點H 的輸入是輸出權重的轉置βT，通過式（21）對原始特征進行高維特征抽取：

為實現特征融合和高維擴展，如圖2 所示，先通過兩個自編碼極限學習機分別對形態、尺寸分布特征和流動特征進行學習和抽取，得到N1維特征向量H1和N2維特征向量H2，然后通過式（22）將向量H1和向量H2的轉置進行叉乘，將兩類特征融合在一起，得到N3（N3= N1× N2）維特征向量E，有助于擴大不同決策樹間樣本采樣和特征選取的差異程度，提升決策準確率。

隨機森林采用有放回抽樣的方式隨機從訓練樣本中抽取Nt個樣本子集建立Nt棵決策樹，在決策樹的創建過程中，從所有特征中隨機選取比例為Pm的特征變量創建決策樹，Nt和Pm在模型中都是超參數，不同組合對最終的分類效果產生重要影響。本文以測試樣本集的識別精度作為適應度，采用量子菌群算法［19］對兩個超參數進行優化。浮選加藥狀態識別的具體步驟如下：

Step 1：采集不同加藥狀態下浮選槽表面的泡沫圖像，并將視頻圖像分類存儲。

Step 2：對不同加藥狀態下的泡沫視頻圖像，在NSST 域提取泡沫的6 個等效形態、尺寸分布特征，以及5 個流動特征。

Step 3：對不同加藥狀態下視頻圖像提取的等效形態、尺寸分布特征和流動特征，分別通過自編碼極限學習機進行學習和抽取，然后將兩組特征行列矩陣相乘進行特征融合，創建樣本數據集。

Step 4：通過樣本數據集訓練隨機森林多分類器，并采用量子菌群算法［19］對Nt和Pm兩個超參數進行自適應優化。

Step 5：實時采集浮選槽表面的泡沫圖像，提取泡沫的形態、尺寸分布特征和流動特征，然后通過行列自編碼極限學習機對特征進行抽取和融合，最后采用訓練的自適應隨機森林進行決策分類。

4 實驗結果與分析

為驗證本文方法的性能，以福建金東礦業股份有限公司的鉛礦浮選槽作為實驗對象，在精選槽泡沫表面溢流口上方80 cm 處安裝工業CCD攝像機及光源，實驗硬件平臺為Intel（R）Core（TM）i7-9700 CPU@3 GHz ，8 GB（RAM），軟件運行環境為Windows 7 Matlab 2014a。

4.1 NSST 域ORB 算 法 改 進 效 果

在NSST 域進行ORB 算法改進實驗，并與SIFT 算法、ORB 算法的實驗結果比較，結果如圖3 所示。抽取間隔△t=0. 5 s 的連續兩幀256×256 圖像It和It+1，NSST 分解得到1 個低頻圖像和5 個尺度高頻子帶，把第2，4 尺度高頻子帶定為內層，而第1，3，5 尺度高頻子帶定為外層。兩個內層提取的特征點如圖3（b），（c），（f）和（g）所示，融合后得到特征點檢測結果如圖3（d）和（h）所示，大部分特征點都均勻分布在泡沫邊緣區域，有效解決了簇集現象。對各特征點采用多尺度BRIEF 描述子進行特征描述，并結合前兩幀圖像檢測的流動速度（33. 99 pixel/s）和方向（21. 54°）動態調整搜索的匹配區域，匹配結果如圖3（i）所示，因循環擴大搜索的匹配范圍而出現了誤匹配點，通過RANSAC 算法進一步剔除了所有誤匹配點。傳統SIFT 算法的檢測結果如圖3（k）所示，匹配點對較多且分布均勻，但出現了誤匹配點。傳統ORB 算法的檢測結果如圖3（l）所示，匹配點對較少且簇集，也出現了少量誤匹配點。

為驗證本文改進ORB 算法的抗噪聲和尺度變換性能，分別對100 對疊加均值為0、不同方差的高斯白噪聲圖像和100 對不同尺度比例的圖像進行匹配實驗，并與近年所提出的改進SIFT［20］和ORB［14］算法進行結果比較分析，平均匹配精度（正確匹配點對數與總匹配點對數的比率）和運行時間如表1 所示，在噪聲方差為10%、尺度比為1∶2 情況下：改進的SIFT 較原SIFT 的運算時間較少了一半，抗噪聲和尺度變換性能較好，平均匹配精度較高，但是運算效率有待進一步提高；改進的ORB 算法的抗噪聲和尺度變換性大大提升，而且保持較高的運算效率；本文改進ORB 算法的抗噪聲和尺度變換能力大大提升，抗噪聲性能優于改進的SIFT 和ORB 算法，抗尺度變換性能與改進SIFT 相當，但是運算效率高于改進的SIFT 算法。當噪聲方差增加到30%、尺度比增大到1∶8 情況下：3 種算法的匹配性能都大幅度下降，但是本文改進ORB 算法保持高于85% 的匹配精度，具有較優的抗噪聲和尺度變換能力。

圖3 改進ORB 的實驗結果及比較Fig. 3 Improved ORB algorithm experimental results and comparison

表1 匹配精度及運行時間比較Tab. 1 Comparison of matching accuracy and running time

4.2 流動特征提取性能及比較

為驗證本文流動特征檢測的精度，從采集的圖像庫中，人工截取實際位移為（20，20）的兩幀256×256 圖像It和It+1進行仿真實驗，計算速度大 小v、方 向θ、相 對 誤 差Ev=|v-v0|/v0×100% 和Eθ=|θ-θ0|/θ0× 100%（v0和θ0為 實際值），以及運行時間，并與現有文獻方法進行比較分析，實驗結果如圖4 所示，結果數據統計如表2 所示：文獻［6］方法的實驗結果如圖4（f），對大津閾值分割的氣泡圖像進行相位相關計算，運算效率高，但獲取的是兩幀圖像的整體相對位移，檢測精度低；文獻［7］方法的匹配結果和速度矢量圖如圖4（g）所示，速度矢量圖上的帶箭頭線段代表各個特征點的速度矢量，檢測范圍廣且分布均勻，但是SIFT 算法的運算效率低。文獻［8-9］方法的像素跟蹤結果和速度矢量圖如4（h）所示，跟蹤錯誤率低、檢測效率高，但是跟蹤點較少、分布不均勻。本文方法的實驗結果如圖4（e）所示，匹配點多且分布較為均勻，Ev=0. 012 0%，Eθ=0. 045 3%，檢測精度高，而且運算效率較文獻［7］方法有較大提高。

表2 特征檢測結果及比較Tab. 2 Feature detection results and comparison

為驗證本文方法的抗噪聲和光照影響的性能，對圖像疊加均值為0、方差為20% 的高斯白噪聲，如圖5（a）和（b）所示，對It+1通過伽馬校正進行亮度非線性調整，如圖5（c）所示。采用不同方法對兩種圖像進行實驗，結果如圖5（d）～圖5（g）所示，數據統計如表2 所示：文獻［6］方法的功率譜峰值圖如5（d）所示，獲取的是兩幀圖像的整體相對位移，運算效率高，但氣泡分割結果受噪聲和光照變化影響大，導致檢測精度不高；文獻［7］方法的速度矢量圖如5（e）所示，檢測范圍廣且分布均勻，抗噪性能好，但是運算效率低，光照影響下的檢測精度不高；文獻［8-9］方法的像素跟蹤矢量圖如5（f）所示，檢測效率高，但是跟蹤點較少、分布不均勻，在噪聲和光照變化的干擾下跟蹤容易出錯，導致檢測精度低。本文方法的結果如圖5（g）所示，匹配點多且分布均勻，在噪聲和光照變化影響下匹配點減少但分布均勻，相對誤差Ev和Eθ都較小，仍然保持較高的檢測精度，抗噪聲和光照影響能力強。

圖4 特征檢測效果及比較Fig. 4 Feature detection effect and comparison

圖5 抗噪聲和光照影響性能Fig. 5 Noise and light resistance affect performance

4.3 浮選加藥狀態識別

為了使相機鏡頭不受其氣泡飛濺礦漿的影響，浮選表面離相機鏡頭的距離為80 cm，匹配鏡頭為CMP 百萬級工業鏡頭M0814-MP，調節鏡頭的焦距位8 mm。 采集鉛礦精選槽在正常加藥、欠量、過量、故障等4 種狀態下的泡沫視頻圖像，然后進行泡沫形態、尺寸分布特征和流動特征提取，以平行刮板轉軸的方向為X軸方向、流溢口的方向為Y軸方向，實驗結果如圖6 所示：正常加藥下泡沫流動速度保持在20～50 pixel/s 之間且變化緩慢，流動方向為75°～100°，大部分朝著流溢口的方向流動，加速度較小且變化不大，流動速度和方向有一定無序度；加藥過量下泡沫流動速度處在5～25 pixel/s，流動緩慢且曲線呈現周期性的上下波動，流動方向穩定在90°附近，加速度較小且波動不大，但速度呈現極大的無序性；欠藥量下泡沫流動速度在40～60 pixel/s 之間且上下波動較大，流動方向穩定在70°左右，加速度較大且變化幅度大，速度和方向的無序度??；故障狀態下泡沫流動速度在50～70 pixel/s之間，流動快且上下波動較大，流動方向在50°～70°之間來回變化，加速度較大且變化幅度大，流動方向呈現較大的無序性。實驗數據表明：提取的流動特征與實際加藥狀態下的泡沫流動趨勢吻合，實現了流動特征的定量描述，能準確表征各加藥狀態下泡沫的流動特性，且在各狀態下具有一定的區分度，可作為加藥狀態預測的有效特征。

圖6 不同加藥狀態下的流動特征提取結果Fig. 6 Extraction results of flow characteristics under different dosing states

采集4 種加藥狀態下各2 500 組泡沫圖像，其中2 000×4 組作為訓練集，其他500×4 組作為測試集，提取各組圖像的5 個形態、尺寸分布特征和6 個流動特征，然后通過行列自編碼極限學習機對這些特征學習和抽取，設置自編碼極限學習機的隱含節點與輸入節點數相同（N1=6，N2=5），兩組特征行列矩陣相乘后得到30 維的特征向量。為驗證本文行列自編碼極限學習機的性能，分別采用原始的11 個特征和融合后的30 個特征對隨機森林進行訓練和測試，參數Nt取值范圍：100～900，Pm取值范圍：0. 1～0. 9，在取值范圍內調整兩個參數進行實驗，兩種方法的測試準確率曲面圖如圖7（a），（b）所示：本文通過行列自編碼極限學習機的特征學習和抽取，將兩類特征進行融合及維度擴展，有助于擴大不同決策樹間樣本采樣和特征選取的差異程度，避免產生過擬合現象，整體準確率大大提升，分類精度受Nt和Pm的影響而產生的波動小，穩定性好。 為驗證本文加藥狀態識別效果，訓練過程中采用量子菌群算法自適應獲取隨機森林算法的最優參數Nt=503，Pm=0. 6，各加藥狀態的識別結果如表3 所示，本文方法能有效識別4 種不同的加藥狀態，平均識別準確率達到97. 85%。

圖7 測試準確率曲面圖Fig. 7 Surface diagram of test accuracy

表3 加藥狀態識別結果Tab. 3 Identification results of dosing status

為驗證本文方法抗噪聲和光照變化影響性能，對測試集圖像疊加均值0、方差5% ～40% 的高斯白噪聲，采用伽馬校正對圖像非線性亮度調整模擬光照變化影響，測試結果如表4 所示：當高斯白噪聲方差＜25% 時，保持較高的識別精度，抗噪聲性能好；當伽馬校正系數在0. 8～1. 3 之間，保持較高的識別精度，抗光照變化影響能力強；當噪聲方差＞40% 時，或伽馬校正系 數＞1. 5、＜0. 7 時，泡沫形態、尺寸和流動特征檢測誤差大而導致識別精度急劇下降。

表4 噪聲與光照變化測試結果Tab. 4 Test results of noise and light change

為進一步驗證本文方法的優勢，采用相同的數據集對現有文獻方法進行試驗，統計各方法的平均識別精度、標準差以及平均運行時間，實驗結果如表5 所示：文獻［1］采用分水嶺分割方法提取泡沫大小分布特征，建立Hammerstein-Wiene非線性模型對泡沫加藥狀態進行預測，運算效率高，識別精度達到90% 以上，但是提取的特征單一，且識別精度受分割精度影響大，識別精度有待進一步提高，穩定性差；文獻［2］采用形狀加權大小分布來表征泡沫特征，通過最小二乘支持向量機對泡沫加藥狀態進行識別，進一步提高了識別精度，標準差也較小；文獻［3］基于時間序列圖像提取泡沫大小累積分布特征，采用形狀加權大小分布來表征泡沫特征，建立XGBoost 非線性模型實現泡沫加藥狀態識別，具有較高的識別精度，穩定性好，但是運算效率低；文獻［4］構建CNN 網絡提取泡沫圖像特征，通過訓練的SVM進行浮選加藥狀態判別，大規模數據集訓練下具有較高的識別率，但是在等同的小樣本數據集下識別精度較低；本文方法的流動特征提取精度高，構建行列自編碼極限學習機對泡沫形態、尺寸分布特征和流動特征進行融合，然后通過自適應隨機森林對加藥狀態識別，擴大了決策樹間樣本采樣和特征選取的差異程度，泛化性能好，平均識別率達97. 85%，標準差為1. 01%，識別精度和穩定性較文獻［1，2，4］方法有較大提升，與文獻［3］方法的識別精度相當，但提高了運算效率。

表5 不同方法的識別效果Table 5 Recognition effect of different methods

5 結 論

本文提出了一種基于NSST 域改進ORB 算法的泡沫流動特征提取及加藥狀態識別方法。對各高頻方向子帶采用尺度相關性去除噪聲系數，有效提高了算法的抗噪性能。在多尺度域結合方向模極大值檢測和非極大值抑制在邊緣區域提取特征點，采用多尺度BRIEF 描述子對特征點描述，解決了特征點的簇集現象和尺度不變性，使特征點描述具有旋轉不變性，改進的ORB算法的抗噪聲和尺度變換性能增強。構建行列自編碼極限學習機對泡沫形態、尺寸分布特征和流動特征進行融合，然后通過自適應隨機森林對加藥狀態識別，擴大了決策樹間樣本采樣和特征選取的差異程度，以減少過擬合現象，提升決策準確率。本文方法實現了泡沫流動特征的定量描述，受噪聲和光照影響小，檢測精度和運算效率較現有方法有較大提高，能準確地表征不同加藥狀態下泡沫表面的流動特性，并應用于加藥狀態識別，平均識別精度達97. 85%，較現有文獻方法有較大提升，為后續的加藥量優化控制奠定基礎。