引用本文

张进, 黄嘉豪, 艾明曦, 唐朝晖, 谢永芳, 马军. 基于专家经验引导的浮选泡沫图像表征学习. 自动化学报, 2026, 52(6): 1245−1259 doi: 10.16383/j.aas.c250628

Zhang Jin, Huang Jia-Hao, Ai Ming-Xi, Tang Zhao-Hui, Xie Yong-Fang, Ma Jun. Expert experience informed flotation froth image representation learning. Acta Automatica Sinica, 2026, 52(6): 1245−1259 doi: 10.16383/j.aas.c250628

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c250628

关键词

泡沫浮选，软测量，表征学习，知识嵌入

摘要

矿浆品位等关键指标难以通过传感器在线直接测量, 研究利用易获取的过程运行数据与泡沫图像间接估计矿浆品位的软测量方法具有重要工程意义. 针对传统泡沫图像表征方法表征能力不足且泛化性差的问题, 提出专家经验引导的泡沫图像表征学习方法. 该方法由分布特征隔离网络与经验引导表征学习两部分构成: 前者将泡沫图像映射至尺寸、颜色、纹理等具有明确工艺解释意义的视觉属性子空间, 以及用于补充隐性判别信息的数据特征子空间, 实现结构化的视觉属性表征; 后者通过构造模拟人工视觉判断过程的对比学习机制, 引导模型在各子空间中学习与专家经验一致的判别特征, 建立视觉属性子空间与专家知识之间的显式对应关系. 基于中国某铅锌浮选厂的工业数据实验结果表明, 所提方法在锌、铅、铁底流品位软测量中的决定系数较近期提出的软测量模型DEFIE分别提升3.97%、1.97%和2.40%.

文章导读

泡沫浮选是一种广泛应用于有色金属、黑色金属及非金属等矿物分选的有效方法. 该方法基于表面物理化学原理, 利用浮选药剂使目标矿物颗粒产生疏水性, 附着于气泡表面并随气泡上浮形成泡沫层, 经刮板刮出获得精矿产品, 而亲水性脉石颗粒留在矿浆中并随其排出形成尾矿[1−3]. 当前国内多数选矿厂仍以“人工观测、经验调控”为主, 存在决策随意性强、工况波动频繁、资源利用率低等问题[4]. 因此, 浮选过程在线监测对提高矿物分选效率、提升企业综合经济效益至关重要. 然而, 矿浆品位等关键质量指标难以在线直接测量. 借助机器视觉技术, 利用易获取的过程运行数据与泡沫图像对矿浆品位进行间接估计, 可为浮选过程优化控制提供实时、客观的决策依据[5−7]. 但在实际工业应用中, 矿石来源复杂、矿物性质差异显著、生产工况多变, 对泡沫图像表征的区分能力及模型泛化性提出更高要求[8−9].

近年来, 研究者提出特征工程与深度学习两类图像表征方法[10]. 其中, 特征工程通过提取手工特征量化专家经验, 即操作人员在生产过程中总结的气泡尺寸、颜色及纹理等视觉模式与泡沫层含矿量之间的判别规律. 具体而言, 通过图像分割统计气泡尺寸以表征矿物附着率, 利用颜色统计量反映泡沫层矿物附着类型, 并通过纹理粗糙度间接揭示泡沫中疏水性杂质的含量[11]. 然而, 此类方法在充分刻画视觉模式方面存在局限: 一方面, 专家对泡沫状态的判断往往基于多属性、多视角的综合视觉感知, 而现有手工特征多为低维统计量, 难以刻画泡沫视觉模式的多属性关系; 另一方面, 部分关键视觉现象(如杂质粘附形成的非均匀纹理)缺乏明确的物理定义和可计算的统一描述子, 导致手工特征难以稳定表达复杂泡沫图像中的高阶抽象信息[12]. 相比之下, 深度学习方法通过大规模标注图像数据自动学习与工况相关的视觉模式, 在表征能力上具有显著优势. 然而, 其性能高度依赖训练数据的丰富性与代表性, 当工况复杂多变且不同工段间数据分布差异较大时, 难以保持稳定的泛化性, 限制了其在工业场景中的应用[8].

为克服上述两类方法的局限, 研究者结合手工特征在工况演变下的强泛化性与深度学习的强表征能力, 进一步提出数据与知识双驱动的图像表征策略[13]. 例如, 部分研究利用手工特征引导的蒸馏学习[13]、自适应特征选择[8]或分层工况感知[14] 等实现知识与数据的结合. 然而, 这些方法停留在特征层或决策层的简单融合, 难以在模型结构和学习机制中深度注入专家经验. 为此, 本文提出基于专家经验引导的泡沫图像表征学习(experience informed froth image representation learning, EI-FIRL)方法. 该方法包含分布特征隔离网络与经验引导表征学习两部分: 分布特征隔离网络通过图像嵌入表征学习、视觉属性划分及多视角关联建模等模块, 在嵌入空间中归纳泡沫图像的抽象视觉模式, 并将其分解为尺寸、颜色和纹理等具有明确工艺解释意义的视觉属性子空间, 以及用于承载难以明确归属于上述属性, 但与品位变化密切相关的隐性判别信息的数据特征子空间, 同时刻画各子空间内部的多视角关联关系; 经验引导表征学习通过构造具有特定视觉属性差异的训练样例并引入对比学习机制, 引导表征模型在尺寸、颜色和纹理等关键视觉属性维度上形成与专家经验一致的判别性特征响应, 从而以数据驱动的方式学习与领域专家观测逻辑一致、具有物理可解释性的泡沫图像表征. 基于铅锌浮选工业数据的底流品位估计实验及锑浮选工况识别实验表明, 所提EI-FIRL方法显著提升了浮选过程监测的准确性与泛化性.

本文贡献主要包含以下两方面: 1)提出分布特征隔离网络, 将泡沫图像的复杂视觉模式分解到尺寸、颜色、纹理和数据四个结构化的特征子空间, 各子空间侧重刻画某一主导视觉属性下的判别性变化特征, 实现泡沫图像结构化表征; 2)从专家视觉判定逻辑出发, 提出经验引导表征学习, 使模型在各关键视觉属性维度上形成与人工判别过程一致的特征响应, 为深度模型注入专家感知经验.

本文整体结构如下: 第1节介绍相关工作; 第2节介绍EI-FIRL算法, 包括分布特征隔离网络与经验引导表征学习; 第3节介绍铅锌浮选过程, 并通过实验对比验证EI-FIRL的有效性及先进性; 第4节对全文进行总结及展望.

图1  基于专家经验引导的泡沫图像表征学习框架, 包括分布特征隔离网络与经验引导表征学习机制

图2  经验引导表征学习示例 ((a) ~ (c)分别对应尺寸、颜色、纹理特异性学习示例)

图3  铅锌浮选槽及数据采集

针对机器视觉浮选过程软测量中泡沫图像表征能力不足、模型泛化性较差的问题, 提出了一种专家经验引导的泡沫图像表征学习(EI-FIRL)方法. 首先, 将泡沫图像映射至尺寸、颜色、纹理等具有明确工艺解释意义的视觉属性子空间, 以及用于补充隐性判别信息的数据特征子空间, 使各子空间侧重刻画主导视觉属性下的判别性变化特征, 为专家知识注入提供结构化表征载体. 其次, 通过为各视觉属性子空间构造具有特定视觉属性差异的训练样例, 利用对比学习引导模型在不同子空间中学习与专家观测经验一致的判别特征, 实现专家感知经验驱动的图像表征学习. 基于EI-FIRL构建的锌快粗底流品位软测量模型验证了所提方法在预测精度与稳定性方面的有效性与先进性; 此外, 基于锑粗选泡沫图像的工况识别实验表明, EI-FIRL在不同矿物类型泡沫图像表征任务中具有良好的泛化能力. 需要指出的是, 所提子空间结构化表征旨在实现具有工艺解释意义的视觉属性弱解耦表征, 并非在统计意义上对不同属性进行正交分离. 此外, EI-FIRL主要针对泡沫图像的静态视觉表征, 尚未显式建模泡沫层的运动模式特征. 后续研究将进一步结合动态视觉分析, 拓展EI-FIRL在复杂工况下的应用能力.

作者简介

张进

昆明理工大学信息工程与自动化学院副教授. 2022 年获得中南大学控制科学与工程专业博士学位. 主要研究方向为深度学习, 数据高效建模. E-mail: j.zhang@kust.edu.cn

黄嘉豪

昆明理工大学信息工程与自动化学院硕士研究生. 主要研究方向为基于机器视觉的复杂工业过程智能监测与优化. E-mail: jiahao_huang@stu.kust.edu.cn

艾明曦

云南大学信息学院讲师. 2022年获得中南大学控制科学与工程专业博士学位. 主要研究方向为深度学习, 流程工业智能感知与建模. 本文通信作者. E-mail: mingxi_ai@ynu.edu.cn

唐朝晖

中南大学自动化学院教授. 2008 年获得中南大学控制科学与工程专业博士学位. 主要研究方向为深度学习, 图像处理. E-mail: zhtang@csu.edu.cn

谢永芳

中南大学自动化学院教授. 1999 年获得中南大学控制科学与工程专业博士学位. 主要研究方向为复杂工业过程建模、优化与控制. E-mail: yfxie@csu.edu.cn

马军

昆明理工大学信息工程与自动化学院教授. 2016年获得昆明理工大学冶金工程控制专业博士学位. 主要研究方向为故障诊断. E-mail: mjun@kust.edu.cn

支持单位：