选矿是矿物得到有效利用的必要环节,泡沫浮选是一种重要的选矿方法,超过90%的有色金属矿物都需经过浮选方法完成分选。泡沫浮选是利用矿物颗粒在浮选药剂的作用下表现出的疏水性差异来实现分离分选的。浮选过程是借助包括浮选机、浮选柱等浮选设备来完成的。浮选机的控制对矿物浮选指标和分选效率至关重要。在传统浮选生产中,对这些参数的调节主要依靠工人通过观察浮选泡沫表观特征信息来判定浮选机的工作状态,并对泡沫层厚度(矿浆液位)等控制参数进行调整。虽然近年来浮选机的自动控制技术获得快速的发展,包括泡沫层厚度(矿浆液位)等自动控制技术得到了一定范围的应用。但这些控制参数的确定和设定仍然需要通过人工借助经验来完成。由于每个人的经验、技术水平不一样,无法保证设定的参数最优,容易造成浮选指标的波动,也无法保证浮选机运行在最优状态。针对以上存在的问题,本文提出了采用视觉和图像识别技术代替人工以获取浮选泡沫动态特征信息(泡沫移动速度、泡沫稳定度)。首先提出了一种基于改进GMS的浮选泡沫图像特征匹配算法,与传统匹配算法相比,该算法在运行效率上提高了6~7倍。在此基础上为了消除匹配结果中存在的特征点聚积现象,又提出了基于深度学习Super Glue模型的泡沫图像特征匹配算法,有效地提升了泡沫图像特征点匹配效果。分别采用改进GMS算法和Super Glue模型提取浮选机泡沫移动速度并进行效果对比,结果显示基于Super Glue模型得到的泡沫特征点移动速度场分布更佳。针对泡沫稳定度本文提出了一种基于图像特征点匹配率的泡沫稳定度检测方法,并成功提取到了泡沫的稳定度值。与已有的基于灰度差值法的泡沫稳定度特征提取结果对比,结果证明本文所提出的泡沫稳定度检测方法对泡沫特征结构变化有更高的检测灵敏度。在以上基础上,本文采用皮尔逊系数对工业浮选机生产中的原矿品位、精矿品位、入选流量、充气量、泡沫移动速度、泡沫稳定度等进行数据特征变量相关性分析,发现与浮选机泡沫层厚度相关性较大的数据特征分别为入选流量、泡沫移动速度、泡沫稳定度和精矿品位。在以上基础上,本文构建了一种基于粒子群优化的梯度提升决策树(PSO_GBDT)浮选机泡沫层厚度控制模型,通过与基于粒子群优化的支持向量回归(PSO_SVR)等其它算法构建的泡沫层厚度控制模型的效果进行对比,结果显示基于PSO_GBDT控制模型的平均绝对误差最小,且稳定性也更高。本文将以上研究成果与现有的浮选机泡沫层厚度(矿浆液位)自动控制系统相结合,提出了基于泡沫动态特征的浮选机泡沫层厚度自适应控制系统实施方案。最后,本文将开发的改进GMS算法、Super Glue模型深度学习算法和基于PSO_GBDT的浮选机泡沫层厚度模型在江西某大型铜矿选矿厂的160m~3的大型浮选机上进行了试验,试验结果验证了本文提出的浮选泡沫动态特征提取算法和构建的基于浮选泡沫动态特征的泡沫层厚度控制模型的可行性。