Abstract In recent years, the use of machine vision systems for monitoring and control of the flotation plants has significantly increased. The classification of froth images is a critical step in development of an on-line machine vision based control system. Deep learning is a recent advance in machine learning that uses programmable neural networks to extract high-level features from image data. In this research study a convolutional neural network (CNN) is developed to classify the froth images collected from an industrial coal flotation column operated under various process conditions (air flow rate, frother dosage, slurry solids%, froth depth and collector dosage). In the first step, the froth images captured at different air flow rates are classified by the CNN algorithm and its classification accuracy is compared with a conventional artificial neural network (ANN). The results show that the froth classification system based on CNN significantly outperforms the ANN classifier in terms of classification accuracy and computation time. In the second step, the whole images taken under different operating conditions are classified using the CNN algorithm. The experimental results indicate that the CNN model is able to classify the froth images with an overall accuracy of 93.1%. The promising results of this study demonstrate the significant potential of deep learning neural networks in froth image analysis, which is of great importance for development of machine vision systems.

中文翻译：

---

使用卷积神经网络的浮选泡沫图像分类

摘要 近年来，机器视觉系统在浮选厂监测和控制中的应用显着增加。泡沫图像的分类是开发基于在线机器视觉的控制系统的关键步骤。深度学习是机器学习的最新进展，它使用可编程神经网络从图像数据中提取高级特征。在这项研究中，开发了卷积神经网络 (CNN) 来对从在各种工艺条件（空气流速、泡沫剂量、泥浆固体百分比、泡沫深度和捕收剂剂量）下运行的工业煤浮选塔收集的泡沫图像进行分类。在第一步中，在不同空气流速下捕获的泡沫图像通过 CNN 算法进行分类，并将其分类精度与传统的人工神经网络 (ANN) 进行比较。结果表明，基于CNN的泡沫分类系统在分类​​精度和计算时间方面明显优于人工神经网络分类器。第二步，使用CNN算法对不同操作条件下拍摄的整幅图像进行分类。实验结果表明，CNN模型能够对泡沫图像进行分类，总体准确率为93.1%。这项研究的有希望的结果证明了深度学习神经网络在泡沫图像分析中的巨大潜力，这对机器视觉系统的开发具有重要意义。结果表明，基于CNN的泡沫分类系统在分类​​精度和计算时间方面明显优于人工神经网络分类器。第二步，使用CNN算法对不同操作条件下拍摄的整幅图像进行分类。实验结果表明，CNN模型能够对泡沫图像进行分类，总体准确率为93.1%。这项研究的有希望的结果证明了深度学习神经网络在泡沫图像分析中的巨大潜力，这对机器视觉系统的开发具有重要意义。结果表明，基于CNN的泡沫分类系统在分类​​精度和计算时间方面明显优于人工神经网络分类器。第二步，使用CNN算法对不同操作条件下拍摄的整幅图像进行分类。实验结果表明，CNN模型能够对泡沫图像进行分类，总体准确率为93.1%。这项研究的有希望的结果证明了深度学习神经网络在泡沫图像分析中的巨大潜力，这对机器视觉系统的开发具有重要意义。使用 CNN 算法对在不同操作条件下拍摄的整个图像进行分类。实验结果表明，CNN模型能够对泡沫图像进行分类，总体准确率为93.1%。这项研究的有希望的结果证明了深度学习神经网络在泡沫图像分析中的巨大潜力，这对机器视觉系统的开发具有重要意义。使用 CNN 算法对在不同操作条件下拍摄的整个图像进行分类。实验结果表明，CNN模型能够对泡沫图像进行分类，总体准确率为93.1%。这项研究的有希望的结果证明了深度学习神经网络在泡沫图像分析中的巨大潜力，这对机器视觉系统的开发具有重要意义。